Tämä artikkeli on osa teemasarjaa Tekoälyn tulevaisuus, joka tutkii, kuinka tekoäly muokkaa muoti- ja kauneusalan toimialoja.

Aikaisemmin tänä vuonna teknologiayhtiöiden johtajat alkoivat korostaa maun tärkeyttä. Helmikuussa Y Combinatorin perustaja Paul Graham ennusti, että "tekoälyn aikakaudella mausta tulee entistä tärkeämpi. Kun kuka tahansa voi tehdä mitä tahansa, suurin erottava tekijä on se, mitä päätät tehdä." Saman kuukauden aikana OpenAIn presidentti Greg Brockman kutsui makua "uudeksi keskeiseksi taidoksi".

Muotialalle ja monille muille luoville aloille ajatus siitä, ettei maku olisi aina ollut välttämätön, on absurdi. Kuitenkin generaattivisen tekoälyn aikakaudella makukäsitettä on vahvistettu ja muotoiltu uudelleen, ja tästä paljon keskustellusta esteettisestä arvostelusta on nopeasti tullut muotisana. "Jokainen yritys haluaa nyt puhua mausta. Jokainen teknologian ajattelun johtohahmo haluaa kirjoittaa Substackiin makua käsittelevän artikkelin", sanoo visuaalisen inspiraatiopalvelun Cosmosin perustaja Andy McCune.

Tämä suuntaus osoittaa, että tekoälyjohtajat eivät ole irtautuneet hyvän maun ihmismäisestä laadusta. Mutta jos maku ja henkilökohtainen tyyli ovat luontaisesti inhimillisiä – hiotut kokemuksista kirjojen, elokuvien ja ihmisten kanssa – voiko tekoäly koskaan todella ymmärtää käyttäjän henkilökohtaista tyyliä tai kehittää oman makunsa? Tämä on ratkaiseva kysymys muotialalle, jossa tällaiset vaistot vaikuttavat kaikkeen vaatesuunnittelusta asukokonaisuuksien suosituksiin, joista monet ovat jo tekoälyn tuottamia.

Jotkut teknologiasektorilla ovat vakuuttuneita siitä, että se on mahdollista. "Vihaan rikkoa tämän ilon, mutta sinulla ei todennäköisesti ole parempaa makua kuin tekoälyllä", yksi tuotepäällikkö kirjoitti X:ssä. Erään tekoäly-yrityksen toimitusjohtaja heitti samaan sävyyn: "On hyvät mahdollisuudet, että tekoälyllä on parempia ideoita kuin meillä muutaman vuoden sisällä."

Teknologiakuplan ulkopuolella olevat ovat skeptisempiä. "Maku ja henkilökohtainen tyyli on jotain, mitä kehität ajan myötä ja todellisen elämänkokemuksen kautta", sanoo trendiennustaja Mandy Lee. "Se, ettei ole kosketuspintoja todelliseen maailmaan, on vastakohta henkilökohtaisen maun rakentamiselle. Joten mitä ikinä he puhuvatkaan, se ei ole sama asia kuin maku ja tyyli."

Myös ostajat pysyvät epäilevinä. Tällä hetkellä vain 3 % Vogue Businessin kyselyyn vastanneista ostajista käyttää tekoälychattibotteja muoti-inspiraatioon, verrattuna 57 %:iin, jotka turvautuvat lehtiin (painettuun ja digitaaliseen), jota seuraavat katutyyli (47 %), muotiblogit tai Pinterest (36 %) ja vaikuttajat (35 %).

Henkilökohtainen tyyli on pitkään ollut tapa viestittää pyrkimyksiä ja luoda yksilöllistä identiteettiä yhteiskunnassa, sanoo Stanfordin oikeustieteellisen tiedekunnan professori ja kirjan **Dress Codes: How the Laws of Fashion Made History** kirjoittaja Richard Thompson Ford. Ihmiset tekevät tämän lainaamalla ja yhdistämällä viittauksia elämän eri osa-alueilta – eri yhteisöistä historiallisiin ajanjaksoihin – käyttäen inspiraationa tuttuja kuvia taiteesta, elokuvista, julkkiksista tai vaikuttajista. Hyvä maku ei ole kopioimista, Thompson Ford selittää, vaan pikemminkin "pienten osien lainaamista tutusta kokonaisuudesta ja niiden yhdistämistä muihin asioihin ilmaistakseen jotain, mikä ainakin heille itselleen on ainutlaatuista ja yksilöllistä."

Kun ihmiset yhä useammin kääntyvät tekoälyn puoleen löytämiseen, se saattaa muovata uudelleen sitä, kuinka he kehittävät henkilökohtaista tyyliään. Muoti-tekno-startupit ovat optimistisia tekoälyn kyvystä virtaviivaistaa ja yksinkertaistaa prosessia. Tekoälyostos-alusta Daydream pyrkii juuri siihen. Sen käyttäjät eivät välttämättä ole huippumuotin harrastajia, sanoo perustajajäsen Lisa Yamner. "Meidät löytävät ihmiset ovat melko tarvekeskeisiä; kyse on enemmän muotiharrastuksesta kuin 'näytä Loewen viimeisimmät muotinäytökset' -tyyppisestä jutusta."

Kun lähes puolet kyselyyn vastanneista mainitsee valtavan valikoiman suurimpana haasteenaan ostamisessa, tekoälyn rooli kuratoinnissa ja yksinkertaistamisessa voi tulla entistä merkittävämmäksi. Koska 45 % käyttäjistä keskittyy tyylilliseen itsensä ilmaisuun yhdistellen vaatteita olemassa olevasta vaatekaapistaan ja etsien tyylejä budjettinsa puitteissa, ei ole yllättävää, että yli kolmannes (36 %) harkitsisi tekoälytyökalun käyttöä seuraavan kauden trendien löytämiseen. Mutta voiko tekoäly todella ymmärtää makua ja tyyliä riittävän hyvin vastatakseen inhimillisiin kuratorin kykyihin?

Alan veteraanit ovat epäileviä. Lee, jolla on vuosikymmenen kokemus trendiennustamisesta ja -analyysistä, uskoo työnsä kärsivän, jos hän luottaisi tekoälyyn, koska sillä puuttuu näkemys kulttuuritapahtumiin ja vaikutteisiin, jotka muovaavat muotimieltymyksiä. "Nykytekniikalla tekoäly ei voi täysin käsittää, kuinka tapahtumat, sosioekonomiset tekijät, talous ja maailmanpolitiikka vaikuttavat trendeihin ja muotiin", hän selittää. "Kun katsoo esteettisyyden ulkopuolelle, nämä ovat todellisia trendien ajureita. Kyse ei ole vain muodista – vaan kaikesta sen ympärillä."

Joten, voiko tekoäly koskaan todella ymmärtää näitä todellisen maailman dynamiikkoja?

**Tulorajoitukset**

Tekoälyn suurin haaste tuottaa maukasta tulosta piilee sen tuloissa. Tekoäly on riippuvainen tietoaineistoista, ja yleiset tekoälymoottorit kaivavat valtavia määriä dataa koko internetistä, mikä voi olla meluisa ja suodattamaton. Jopa muotia varten erityisesti rakennetut tekoälytyökalut kohtaavat vaikeuksia, koska muotiin liittyvät tietoaineistot usein jäävät vajaiksi, kertoo Fordham Business Schoolin apulaisprofessori Yilu Zhou, joka on työskennellyt muodin ja tekoälyn risteyskohdassa vuodesta 2013 lähtien.

Zhoun varhainen tutkimus paljasti, että muotin taksonomia on huonosti standardoitu. "Jokainen suunnittelija puhuu eri kieltä. Heillä saattaa olla kaksi hyvin samanlaista muotoilua, mutta he kuvaavat ne täysin eri termeillä – toisinaan tarkoituksella", hän sanoo. Tuotekuvauksiin upotettu brändikieli – kuten Haider Ackermannin "lasivaikutus" -kuvailu kirkkaasta muovitakista – aiheuttaa merkittävän esteen tekoälylle tarkasti ennustettaessa ja tulkittaessa muotitrendejä. Zhou korostaa, että datan standardointi on ensimmäinen askel hyödyllisen tekoälyn luomiseen. "Muuten tekoäly perustuu puolueelliseen dataan, johtaen puolueellisiin ja järjettömiin tuloksiin."

Asiantuntijat huomauttavat myös, että data, johon tekoäly luottaa, voi olla harhaanjohtavaa, erityisesti muodissa. "Jokin saattaa levitä sosiaalisessa mediassa, tuottaen paljon jakoja, mutta se ei välttämättä tarkoita, että ihmiset ostaisivat sitä", sanoo WGSN:n ennustepäällikkö Francesca Muston. Esimerkkejä ovat vuoden 2023 näkyvät alushousutrendi muotinäytöksillä tai ennustettu 2025 rintaliivitrendi – molempien odotettiin tuottavan enemmän klikkauksia kuin varsinaisia myyntejä. Lisäksi tekoäly usein laiminlyö kausivaihtelun, ellei sitä ole erityisesti ohjelmoitu huomioimaan sitä. "Jos data-analyytikko ei ymmärrä muotia, hän saattaa tulkita trendin loppuneeksi, vaikka se onkin palaamassa ensi vuonna", Zhou selittää.

Tässä inhimillinen arvostelukyky tulee välttämättömäksi – tulkitsemaan tarinoita, jotka tekoäly usein ohittaa. "Ihmiset pystyvät paremmin kontekstualisoimaan erillisiä tietoja, yhdistämään pisteet ja tunnistamaan tulevien trendien mahdollisuuksia", Muston sanoo. Zhou on samaa mieltä, lisäten, että inhimillistä asiantuntemusta tarvitaan tunnistamaan, milloin tekoäly on pois raiteilta tai "hallusinoi" täyttääkseen puutteellisten tietoaineistojen aukkoja.

Tarkoitukseen rakennetut tekoälymallit, kuten Daydreamin, pyrkivät tarjoamaan paremman perustan linjautumalla käyttäjien henkilökohtaisten tyylien kanssa. Daydreamin Yamner muistelee käyttäjien reaktioita alustan esittelyssä: "He sanovat: 'Kokeilin samaa hakua ChatGPT:ssä ja sain hirveitä tuloksia.'" Muotidatalle erityisesti koulutettu tekoäly saisi teoriassa tarjota relevantimpia ja tarkempia oivalluksia. Daydream käyttää omaa brändikartoitusjärjestelmäänsä ymmärtääkseen, kuinka brändit liittyvät toisiinsa tyylin, estetiikan ja positioningin suhteen. Yhdistettynä yksittäisten käyttäjien signaaleihin tämä mahdollistaa alustan suositella brändejä, jotka tuntuvat sekä relevanteilta että odottamattomilta – ilman, että mainonta tai maksetut sijoittelut vaikuttavat tuloksiin.

**Maun ohjelmointi**

Vaikka tekoäly koulutettaisiin oikealla datalla, jotkut epäilevät, että se pystyisi vastaamaan inhimillistä makua. "Oikealla koulutusdatalla tekoäly saattaa approksimoida sitä, mitä yksilöt tekevät tietyissä tilanteissa, mutta uskon, että se jää aina jälkeen", sanoo yksi asiantuntija. "Ihmisenä vaikutteesi tulevat kadulta, sattumakohtaamisista ja monista eri lähteistä – osa digitoituja ja tekoälyn saatavilla, osa ei. Epäilen, että kaikki maun muovaavat vaikutteet, erityisesti jollain, jolla on vahva esteettinen tunne, ovat välittömästi tekoälyn saatavilla."

Tekoäly taipuu myös keskittymään laajoihin trendeihin, jotka hallitsevat sosiaalista mediaa tai ostosotsikoita. Mutta mielenkiintoisempia ovat paikallisesti nousevat tyylit, joita tekoälyn on vaikeampi havaita, Zhou huomauttaa.

Tekoälyn ohjelmointi vastaamaan käyttäjän tiettyä tyyliä voi myös muuttua liian kapeaksi ja määräiseksi, rajoittaen löytämistä tavallisten mieltymysten ulkopuolelta. "Jos sinulla ei ole tuhatta dollaria laukkuun, emme näytä sinulle tuhatdollarin laukkua", Yamner sanoo. Kuitenkin monet muotiharrastajat ovat saaneet inspiraatiota ikonisista muotoiluista, kuten Nicolas Ghesquèren 2000-luvun alun Balenciaga City -laukusta tai Phoebe Philon Celinestä, vaikka eivät olisi voineet niitä silloin ostaa. Tuo inspiraatio on edelleen tärkeää. Vaikka Daydream suodattaa hintatason mukaan ostoaikomuksen perusteella, se voi käyttää Philon estetiikkaa signaalina nostaa esiin kappaleita, joilla on samanlainen tunnelma edullisemmilla hinnoilla – demokratisoinnin muoto, joka on tärkeä alustalle.

Samoin pelkästään muotibrändeihin ja -trendeihin keskittyminen on rajoittavaa, koska henkilökohtaista tyyliä muovaavat usein muut kulttuurialueet. Esimerkiksi WGSN:n trendiennusteet parantuivat, kun he alkoivat seurata ruoka- ja urheilualoja. "Ihmiset eivät vain pukeudu. He myös syövät ruokaa, asuvat talossa, käyttävät kosmetiikkaa ja ovat tekemisissä muiden alojen, kuten kuluttajateknologian tai urheilun, kanssa", Muston sanoo. Pelkästään tuotteeseen keskittyminen tarkoittaa, että suuri osa trendin ajureista jää huomaamatta.

Jotkut perustajat uskovat, että tekoälyä voidaan kehittää tunnistamaan "hyvä maku" inhimillisen syötteen määrittelemänä. Cosmosin McCune ajattelee, että tekoäly voi oppia maun oikealla ohjelmoinnilla. Hänen tavoitteensa Cosmosille on olla "anti-slop-alusta". "Tekoäly voi tukea luovia aloja esimerkiksi haussa ja suosittelussa", hän sanoo. Cosmosin koneoppimistiimi rakensi "esteettisen ennustemallin", joka määrittää, mitä käyttäjät näkevät. Sitä koulutettiin ensimmäisten 10 000 beetakäyttäjän – mukaan lukien suunnittelijoiden, luovien johtajien ja arkkitehtien – tallentamilla kuvilla sekä "todella huonoilla" tietoaineistoilla, joita käytettiin negatiivisina näytteinä. Nyt jokainen ladattu kuva pisteytetään näiden näytteiden asettaman esteettisen standardin mukaan.

"Asetimme alarajan, ja kaikki sen alapuolella priorisoidaan alemmas haussa ja suosituksissa", McCune selittää. Hän korostaa, että kyse ei ole yhden maun pakottamisesta, vaan laadun nostamisesta. Visuaalinen kulttuuri muuttuu yhdenmukaisemmaksi, mutta Cosmos ei vain korosta huipputason sisältöä. "Käytämme sitä enemmän perussuodattimena poistaaksemme roskan ja heikkolaatuisen materiaalin", hän selittää. Koneoppimisella on ollut ratkaiseva rooli Cosmosin kuratoinnissa, tarjoten pienimuotoisen vastauksen Zhoun kritiikkiin muodin 'huonosta datasta' – vaikka Cosmos ei rajoitu muotiin.

Kuittien jakamis-sovellus Selleb on myös optimistinen tekoälyteknologian ja inhimillisen valvonnan yhdistämisestä. Perustajasisaret Chloe ja Claire Lee näkevät tekoälyn perustyökaluna, jota ihmiset lopulta tarkistavat. Käyttäjät jakavat kuitteja paitsi muodista, kuten perustajat aluksi odottivat, myös kahviloista, liikenteestä, lennoista, ruokakaupoista ja muusta. "Laajempi visio on kartoittaa kaikki nämä eri tuotteet verkossa ja seurata jokaisen makua eri tekijöiden kautta, jotka lähestyvät sitä vaikeasti kuvattavaa makunäkökohtaa – jotain, jota uskon edelleen olevan vaikea määritellä", Claire sanoo.

Selleb korostaa poikkiluokkaisten tietojen tärkeyttä ymmärtääkseen paremmin henkilön makua, mieltymyksiä ja tyyliä. Uudet käyttäjät yhdistävät sähköpostinsa ja lähettävät tuhansia kuitteja. "Nämä kuitit – milloin ne tehtiin, mihin kategorioihin ne kuuluvat, kuinka paljon käytin – paljastavat paljon minusta ostajana ja ainutlaatuisesta identiteetistäni", Chloe huomauttaa. Käyttäjät seuraavat siskosten kutsumiaan "makukaksoisolentojaan": ihmisiä, joilla on samankaltaisia mieltymyksiä eri kategorioissa, perustuen sovelluksen rakentamaan "makukuvaajaan". Analysoimalla käyttäjien kuitteja kattavasti taustatekoäly voi tunnistaa kuvioita, joita ei näy julkisesti saatavilla olevasta verkkodatasta, johtaen personoituihin muoti- ja muihin suosituksiin.

**Taaksepäin katsominen**

Tekoäly ennustaa ja tunnistaa trendejä menneiden tietojen perusteella, mikä tarkoittaa, ettei se voi nähdä näiden tulojen ulkopuolelle, riippumatta siitä, kuinka kehittynyttä tekniikka tulee. "Tekoäly ei ole erinomainen uutuuden suhteen – ja trendit usein riippuvat uutuudesta", WGSN:n Muston sanoo.

Todellisuudessa ihmisten tyyli ja maku kehittyvät muuttuvien kontekstien ja kulttuuristen muutosten myötä, joita tekoäly ei voi ennakoida. "Trendit ovat erittäin monimutkaisia ja liikkuvat monin eri tavoin", Muston selittää. "Kuinka usein ihmiset ovat sanoneet: 'En ikinä pitäisi XYZ:tä', ja vastustaneet trendiä voimakkaasti menneiden assosiaatioiden vuoksi? Kuitenkin, kun tuo trendi ilmestyy uudessa kontekstissa, siitä tulee yhtäkkiä viehättävä." Jos menneet tiedot viittaavat siihen, että ilme todennäköisesti epäonnistuu, tekoäly ottaa sen nimellisarvona. Ihmiset kuitenkin voivat kyseenalaistaa kontekstin ja tunnistaa, miksi paluu saattaa olla mahdollinen.

Kiinnostus tiettyjä brändejä tai estetiikkoja kohtaan syntyy usein satunnaisista tai tilastollisesti epätodennäköisistä tapahtumista, joita tekoäly ei voi ottaa huomioon, sanoo @DataButMakeItFashionin Madé Lapuerta. Hän mainitsee kiinnostuksen nousun Van Cleef & Arpelsia kohtaan viime marraskuussa, kun Dodgers-pelaaja Miguel Rojas – joka ei edes ollut tarkoitus lyödä – teki pelin muuttavan kunnarin, voittaen World Seriesin. "Koska tekoälyyn perustuvat ennustemallit perustuvat kokonaan menneisiin kuvioihin, ne eivät voi ennakoida tulevaisuutta tai ymmärtää, mikä tulee resonoida."

Tämä on Leen suurin huoli tekoälyn käytössä trendien ennustamiseen tai maun muutosten ennakointiin. "Tapa, jolla tekoäly 'ennustaa' trendejä, ei ole oikeastaan ennustamista – se vain heijastaa sitä, mitä tapahtuu nyt", hän sanoo.

**Inhimillinen etu**

Tämä inhimillinen etu on ratkaiseva. Tekoälyn luottaminen historialliseen... Tiedot osoittavat, että tekoäly voi tunnistaa sisällön perustuen 'mihin', mutta ei 'miksi'. Kuten Muston asian ilmaisee: "Tekoäly voi koodata maun, mutta vain synteettisellä tavalla."

Thompson Ford on samaa mieltä siitä, että se on liian imitatiivista. "On eri asia sanoa: 'Haluan näyttää Ralph Laurenin viime vuoden kokoelmalta' – tekoäly saattaa pystyä siihen. Mutta jos haluan näyttää jonkun tämän vuoden kokoelmalta, jota ei ole edes vielä luotu, epäilen, että tekoäly voi tehdä mitä suunnittelija tekee tai tyylikäs ihminen tekee."

Jopa teknologian optimistit kuten McCune kyseenalaistavat tämän. "Luonteeltaan malleja on koulutettava jostain menneestä", hän selittää. "Ihmiset voivat katsoa eteenpäin ja luoda uusia trendejä ja estetiikkoja. Mallit heijastavat aina mennyttä – uskon, että vain ihmiset voivat todella katsoa tulevaisuuteen."

Asiantuntijat ehdottavat, että ainoa tapa, jolla tekoäly voisi matkia tätä, on jos se saisi tietoisuuden – kiistanalaisen mahdollisuuden – ja sekään ei ole varmaa. McCune lisää: "Uskon, että generatiivinen tekoäly pystyy kehittämään makua ja tyyliä, mutta se on nykyhetken tai menneen makua ja tyyliä. Se ei katso tulevaisuuteen ja luo uusia asioita, jotka tuntuvat trendikkäiltä."

Lee, joka on vähemmän optimistinen tekoälyn suhteen, on samaa mieltä siitä, että sen kykenemättömyys katsoa eteenpäin on merkittävä rajoitus. Hänelle tämä tarkoittaa, että tekoäly – ilman tietoisuutta – ei koskaan kehitä todellista makua tai tyyliä. "Sinun täytyy mennä ulos, nähdä mitä ihmiset pitävät, kuulla mistä he puhuvat, katsoa elokuvia, kuunnella musiikkia, kiinnittää huomiota ajankohtaisiin tapahtumiin ja politiikkaan", Lee sanoo. "Nämä muovaavat muotia ja tyyliä. Kyse ei ole vain vaatteista – vaan kaikesta sinusta ihmisenä. Jos luotat tekoälyyn kertomaan sinulle kuka olet, sinulla ei koskaan ole tyyliä."

Vaikka tekoäly joskus saisi tietoisuuden ja irtautuisi inhimillisestä syötteestä, sillä puuttuisi silti yksi asia: inhimillinen keho. Ilman kehoa, josta toimia ja jota pukea, maun ja tyylin kehittäminen vaikuttaa lähes turhalta. "Yksi asia, jota tekoälyllä ei ole, on keho", Thompson Ford huomauttaa. "On vaikea kuvitella tekoälyn kehittävän intuitiota, joka tulee liikkumisesta maailmassa omassa kehossasi ja vuorovaikutuksesta muiden kanssa – paitsi jälleen imitaation kautta."

Lee on samaa mieltä. "Olen varma, että se paranee, mutta tekoäly ei koskaan tule olemaan ihminen. Joten on mahdotonta, mielestäni, todella ymmärtää maailmantapahtumia ja kuinka ne kääntyvät muodiksi", hän sanoo. "Olen tehnyt tätä kymmenen vuotta, ja toisinaan jopa minä olen väärässä tai jäljessä joistain asioista. Ei ole mitään mahdollisuutta, että robotti olisi koskaan parempi siinä kuin minä."

**Usein Kysytyt Kysymykset**
UKK Voiko tekoäly todella ymmärtää makua

Aloittelijatason kysymykset

1 Mitä tarkoitamme maulla tässä kontekstissa
Tarkoitamme monimutkaista inhimillistä makuelämystä, joka yhdistää hajun, maun, tekstuurin, lämpötilan ja jopa henkilökohtaisen muiston ja tunteen. Se on enemmän kuin pelkkä kemiallinen analyysi.

2 Voiko tekoäly maistaa ruokaa kuten ihminen
Ei, ei inhimillisellä kokemuksellisella tavalla. Tekoälyllä ei ole tietoisuutta tai subjektiivisia tunteita. Se ei voi nauttia ateriasta tai omista henkilökohtaisia mieltymyksiä. Sen sijaan se analysoi dataa mausta.

3 Mitä tekoäly voi siis tehdä maun suhteen
Tekoäly voi käsitellä valtavia määriä dataa – kuten ruoan kemiallisia yhdisteitä, reseptejä, kuluttaja-arvosteluja ja sensoripaneelien tuloksia – ennustaakseen makupohjia, luodakseen uusia reseptiyhdistelmiä, optimoidakseen elintarviketuotteita ja suositellakseen ruokalajeja, joista saatat pitää.

4 Miten tekoäly oppii mausta
Sitä koulutetaan tietoaineistoilla. Esimerkiksi sille voidaan näyttää tuhansia reseptejä, jotka on merkitty makukuvailuilla, tai dataa, joka yhdistää kemialliset rakenteet havaittuihin makuihin. Se löytää kuvioita tästä datasta tehdäkseen ennusteita.

5 Onko tästä oikean maailman esimerkkejä
Kyllä. Yritykset käyttävät tekoälyä kehittääkseen uusia napostelumakuja, luodakseen olutreseptejä tai luodakseen personoituja ravintosuunnitelmia. Esimerkiksi kasvipohjaiset lihayritykset käyttävät tekoälyä analysoidakseen molekyylirakenteita matkiakseen lihan makua ja tekstuuria.

Kehittyneet käytännön kysymykset

6 Mikä on päärajoite, joka estää tekoälyä todella ymmärtämästä makua
Tietoisuuden ja kvalian vaikea ongelma. Maku on subjektiivinen ensimmäisen persoonan kokemus. Tekoäly voi korreloida dataa, mutta se ei voi kokea makeuden tunnetta tai nostalgian tunnetta, jonka maku herättää. Siltä puuttuu ruumiillistunut subjektiivinen tietoisuus.

7 Voiko tekoäly ottaa huomioon kulttuuriset ja henkilökohtaiset erot maun suhteen
Se voi yrittää, mutta se on haaste. Kouluttamalla monipuolisilla, kulttuurisesti spesifeillä tietoaineistoilla tekoäly voi oppia yleisiä mieltymyksiä ryhmien sisällä. Kuitenkin yksilön suosikkiruuan taustalla olevan syvän henkilökohtaisen emotionaalisen ja kulttuurisen kontekstin kaappaaminen on erittäin vaikeaa.

8 Mitä hyötyjä on tekoälyn käytöstä elintarviketieteessä ja -kehityksessä