Et eller annet sted i et laboratorium som ikke ligner det minste på en parfymørs studio - ingen orgelrekke med hundrevis av brune flasker, ingen luktstrimler spredt utover et skrivebord som en påfugl av papir, ingen flekkete skinnforkle hengende på en krok bak døren - komponerer en maskin en duft. Maskinen lukter ingenting. Den har ingen nese. Den har ingen mening om hvorvidt vetiver passer godt sammen med grapefrukt, ingen instinkt for om en komposisjon trenger mer løft i toppen eller mer varme i basen. Den har data. Den har omtrent fire hundre tusen formler fra det siste århundret, digitalisert og merket med resultater fra forbrukerpaneler, salgstall, regionale preferanser og molekylære beskrivelser. Den har en algoritme som er trent til å identifisere de statistiske sammenhengene mellom bestemte ingredienskombinasjoner og bestemte forbrukerutfall, kjøpsintensjon, opplevd kvalitet, emosjonell assosiasjon og sannsynlighet for gjenkjøp. Og den har fått i oppgave å lage en formel som etter alle målbare standarder skal være optimal.
11 min lesetid
Den vil lykkes. Formelen den lager, vil skåre godt i forbrukerpaneler. Den vil teste positivt på tvers av flere demografiske grupper. Den vil ikke støte noen. Den vil ikke forvirre noen. Den vil befinne seg i et komfortabelt, tett befolket område av det olfaktoriske rommet, den typen territorium bransjen kaller «det kommersielle søtpunktet», og som alle med en fungerende nese kaller «velkjent». Den vil lukte, etter de flestes vurdering, helt greit.
Spørsmålet er om «helt greit» er parfymeri.
Maskinlæring i industriell skala innen duft
Anvendelsen av maskinlæring i duftutvikling er ikke spekulativ. Den skjer nå, i industriell skala, i forskningsavdelingene til verdens største duft- og smaksbedrifter. Teknologien varierer i sofistikering. Noen systemer er relativt enkle prediktive modeller som foreslår ingredienserstatninger basert på kostnad og tilgjengelighet; andre er dype nevrale nettverk som er trent på flere tiår med proprietære formeldata, men den underliggende logikken er den samme i alle tilfeller. Gi maskinen et stort korpus av eksisterende formler koblet med data om forbrukerrespons. La maskinen lære de statistiske sammenhengene mellom molekylær sammensetning og menneskelige preferanser. Be deretter maskinen generere nye formler som maksimerer sannsynligheten for et ønsket forbrukerutfall.
Dette er i bunn og grunn regresjonsanalyse anvendt på parfymeri. Det er ikke, i noen meningsfull forstand, skapelse.
Forskjellen betyr noe, og det er nødvendig å være presis om hvorfor. Regresjonsanalyse, den matematiske teknikken som ligger til grunn for det meste av maskinlæringen, finner linjen som passer best gjennom en sky av datapunkter. Den identifiserer sentraltendensen. Den forteller deg hvor gjennomsnittet ligger. Dette er enormt nyttig i mange sammenhenger. Hvis du vil forutsi boligpriser, forbrukeratferd, sykdomsforløp eller valgresultater, forteller gjennomsnittet deg mye. Men parfymeri er ikke et prediksjonsproblem. Det er, eller har i det minste historisk vært, et kreativt problem. Og kreative problemer løses ikke ved å finne sentrum. De løses ved å finne kanten.
Enhver duft som virkelig har endret bransjen, enhver komposisjon som i ettertid definerte en epoke eller åpnet en ny kategori, gjorde det ved å avvike fra sin tids konsensus. Den første moderne fougèren var ikke slik noen forventet at en herreduft skulle lukte i 1882. Den første store aldehydblomsterduften var ikke slik noen forventet at en dameduft skulle lukte på 1920-tallet. Den første friske maskuline duften med dihydromyrcenol og hedion var ikke slik noen forventet at en herreduft skulle lukte på 1980-tallet. Det første molekylet med ren hudmusk var ikke slik noen forventet at noen duft skulle lukte tidlig på 2000-tallet. I hvert tilfelle lyktes komposisjonen ikke fordi den samsvarte med eksisterende preferanser, men fordi den skapte nye. Den fant ikke sentrum. Den flyttet sentrum.
En algoritme som er trent på historiske data, kan ikke, i kraft av sin konstruksjon, flytte sentrum. Den kan bare finne det. Den kan finne det med kirurgisk presisjon, og den kan generere formler som opptar søtpunktet med en effektivitet ingen menneskelig parfymør kan matche. Men å oppta søtpunktet er ikke innovasjon. Det er optimalisering. Og parfymeriets historie antyder at optimalisering og innovasjon ikke er det samme, og faktisk kan stå i motsetning til hverandre.
Menneskelige parfymører som biologiske nevrale nettverk
Det finnes et motargument, og det fortjener seriøs vurdering. Motargumentet lyder slik: Menneskelige parfymører er også, i en viss forstand, algoritmer. De er biologiske nevrale nettverk som er trent på et korpus av olfaktoriske data, alt de har luktet, hver formel de har studert, hver forbrukerrespons de har observert gjennom en karriere. Den kreative prosessen deres er ikke, slik romantikere liker å forestille seg, et inspirasjonsglimt som stiger ned fra musen. Den er mønstergjenkjenning, rekombinasjon og iterativ forbedring. Parfymøren setter seg ved orgelet, velger materialer basert på erfaring og intuisjon, blander en prøveformel, vurderer den, justerer og vurderer på nytt. Prosessen er empirisk, ikke mystisk. Hvis en maskin kan utføre de samme operasjonene raskere og mer systematisk, hva er det egentlig som går tapt?
Det som går tapt, er feilen.
Dette høres paradoksalt ut, så la meg være konkret. Menneskelige parfymører gjør feil. De overdoseres en ingrediens og oppdager at overdoseringen skaper en effekt de ikke hadde til hensikt å skape og ikke kunne ha forutsagt. De forurenser ved et uhell en prøvebatch og oppdager at forurensningen tilfører noe interessant. Historien om syntetiske gjennombrudd i parfymeriet er full av slike lykkelige kollisjoner. De leser sine egne notater feil og kombinerer materialer de ikke mente å kombinere, og resultatet blir bedre enn det de planla. Parfymeriets historie er full av slike uhell, komposisjoner som skylder karakteren sin ikke bevisst design, men en uplanlagt kollisjon mellom materialer som en mer omhyggelig prosess ville ha forhindret.
En algoritme gjør ikke slike feil. En algoritme gjør nøyaktig det den blir fortalt å gjøre. Den optimaliserer målfunksjonen. Den følger gradienten. Den beveger seg ikke inn i ukjent terreng ved et uhell, fordi den ikke beveger seg omkring i det hele tatt. Den beveger seg med matematisk presisjon mot optimumet. Og optimumet, slik det defineres av data fra forbrukerpaneler, er alltid sentrum. Gjennomsnittet. Konsensusen.
Det kreative potensialet i feil er ikke en romantisk forestilling. Det er et veldokumentert fenomen innen alle kreative felt. Biologen som oppdager penicillin på grunn av en forurenset petriskål. Fysikeren som oppdager kosmisk mikrobølgebakgrunnsstråling på grunn av uforklarlig støy i en antenne. Musikeren som oppdager et nytt harmonisk språk fordi en streng ryker midt under en fremføring og tvinger frem en improvisasjon. Dette er ikke apokryfe historier som fortelles for å trøste de ulykkesutsatte. De er dokumenterte eksempler på et generelt prinsipp: Kreative gjennombrudd oppstår ofte i avvik fra planen, og systemer som er utformet for å eliminere avvik, vil dermed også eliminere muligheten for gjennombrudd.
Data fra forbrukerpaneler og preferansens natur
En annen, mer filosofisk innvending mot databehandlet parfymeri handler om selve preferansens natur.
Data fra forbrukerpaneler, dataene disse algoritmene trenes på, måler uttrykte preferanser. De registrerer hva folk sier at de liker når de blir spurt. Men uttrykte preferanser og faktiske preferanser er ikke det samme. Uttrykte preferanser er konservative. Når folk blir bedt om å velge mellom det velkjente og det ukjente, velger de fleste, i de fleste sammenhenger, det velkjente. Dette er ikke dumskap. Det er en veldokumentert kognitiv skjevhet, ren eksponeringseffekten, først beskrevet av psykologen Robert Zajonc i en banebrytende artikkel fra 1968 i Journal of Personality and Social Psychology, og den virker kraftig i olfaktorisk evaluering, der fraværet av et felles vokabular gjør det usedvanlig vanskelig for forbrukere å uttrykke hvorfor de liker eller misliker noe. Stilt overfor en duft som er genuint nyskapende, som ikke passer inn i noen eksisterende kategori, som forvirrer og fascinerer i like stor grad, vil et forbrukerpanel oftere enn ikke gi den en lav skår. Ikke fordi duften er dårlig, men fordi panelet mangler rammen som trengs for å vurdere den.
En algoritme som er trent på data fra forbrukerpaneler, arver denne konservatismen. Den lærer at nyskaping er risikabelt og det velkjente trygt. Den lærer at duftene folk vurderer høyest, er de som ligner mest på dufter de tidligere har vurdert høyt. Den lærer kort sagt den mest grunnleggende leksen fra forbrukerforskningen: Folk liker det de allerede liker. Og den optimaliserer deretter.
Resultatet er en maskin som er enestående god til å produsere det bransjen kaller «trygge valg», dufter som ikke vil mislykkes, som vil oppnå et minimumsnivå av kommersiell levedyktighet, som ikke vil overraske, forstyrre eller utfordre noen som lukter dem. Disse duftene vil selge. Noen av dem vil selge svært godt. Men de vil ikke endre bransjen, fordi det å endre bransjen krever at man produserer noe forbrukerpaneler ikke vet hvordan de skal skåre. Komposisjonene som endret parfymeriet, var alle overraskelser da de ble skapt. De var ting ingen hadde bedt om, ting som ikke skåret godt i innledende tester, ting som lyktes ikke fordi dataene sa at de ville gjøre det, men fordi én person, en parfymør, en kreativ leder eller en entreprenør trodde på dem til tross for dataene.
En algoritme kan ikke tro på noe til tross for dataene. Å tro på noe til tross for dataene er det eneste en algoritme av natur ikke er i stand til å gjøre. En algoritme følger dataene. Det er dens styrke og dens begrensning. Og i et felt der de viktigste beslutningene er de som motsier dataene, der hele historien om kreativ fremgang er en historie om mennesker som ignorerte konsensusen og fikk rett, er denne begrensningen ikke ubetydelig. Den er grunnleggende.
Hvor AI hører hjemme, og hvor den ikke gjør det
La meg være tydelig på hva jeg ikke argumenterer for. Jeg argumenterer ikke for at kunstig intelligens ikke har noen rolle i parfymeriet. Den har åpenbare og verdifulle anvendelser. Den kan fremskynde reformuleringsprosessen når en endring i regelverket tvinger frem fjerningen av en begrenset ingrediens. Den kan foreslå kostnadseffektive erstatninger som bevarer en komposisjons karakter samtidig som prisen reduseres. Den kan analysere store datasett med tilbakemeldinger fra forbrukere og identifisere trender en menneskelig analytiker kanskje ville oversett. Den kan kartlegge det enorme, flerdimensjonale rommet av mulige ingredienskombinasjoner og fremheve områder menneskelige parfymører ennå ikke har utforsket, omtrent slik gasskromatografi en gang avkodet formler som tidligere var beskyttet av forretningshemmeligheter. Dette er nyttige funksjoner. De sparer tid, reduserer kostnader og utvider parfymørens verktøykasse. Ingen seriøs person innvender noe mot dem.
Det jeg argumenterer for, er at dette alt sammen er optimaliseringsfunksjoner. De gjør eksisterende prosesser mer effektive. De skaper ikke. Forskjellen mellom å optimalisere og å skape er ikke semantisk. Det er forskjellen mellom å finne den beste ruten gjennom et kjent landskap og å oppdage at landskapet strekker seg utenfor de kjente grensene. Maskinlæring er fremragende til det første. Den er strukturelt ute av stand til det siste, fordi det siste per definisjon krever at man går utover dataene, og maskinlæring er per definisjon en metode for å trekke ut mønstre fra data.
Duftbransjens entusiasme for databehandlede verktøy er forståelig. Økonomien i moderne parfymeri er brutal. Den gjennomsnittlige utviklingstiden for en kommersiell duft er blitt komprimert fra år til måneder. Briefene er strammere. Budsjettene er mindre. Kostnaden ved å mislykkes er høyere. I dette miljøet er et verktøy som kan redusere antallet iterasjoner som trengs for å nå en akseptabel formel, enormt verdifullt. Men «akseptabel» gjør mye arbeid i den setningen. En akseptabel formel er en som oppfyller briefen, skårer tilstrekkelig i testing og ikke overskrider kostnadstaket. En akseptabel formel er ikke et mesterverk. Den er i de fleste tilfeller ikke engang særlig interessant. Den er tilstrekkelig. Og tilstrekkelighet, i industriell skala, er kunstens fiende.
Konvergens mot et statistisk gjennomsnitt
Det finnes én siste betraktning, og den er kanskje den mest urovekkende. Jo mer duftutviklingen baserer seg på algoritmiske verktøy som er trent på forbrukerdata, desto mer vil bransjens resultater konvergere mot et statistisk gjennomsnitt. Hver ny AI-optimalisert formel vil etter sin utforming befinne seg i sentrum av preferansefordelingen. Over tid vil selve sentrumet forskyve seg, men det vil skje langsomt, fordi algoritmens resultater forsterker nettopp de preferansene den ble trent på. Forbrukere som gjentatte ganger eksponeres for AI-optimaliserte dufter, vil utvikle preferanser som formes av disse duftene, og disse preferansene vil i sin tur bli treningsdata for neste generasjon algoritmer. Resultatet er en tilbakekoblingssløyfe: Maskinen produserer det folk liker, folk lærer å like det maskinen produserer, og maskinen produserer mer av det.
Dette er ikke et hypotetisk scenario. Det er en presis beskrivelse av det som allerede har skjedd i andre kreative bransjer som har tatt i bruk algoritmiske systemer for anbefaling og generering. Strømmetjenester for musikk, hvis algoritmer optimaliserer for engasjement, har ført til en målbar konvergens i de soniske egenskapene ved populærmusikk, høyere lydstyrke, kortere låter, mer repetisjon, tidligere refreng og et mindre dynamisk spenn. Sosiale medieplattformer, hvis algoritmer optimaliserer for oppmerksomhet, har ført til en konvergens i de visuelle egenskapene ved populært innhold, mer mettede farger, tettere beskjæring og mer følelsesmessig ekstremitet. Algoritmen flater ikke ut landskapet med vilje. Den flater det ut som en bieffekt av å optimalisere for gjennomsnittet.
Parfymeriet er ikke immun mot denne dynamikken. Hvis bransjens utviklingsløp i økende grad blir avhengig av AI-verktøy som optimaliserer for konsensus, blir det uunngåelige resultatet en innsnevring av det olfaktoriske feltet. Ikke en innsnevring til én enkelt duft, markedet er for stort og for segmentert til det, men en innsnevring innenfor hvert segment. De friske maskuline duftene vil konvergere. De søte feminine duftene vil konvergere. Oud-orientalerne vil konvergere. Hver kategori vil bli mer internt homogen, fordi algoritmen som utformer hvert nytt produkt, trenes på de samme dataene som skapte de eksisterende produktene. Feltet vil ikke krympe til et punkt. Det vil krympe til en klynge.
Om dette betyr noe, avhenger av hva du mener parfymeriet er til for. Hvis det er en bransje, en virksomhet som produserer forbruksvarer utformet for å møte markedets etterspørsel, er optimalisering den riktige strategien, og konvergens er en akseptabel kostnad. Forbrukerne får det de vil ha. Selskapene tjener penger. Ingen klager.
Men hvis parfymeriet også er kunst, en kreativ disiplin hvis formål strekker seg lenger enn å tilfredsstille eksisterende preferanser, til å avdekke nye muligheter for olfaktoriske opplevelser, er konvergens ikke en kostnad. Det er en katastrofe. For kunst krever, etter enhver definisjon det er verdt å forsvare, muligheten for overraskelse. Den krever muligheten for at den neste komposisjonen vil være noe ingen har luktet før, noe ingen datasett forutså, noe et forbrukerpanel ville ha avvist fordi det ikke passet inn i noen eksisterende kategori.
En algoritme kan ikke produsere det. En parfymør kan. Ikke pålitelig, ikke konsekvent, ikke etter en tidsplan og ikke innenfor budsjett. Men av og til, uforutsigbart og i strid med all kommersiell logikk, vil et menneske som sitter ved et orgel omgitt av hundrevis av brune flasker, kombinere materialer på en måte ingen maskin ville ha foreslått, og resultatet vil være noe genuint nytt. Noe som flytter sentrum i stedet for å oppta det. Noe dataene sa ikke burde fungere.
Slike øyeblikk er sjeldne. De blir sjeldnere. Og hvis bransjen ikke er forsiktig, vil de slutte å oppstå, ikke fordi teknologien forbyr dem, men fordi økonomien ikke lenger gir rom for dem. Maskinen vil komponere. Maskinen vil optimalisere. Maskinen vil produsere helt greie dufter som skårer godt i alle paneler og ikke støter noen.
Om dette teller som parfymeri, er et spørsmål maskinen ikke er utstyrt for å besvare. Det må besvares av en nese.
Sju extrakter ved 20 %, én kolleksjon. Discovery Set inneholder alle sju i 2 ml.
