Data Driven Double IPA

Cerveja orientada por dados?

Produzir uma cerveja orientada por dados? Isto provavelmente levanta uma série de questões. A cerveja é produzida por computadores? Será sequer bebível? Produzir cerveja exige conhecimento e mestria artesanal — não deveríamos deixar isso aos cervejeiros?

Não se preocupe. Pegue numa bebida: neste artigo, falamos da cerveja criada em colaboração entre a Uiltje Brewing Company e a Data Science Lab. Damos-lhe a conhecer o processo e o mistério em torno da expressão ‘orientado por dados’.

Enquanto empresa jovem e inovadora, encontrámos de imediato na Uiltje um parceiro com a mesma forma de pensar. Produzir uma cerveja com base em dados — que ideia interessante! É um projeto que se enquadra bem no nosso Lab. Mas como surge uma ideia destas? Não surpreenderá ninguém saber que tudo começou numa sexta-feira à tarde. Não poderíamos fazer algo com dados e cerveja? O que se seguiu é fácil de perceber… Quem não arrisca não petisca.

É uma boa ideia, mas como vamos concretizá-la? Em qualquer projeto de dados, quer o resultado seja um dashboard ou um modelo de deep learning, a fundação são os dados. Até aqui, nada de surpreendente. Mas de que dados precisamos? Como os obtemos? E, talvez mais importante, o que queremos exatamente fazer com eles? Primeiro, temos de perguntar: como é normalmente criada uma cerveja?

Para obter uma boa resposta, falámos com Marko Mihalić, responsável pela produção de cerveja na Uiltje:

“A Uiltje tem, naturalmente, a linha Fresh & Fast, com uma cerveja nova entregue a cada 2 semanas. Isso significa que fazemos uma cerveja nova a cada 2 semanas. Variamos o estilo: numa semana, uma DIPA e, 2 semanas depois, por exemplo, uma Session IPA. Assim, criamos variedade nas cervejas que lançamos. Para isso, inspiramo-nos, entre outras coisas, nas variedades de lúpulo disponíveis e na sua qualidade. O lúpulo é como a uva no vinho: a mesma variedade de lúpulo tem um sabor ligeiramente diferente todos os anos. Além disso, fazemos muitos testes no nosso próprio laboratório com diferentes combinações de lúpulo para chegar a novos sabores. Estão também sempre a surgir novas variedades de lúpulo dos EUA com as quais podemos trabalhar. No nosso laboratório, produzimos lotes experimentais de 20 – 25L e testamos ideias até chegarmos a receitas para novas cervejas”

É claro que fazer cerveja é um ofício. Como em quase todos os setores, os dados podem ser um apoio valioso. Podem revelar relações que as pessoas dificilmente identificariam por si mesmas. Cabe depois a quem os utiliza agir com base nos resultados. Afinal, os computadores não conseguem interpretar dados. É com isto em mente que iniciamos este projeto. No fim, serão os cervejeiros a trabalhar com o resultado. São, por isso, o ponto de partida lógico. Que contributos dos dados seriam úteis para começarem? Como poderiam, com a nossa ajuda, produzir uma cerveja orientada por dados? E como encaram, enquanto cervejaria, a utilização de dados? Fizemos estas e muitas outras perguntas aos cervejeiros da Uiltje. As respostas foram as seguintes:

Marko: “Um perfil de sabores seria o ponto de partida perfeito para desenvolvermos uma receita e uma cerveja. Se os dados e o algoritmo nos fornecerem um conjunto de características de um estilo específico de cerveja, podemos avançar a partir daí. Usar dados desta forma para desenvolver uma receita é uma novidade para nós. Os dados são cada vez mais utilizados no marketing e nas vendas, tal como acontece noutras empresas comerciais. Mas isso ainda não se verifica no desenvolvimento de uma nova receita e de uma nova cerveja. O nosso ‘brew kit’ é bastante manual. Temos computadores que regulam o arrefecimento da cerveja em produção, e as bombas também são controladas por computadores. Queremos automatizar mais algumas etapas, por exemplo a mosturação. Esta ambição enquadra-se no contexto de uma cervejaria artesanal. A produção artesanal consiste sobretudo em trabalhar com um produto vivo, a cerveja em produção, sem extratos estranhos, sem extratos de lúpulo e sem pasteurização”

Muito bem. Como profissionais de data science, sabemos o que temos de fazer: recolher dados! Estamos em terreno familiar. Precisamos de dados de avaliações: opiniões reais de consumidores sobre cerveja. Apesar de termos um bar no escritório, os nossos próprios dados a este respeito ainda são bastante limitados. Isso não tem de ser um problema; a falta de dados adequados é frequente. Felizmente, vivemos no século XXI e há quase sempre fontes de dados externas disponíveis, também neste caso. As pessoas deixam avaliações online sobre todo o tipo de coisas, incluindo cerveja. Existem até sites, aplicações e fóruns criados para esse efeito. Perfeito! O web scraping é uma técnica que recolhe informação de páginas web para criar um conjunto de dados. Assim, é fácil reunir um conjunto de dados externo a partir de dados disponibilizados publicamente. Neste artigo, vamos manter as coisas simples. Temos dados — e agora?

Agora temos as avaliações: muitas opiniões sobre vários estilos de cerveja. Quanto gostaram da cerveja? Que sabores identificaram? De que estilo de cerveja se trata? Qual era o teor alcoólico? Disseram mais alguma coisa digna de nota? Há muita informação para organizar. Procuramos a combinação ideal de características de um estilo de cerveja específico. Algumas informações estão praticamente prontas a usar, como os teores alcoólicos e os estilos de cerveja. Mas não é imediatamente claro o que, exatamente, as pessoas apreciaram. Que combinações de sabores lhes agradam? Para compreender melhor esta questão, utilizámos Natural Language Processing, ou NLP.

Os métodos de NLP permitem extrair informação valiosa de textos. Assim, podemos associar sabores e palavras-chave a uma avaliação. Até aqui, tudo bem. Alguém pode identificar notas de citrinos, erva & cremosidade numa IPA, mas como chegam esses sabores à cerveja? Que ingredientes dão origem a que sabores? Como consegue a Uiltje fazê-lo?

Marko: “Os aromas libertados durante a produção de uma cerveja podem ter várias origens. Cada variedade de lúpulo tem o seu sabor próprio. O lúpulo ‘Columbus’, por exemplo, confere um sabor herbáceo, enquanto algumas variedades de levedura produzem um sabor ‘hazy’. Produzimos várias cervejas com notas frutadas. Sabores como o de ananás não podem ser obtidos diretamente do lúpulo ou da levedura, pelo que adicionamos regularmente purés de fruta à cerveja durante a produção. Os óleos de lúpulo & o dry hopping permitem acrescentar outros sabores. Além do lúpulo, o malte é, naturalmente, um ingrediente da cerveja. Sabores como o de chocolate e o de café vêm do malte. A maturação da cerveja em barris, a chamada ‘cerveja envelhecida em barril’, pode conferir-lhe outros sabores distintos, provenientes da madeira ou da bebida que o barril continha anteriormente.”

Há tantas formas de dar sabor à cerveja! Não admira que a cerveja artesanal tenha crescido tanto nos últimos anos. Vemos frequentemente projetos de data science nestes ‘mercados em crescimento’, onde ainda há muitas oportunidades de desenvolvimento. É um bom sinal para este projeto! O que vem a seguir? A modelação! Vamos criar um modelo de regressão a partir deste conjunto de dados para encontrar um conjunto ideal de características. São as características da cerveja ideal. Pode ler como abordámos a parte técnica no próximo artigo do blogue! Referimo-nos a características como a percentagem de álcool, o IBU (amargor proveniente do lúpulo), o aroma, a sensação na boca e, claro, a combinação de sabores. Com este modelo de regressão, chegámos a um conjunto ideal de cervejas de um determinado estilo. Mais precisamente, o modelo mostra-nos as proporções que permitem obter a melhor combinação possível de sabores. Vamos transmitir estas proporções à Uiltje.  Os cervejeiros podem começar a trabalhar, e nós mal podemos esperar.