AI ಈಗಾಗಲೇ ಸುಗಂಧ ದ್ರವ್ಯಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಮತ್ತು ಮರುರೂಪಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಮತ್ತು 2025 ರಲ್ಲಿ ಇದು ಪ್ರಾಯೋಗಿಕ ಪ್ರಯೋಗಾಲಯಗಳಿಂದ ಮುಖ್ಯವಾಹಿನಿಯ ಬ್ರ್ಯಾಂಡ್ ಕೆಲಸದ ಹರಿವುಗಳಿಗೆ ಚಲಿಸುತ್ತಿದೆ, ಬ್ರೀಫ್‌ಗಳನ್ನು ವೇಗಗೊಳಿಸುತ್ತಿದೆ, ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತಿದೆ ಮತ್ತು ಮಾನವ ಸುಗಂಧ ದ್ರವ್ಯ ತಯಾರಕರು ನಂತರ ಸಿದ್ಧಪಡಿಸಿದ ಪರಿಮಳಗಳಾಗಿ ಪರಿಷ್ಕರಿಸುವ ಕಾದಂಬರಿ ಒಪ್ಪಂದಗಳಿಗಾಗಿ "ಬಿಳಿ ಸ್ಥಳಗಳನ್ನು" ತೆರೆಯುತ್ತಿದೆ.

ಪರಿಚಯ

2025 ರಲ್ಲಿ, ಸುಗಂಧ ದ್ರವ್ಯದ ಮೇಲೆ AI ಯ ಪ್ರಭಾವವು ಪ್ರಾಯೋಗಿಕವಾಗಿದೆ: ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಅಭಿವೃದ್ಧಿ ಚಕ್ರಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ನಿಯಂತ್ರಕ ಮತ್ತು ವೆಚ್ಚ ನಿರ್ಬಂಧಗಳ ಅಡಿಯಲ್ಲಿ ಘಟಕಾಂಶದ ಆಯ್ಕೆಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ ಮತ್ತು ಮೊದಲ ಪ್ರಯೋಗಾಲಯ ಸಂಯುಕ್ತವು ಸಂಭವಿಸುವ ಮೊದಲು ಗ್ರಾಹಕರ ಸಾಮ್ಯತೆಯನ್ನು ಊಹಿಸುತ್ತದೆ. ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳು ಮತ್ತು ಮೇಜರ್‌ಗಳು ವಾಸನೆಯ ಭಾಗಗಳನ್ನು ಡಿಜಿಟಲೀಕರಣಗೊಳಿಸುತ್ತಿವೆ - ಬಾಷ್ಪಶೀಲ ಅಣುಗಳನ್ನು ಓದುವುದು, ವಾಸನೆಯ ಸ್ಥಳವನ್ನು ಮ್ಯಾಪಿಂಗ್ ಮಾಡುವುದು ಮತ್ತು ಹೊಸ ಸೂತ್ರಗಳನ್ನು "ಬರೆಯುವುದು" - ಇದು ಸುಗಂಧ ದ್ರವ್ಯವನ್ನು ಪ್ರಯೋಗ-ಮತ್ತು-ದೋಷದಿಂದ ಡೇಟಾ-ನಿರ್ದೇಶಿತ ಸೃಷ್ಟಿಗೆ ಬದಲಾಯಿಸುತ್ತದೆ ಮತ್ತು ಸುಗಂಧ ದ್ರವ್ಯ ತಯಾರಕರ ಕೈಯನ್ನು ಕೇಂದ್ರವಾಗಿರಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಜಾಗತಿಕ ಸುಗಂಧ ದ್ರವ್ಯ ಮತ್ತು ಪರಿಮಳ ಮಾರುಕಟ್ಟೆ ಮಾರುಕಟ್ಟೆಗಳು ಬೆಳೆಯುತ್ತಿರುವುದರಿಂದ, ಗ್ರಾಹಕರ ಆದ್ಯತೆಗಳು ವಿಭಜನೆಯಾಗುತ್ತಿವೆ ಮತ್ತು ಸುಸ್ಥಿರತೆಯ ಒತ್ತಡಗಳು ಚುರುಕಾದ ಘಟಕಾಂಶ ಬಳಕೆ ಮತ್ತು ಪ್ರಮಾಣದಲ್ಲಿ ವೇಗವಾದ ಸುಧಾರಣೆಯನ್ನು ಬಯಸುತ್ತವೆ.

ಹಿನ್ನೆಲೆ

ಸುಗಂಧ ದ್ರವ್ಯ ಮಾರುಕಟ್ಟೆಯು 2025 ರಲ್ಲಿ ಸುಮಾರು USD 76.7 ಶತಕೋಟಿ ಮೌಲ್ಯದ್ದಾಗಿದ್ದು, 2030 ರ ವೇಳೆಗೆ CAGR ನಲ್ಲಿ USD 112.5 ಶತಕೋಟಿ ತಲುಪುವ ನಿರೀಕ್ಷೆಯಿದೆ - ಇದು ಪ್ರಕ್ರಿಯೆ ಯಾಂತ್ರೀಕರಣ ಮತ್ತು AI ವೃದ್ಧಿಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಬೇಡಿಕೆಯನ್ನು ಪೂರೈಸಲು ಪ್ರೋತ್ಸಾಹಿಸುವ ಟೈಲ್‌ವಿಂಡ್‌ಗಳಾಗಿವೆ. ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರ, ಆತಿಥ್ಯ ಮತ್ತು ಆಟೋಮೋಟಿವ್‌ನಲ್ಲಿ ಸುತ್ತುವರಿದ ಸುಗಂಧವನ್ನು ಬಳಸಿಕೊಂಡು ಸೆಂಟ್ ಮಾರ್ಕೆಟಿಂಗ್ 2024 ರಲ್ಲಿ ಸುಮಾರು USD 1.5 ಶತಕೋಟಿ ಆಗಿತ್ತು ಮತ್ತು 2033 ರ ವೇಳೆಗೆ USD 3.2 ಶತಕೋಟಿ ತಲುಪುವ ನಿರೀಕ್ಷೆಯಿದೆ, AI ಸ್ಥಳಗಳು ಮತ್ತು ಪ್ರೇಕ್ಷಕರಲ್ಲಿ ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ, ಡೇಟಾ-ಚಾಲಿತ ನಿಯೋಜನೆಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ. ತಂತ್ರಜ್ಞಾನದ ಭಾಗದಲ್ಲಿ, ಉದ್ಯಮದ ನಾಯಕರು ಕಳೆದ ಕೆಲವು ವರ್ಷಗಳಿಂದ AI ಪರಿಕರಗಳನ್ನು ಪ್ರಾರಂಭಿಸಿದರು - ಸಂವಾದಾತ್ಮಕ ಸೂತ್ರ ವಿನ್ಯಾಸಕ್ಕಾಗಿ ಗಿವಾಡನ್‌ನ ಕಾರ್ಟೊ, ಉತ್ಪಾದಕ ಸೂತ್ರಗಳು ಮತ್ತು ಸುಧಾರಣೆಗಾಗಿ ಸಿಮ್ರೈಸ್/ಐಬಿಎಂನ ಫಿಲಿರಾ, ಮತ್ತು ಓಸ್ಮೋ ನೇತೃತ್ವದ ಹೊಸ ಅಲೆ - ಸುಗಂಧ ದ್ರವ್ಯದಲ್ಲಿ AI ಅನ್ನು ಪೈಲಟ್‌ನಿಂದ ಉತ್ಪಾದನೆಗೆ ಸ್ಥಳಾಂತರಿಸುವುದು.

AI ಸುಗಂಧ ದ್ರವ್ಯಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುತ್ತದೆ

AI ಮಾದರಿಗಳು ದೊಡ್ಡ ಘಟಕಾಂಶ ಗ್ರಂಥಾಲಯಗಳು, ಐತಿಹಾಸಿಕ ಸೂತ್ರಗಳು, ಪ್ರದೇಶ ಮತ್ತು ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಪ್ರಕಾರ ಮಾರಾಟ ಕಾರ್ಯಕ್ಷಮತೆ, ವೆಚ್ಚ ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಗುರಿ ಅನ್ವಯಿಕೆಗಳು (ಉತ್ತಮ ಸುಗಂಧ vs. ಮಾರ್ಜಕ) ದೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತವೆ, ನಂತರ ಸಂಕ್ಷಿಪ್ತತೆಯನ್ನು ಪೂರೈಸುವ ಅಭ್ಯರ್ಥಿ ಸೂತ್ರಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ. ಫಿಲಿರಾ ನಂತಹ ವ್ಯವಸ್ಥೆಗಳು "ಬಿಳಿ ಸ್ಥಳಗಳನ್ನು" ಹುಡುಕುತ್ತವೆ - ಹಿಂದೆ ಬಳಸದ ಸಂಯೋಜನೆಗಳು - ನಂತರ ಸುಗಂಧ ದ್ರವ್ಯದ ಟ್ವೀಕ್‌ಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತವೆ, ಕೆಲವೊಮ್ಮೆ ಟ್ರೆಂಡಿಂಗ್ ಟಿಪ್ಪಣಿಗಳನ್ನು (ಉದಾ. ಶ್ರೀಗಂಧದ ಮರ) ಡಯಲ್ ಮಾಡುವ ಮೂಲಕ ಅಥವಾ ಪ್ರಸ್ತುತ ಅಭಿರುಚಿಯನ್ನು ಪೂರೈಸಲು ಪೂರಕ ಮರಗಳನ್ನು (ಉದಾ. ದೇವದಾರು ಮರ) ಸೇರಿಸುವ ಮೂಲಕ ಕ್ಲಾಸಿಕ್‌ಗಳನ್ನು ಆಧುನೀಕರಿಸುತ್ತವೆ. ಟೂಲ್‌ಚೈನ್ ಕಲ್ಪನೆಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಪುನರಾವರ್ತಿತ ಪುನರಾವರ್ತನೆಯನ್ನು ಕಡಿತಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ತ್ವರಿತ ಮಾದರಿ ರೋಬೋಟ್‌ಗಳು ಮತ್ತು ಸಂವಾದಾತ್ಮಕ ಇಂಟರ್ಫೇಸ್‌ಗಳು (ಉದಾ. ಕಾರ್ಟೊ) ಅಲ್ಗಾರಿದಮ್‌ನಿಂದ ಬ್ಲಾಟರ್‌ಗೆ ಲೂಪ್ ಅನ್ನು ತ್ವರಿತವಾಗಿ ಮುಚ್ಚುತ್ತವೆ.

ಮಾನವ ಸುಗಂಧ ದ್ರವ್ಯ vs. ಅಲ್ಗಾರಿದಮ್

ಸುಗಂಧ ದ್ರವ್ಯವು ಸೃಜನಶೀಲ ನಾಯಕ ಮತ್ತು ಅಂತಿಮ ಸಂಪಾದಕನಾಗಿ ಉಳಿದಿದೆ; AI ಸ್ಕೌಟ್, ಆಪ್ಟಿಮೈಜರ್ ಮತ್ತು ಸಿಮ್ಯುಲೇಟರ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಕಾರ್ಟೊದ ವಿನ್ಯಾಸಕರು ಸುಗಂಧ ದ್ರವ್ಯದ ಪಾತ್ರವು "ಕೇಂದ್ರದಲ್ಲಿ" ಉಳಿಯುತ್ತದೆ ಎಂದು ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳುತ್ತಾರೆ, AI ದಿನನಿತ್ಯದ ಕಾರ್ಯಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಕರ್ತೃತ್ವವನ್ನು ಬದಲಿಸುವ ಬದಲು ಪ್ರಯೋಗ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಅನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಸುಗಂಧ ದ್ರವ್ಯ ತಯಾರಕರು ಅಸಾಮಾನ್ಯ ಜೋಡಿಗಳನ್ನು ವೇಗವಾಗಿ ಪರೀಕ್ಷಿಸಲು AI ಸಲಹೆಗಳನ್ನು ಬಳಸುತ್ತಾರೆ, ಲಭ್ಯವಿರುವಾಗ ನರವೈಜ್ಞಾನಿಕ ಗ್ರಾಹಕ ಒಳನೋಟ ಪದರಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತಾರೆ ಮತ್ತು ಬ್ರ್ಯಾಂಡ್ ನಿರೂಪಣೆ ಮತ್ತು IFRA ನಿರ್ಬಂಧಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಒಪ್ಪಂದಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತಾರೆ.

ವೇಗ, ವೆಚ್ಚ ಮತ್ತು ಮಾರುಕಟ್ಟೆಗೆ ಸಮಯ

ಕೇಸ್ ಅನುಷ್ಠಾನಗಳು AI ಅನ್ನು ವಿನ್ಯಾಸ, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಸುಧಾರಣೆ ಚಕ್ರಗಳಲ್ಲಿ ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಮಾರುಕಟ್ಟೆಗೆ ಸಮಯ 50% ವರೆಗಿನ ಕಡಿತವನ್ನು ವರದಿ ಮಾಡುತ್ತವೆ, ಸಂಕ್ಷಿಪ್ತ ಮಾಹಿತಿ ಮತ್ತು ನಿಯಂತ್ರಕ ಅಥವಾ ಪೂರೈಕೆ ಆಘಾತಗಳಿಗೆ ವೇಗವಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತವೆ. ದೊಡ್ಡ ಗ್ರಾಹಕ ಸರಕುಗಳ ಪೋರ್ಟ್‌ಫೋಲಿಯೊಗಳಿಗಾಗಿ, AI ಸುಧಾರಣೆ ಎಂಜಿನ್‌ಗಳು ಬೆಲೆ, ಲಭ್ಯತೆ ಮತ್ತು ನಿಯಂತ್ರಣಕ್ಕೆ ಒಳಪಟ್ಟು ಹತ್ತಿರದ ನೆರೆಹೊರೆಯ ಬದಲಿಗಳೊಂದಿಗೆ ನಿರ್ಬಂಧಿತ ಅಣುಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು, ಪ್ರಮಾಣದಲ್ಲಿ ಘ್ರಾಣ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ಸಂರಕ್ಷಿಸಬಹುದು. ಪೋರ್ಟ್‌ಫೋಲಿಯೊಗಳು SKU ಗಳು ಮತ್ತು ಪ್ರದೇಶಗಳಲ್ಲಿ ಸುಗಂಧ ದ್ರವ್ಯಗಳನ್ನು ಸಮನ್ವಯಗೊಳಿಸಬೇಕು ಮತ್ತು ಪದಾರ್ಥಗಳು ಮತ್ತು ಅನುಸರಣೆ ಪಟ್ಟಿಗಳು ಆಗಾಗ್ಗೆ ಬದಲಾಗುತ್ತವೆ ಎಂಬ ಕಾರಣದಿಂದಾಗಿ ಈ ಲಾಭಗಳು ವಸ್ತುವಾಗಿವೆ.

ವೈಯಕ್ತೀಕರಣ ಮತ್ತು ವಿಭಜನೆ

ದಶಕಗಳ ಸ್ವಾಮ್ಯದ ಗ್ರಾಹಕ ಆದ್ಯತೆಯ ಡೇಟಾದೊಂದಿಗೆ, ಮನೆಗಳು ನಿರ್ದಿಷ್ಟ ಜನಸಂಖ್ಯಾ ಪ್ರೊಫೈಲ್‌ಗಳು ಮತ್ತು ಮಾರುಕಟ್ಟೆಗಳಿಗೆ ಯಾವ ಪರಿಮಳ ಕುಟುಂಬಗಳು ಪ್ರತಿಧ್ವನಿಸುತ್ತವೆ ಎಂದು ಊಹಿಸಬಹುದು, "ತಾಜಾ" ಅಥವಾ "ಗ್ಲೇಶಿಯಲ್" ನಂತಹ ಅಸ್ಪಷ್ಟ ಭಾಷೆಯನ್ನು ಘಟಕಾಂಶದ ಆಯ್ಕೆಗಳಾಗಿ ಭಾಷಾಂತರಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಬಹುದು. ಇದು ಬೂಟೀಕ್ ಕ್ಲೈಂಟ್ ಅನುಭವಗಳಿಂದ ಹಿಡಿದು ಪ್ರದೇಶ ಮತ್ತು ಬಳಕೆಯ-ಪ್ರಕರಣದ ಆಧಾರದ ಮೇಲೆ (ಉದಾ., ಬಾಡಿ ಸ್ಪ್ರೇ vs. ಲಾಂಡ್ರಿ) ಸಾಮೂಹಿಕ-ಮಾರುಕಟ್ಟೆ ರೂಪಾಂತರಗಳವರೆಗೆ ವೈಯಕ್ತೀಕರಣವನ್ನು ಹೆಚ್ಚು ಕಾರ್ಯಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ, ಪೈಪ್‌ಲೈನ್‌ನಲ್ಲಿ ಮೊದಲೇ ಇಷ್ಟವಾಗುವ ಸ್ಕೋರ್‌ಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ. ಪರಿಮಳ ಮಾರುಕಟ್ಟೆ ಬೆಳೆದಂತೆ, ಭೌತಿಕ ಸ್ಥಳಗಳಲ್ಲಿ ಪಾದಚಾರಿ ಸಂಚಾರ ಮಾದರಿಗಳು ಮತ್ತು ಬ್ರ್ಯಾಂಡ್ ಗುರಿಗಳಿಗೆ ಜೋಡಿಸಲಾದ ಸುತ್ತುವರಿದ ನಿಯೋಜನೆಗಳನ್ನು AI ಸಹ ಬೆಂಬಲಿಸುತ್ತದೆ.

ಸುಸ್ಥಿರತೆ ಮತ್ತು ಅನುಸರಣೆ

ಸುಸ್ಥಿರ ವಸ್ತುಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡುವ ಮೂಲಕ ಮತ್ತು ಜೈವಿಕ-ಆಧಾರಿತ ಅನಲಾಗ್‌ಗಳನ್ನು ವಿರಳ ನೈಸರ್ಗಿಕ ವಸ್ತುಗಳಿಗೆ (ಉದಾ., ಹುದುಗುವಿಕೆಯ ಮೂಲಕ ಶ್ರೀಗಂಧದ ಅಣುಗಳು) ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮೂಲಕ, ಪರಿಸರ ವ್ಯವಸ್ಥೆಗಳ ಮೇಲಿನ ಒತ್ತಡವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ ನವೀಕರಣ ಮತ್ತು ಜೈವಿಕ ವಿಘಟನೀಯತೆಯ ಸ್ಕೋರ್‌ಗಳನ್ನು ಹೆಚ್ಚಿಸಲು AI ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಸುಧಾರಣಾ ಪರಿಕರಗಳು ಘ್ರಾಣ "ಸಹಿ"ಯನ್ನು ಹಾಗೆಯೇ ಇರಿಸಿಕೊಂಡು ನಿರ್ಬಂಧಿತ ಅಣುಗಳನ್ನು ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳಲು IFRA ಮತ್ತು ಸ್ಥಳೀಯ ನಿಯಮಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡುತ್ತವೆ, ವಿಫಲವಾದ ಪ್ರಯೋಗಗಳಿಂದ ತ್ಯಾಜ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಅಪಾಯಗಳನ್ನು ಮರುಪಡೆಯುತ್ತವೆ. ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ರಾಜಿ ಮಾಡಿಕೊಳ್ಳದೆ ಕಡಿಮೆ-ಪರಿಣಾಮದ ಸುಗಂಧ ಆಯ್ಕೆಗಳಿಗಾಗಿ ಬ್ರ್ಯಾಂಡ್ ಬದ್ಧತೆಗಳು ಮತ್ತು ಗ್ರಾಹಕರ ನಿರೀಕ್ಷೆಗಳೊಂದಿಗೆ ಇದು ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ.

 ಡಿಜಿಟಲ್ ಮೂಗುಗಳು ಮತ್ತು ವಾಸನೆ ಮ್ಯಾಪಿಂಗ್

ಸೂತ್ರೀಕರಣದ ಹೊರತಾಗಿ, ಆರಿಬಲ್ಲೆಯ ನಿಯೋಸ್‌ನಂತಹ “ಡಿಜಿಟಲ್ ಮೂಗು” ಸಂವೇದಕಗಳು ವಾಸನೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ವರ್ಗೀಕರಿಸಲು ಸಿಲಿಕಾನ್ ಫೋಟೊನಿಕ್ಸ್ ಮತ್ತು ಸಂವೇದಕ ಶ್ರೇಣಿಗಳನ್ನು ಬಳಸುತ್ತವೆ, QA, R&D ಮತ್ತು ಮಾಲೋಡೋರ್ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ಪ್ರಮಾಣೀಕೃತ ವಾಸನೆ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ. ಈ ಸಾಧನಗಳು ಸ್ಥಿರವಾದ ಬ್ಯಾಚ್ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಉತ್ಪಾದನೆಯಲ್ಲಿ ವೇಗವಾದ ದೋಷನಿವಾರಣೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ, ವಸ್ತುನಿಷ್ಠ ಸಂಕೇತಗಳು ಮತ್ತು ಮೋಡದ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ಸುಗಂಧ ದ್ರವ್ಯ ಫಲಕಗಳನ್ನು ಪೂರೈಸುತ್ತವೆ. AI ವಾಸನೆ ನಕ್ಷೆಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಲ್ಪಟ್ಟ ಅವು ಭೌತಿಕ ವಾಸನೆಗಳನ್ನು ಯಂತ್ರ-ಓದಬಲ್ಲ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಸೇತುವೆ ಮಾಡುತ್ತವೆ, ಭವಿಷ್ಯ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಸುಧಾರಿಸುತ್ತವೆ.

ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಹೊಸ ವಾಸನೆಗಳನ್ನು "ಆವಿಷ್ಕರಿಸಬಹುದೇ"?

ಓಸ್ಮೊದಂತಹ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳು ಆಣ್ವಿಕ ರಚನೆಯಿಂದ ವಾಸನೆಯನ್ನು ಊಹಿಸಲು ಮತ್ತು ನಂತರ ಹೊಸ ಸುಗಂಧ ಪದಾರ್ಥಗಳನ್ನು "ಬರೆಯಲು" AI "ಪ್ರಾಥಮಿಕ ವಾಸನೆ ನಕ್ಷೆ"ಯನ್ನು ನಿರ್ಮಿಸುತ್ತಿವೆ, ಇದು ಪ್ರಸ್ತುತ ಕ್ಯಾಟಲಾಗ್‌ಗಳಲ್ಲಿಲ್ಲದ ನವೀನ ಸುವಾಸನೆಯ ಅಣುಗಳಿಗೆ ಮಾರ್ಗವಾಗಿದೆ. ಆರಂಭಿಕ ಅಧ್ಯಯನಗಳು 5,000-ಅಣು ಬೀಜ ಸೆಟ್ ಜೊತೆಗೆ 400 ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಅಣುಗಳಲ್ಲಿ ಸುಮಾರು ಅರ್ಧದಷ್ಟು ಸಮಯ ತರಬೇತಿ ಪಡೆದ ಫಲಕ ವಿವರಣೆಗಳೊಂದಿಗೆ ಜೋಡಿಸಲಾದ ಯಂತ್ರ ಮುನ್ಸೂಚನೆಗಳನ್ನು ತೋರಿಸಿವೆ, ಇದು ಮುನ್ಸೂಚಕ ಸಂಕೇತ ಮತ್ತು ಹೆಚ್ಚಿನ ಡೇಟಾದೊಂದಿಗೆ ಸುಧಾರಣೆಗೆ ಅವಕಾಶವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಐಸೋಮರ್ ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಸಂದರ್ಭ ಪರಿಣಾಮಗಳು ಇನ್ನೂ ಮಾದರಿಗಳನ್ನು ಸವಾಲು ಮಾಡುತ್ತಿದ್ದರೂ, ಮಾನವ ಸಂಯೋಜನೆ ಕೌಶಲ್ಯಗಳ ಮೇಲೆ ಪದರಗಳನ್ನು ಹೊಂದಿರುವ ನಿಜವಾದ ಘಟಕಾಂಶದ ಅನ್ವೇಷಣೆಯ ಕಡೆಗೆ ನಿರ್ದೇಶನವು ತೋರಿಸುತ್ತದೆ.

ಎಂಟರ್‌ಪ್ರೈಸ್ ಅಳವಡಿಕೆ ಮತ್ತು ಪರಿಕರಗಳ ಸಂಗ್ರಹ

  • ಜನರೇಟಿವ್ ವಿನ್ಯಾಸ: ಸುಸ್ಥಿರ-ಅರಿವುಳ್ಳ ಸೃಜನಶೀಲ ಪ್ರಸ್ತಾವನೆಗಳು ಮತ್ತು ಕ್ಲಾಸಿಕ್‌ಗಳ ಆಧುನೀಕರಣಕ್ಕಾಗಿ ಫಿಲಿರಾ 2.0, ಇದನ್ನು 2018 ರಿಂದ ಬೊಟಿಕಾರಿಯೊ ಮತ್ತು ಇತರರು ವಾಣಿಜ್ಯ ಬಿಡುಗಡೆಗಳೊಂದಿಗೆ ಬಳಸುತ್ತಿದ್ದಾರೆ.
  • ಸಂವಾದಾತ್ಮಕ ಸೃಷ್ಟಿ: ವಾಸನೆ ಮೌಲ್ಯ ನಕ್ಷೆಯೊಂದಿಗೆ ಗಿವಾಡನ್‌ನ ಕಾರ್ಟೊ ಮತ್ತು ಜಾಗತಿಕವಾಗಿ ಸೃಷ್ಟಿ ಕೇಂದ್ರಗಳಲ್ಲಿ ಹುದುಗಿರುವ ತ್ವರಿತ ಮಾದರಿ ರೋಬೋಟ್‌ಗಳು.
  • ಪ್ರಮಾಣದಲ್ಲಿ ಸುಧಾರಣೆ: ಗ್ರಾಹಕ ಉತ್ಪನ್ನಗಳಲ್ಲಿ ದುರ್ವಾಸನೆ ನಿಯಂತ್ರಣ ಮತ್ತು ವಿನ್ಯಾಸ ವೇಗವರ್ಧನೆಗಾಗಿ ಪಿ & ಜಿ ಆಯ್ಕೆ ಮಾಡಿದ ಮೂಡಿಫೈ (ಮರು) ಸೂತ್ರೀಕರಣ ಮತ್ತು ಮೂಡಿಫೈ ವೈಟ್.
  • ಕಾರ್ಯತಂತ್ರ ಮತ್ತು ಏಕೀಕರಣ: ಡಿಎಸ್‌ಎಂ-ಫರ್ಮೆನಿಚ್ ಪ್ರಮಾಣದಲ್ಲಿ ಎಂಎಲ್ ಮಾದರಿಗಳು ಸಹ-ಪೈಲಟ್ ಸೂತ್ರೀಕರಣ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ಮಾಡಿದಾಗ AI ಸಲಹಾ ಸಂಸ್ಥೆಗಳು ಹೆಚ್ಚಿನ ನವೀನತೆ, ವೇಗವಾದ ಕ್ಲೈಂಟ್ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ಬಲವಾದ ಗ್ರಾಹಕ ರೇಟಿಂಗ್‌ಗಳನ್ನು ವರದಿ ಮಾಡುತ್ತವೆ.

ಬ್ರ್ಯಾಂಡ್‌ಗಳಿಗೆ ಪ್ರಾಯೋಗಿಕ ಪ್ಲೇಬುಕ್

  • ಸುಧಾರಣೆಯೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ: ಹೊಂದಾಣಿಕೆಯ ಹೋಲಿಕೆಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುವಾಗ ನಿರ್ಬಂಧಿತ ಅಥವಾ ಬಾಷ್ಪಶೀಲ-ವೆಚ್ಚದ ಪದಾರ್ಥಗಳನ್ನು ಬದಲಿಸಲು AI ಅನ್ನು ಅನ್ವಯಿಸಿ; ಫಲಕ ಮತ್ತು ಗ್ರಾಹಕ ಡೆಲ್ಟಾಗಳನ್ನು ಅಳೆಯಿರಿ.
  • ಸಂವಾದಾತ್ಮಕ ವಿನ್ಯಾಸವನ್ನು ಸೇರಿಸಿ: ಐಡಿಯೇಶನ್ ಥ್ರೋಪುಟ್ ಅನ್ನು ವಿಸ್ತರಿಸಲು ಮತ್ತು ರೋಬೋಟೈಸ್ಡ್ ಇನ್ಸ್ಟೆಂಟ್ ಪ್ರಯೋಗಗಳೊಂದಿಗೆ ಮಾದರಿ ವಿಳಂಬವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಕಾರ್ಟೊದಂತಹ ಪರಿಕರಗಳನ್ನು ನಿಯೋಜಿಸಿ.
  • QA ನಲ್ಲಿ ಡಿಜಿಟಲ್ ಮೂಗುಗಳನ್ನು ಬಳಸಿ: ವಾಸನೆ ಪರಿಶೀಲನೆಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಮತ್ತು ಆಂತರಿಕ ವಾಸನೆ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು NeOse ನಂತಹ ಸಾಧನಗಳೊಂದಿಗೆ ಉಪಕರಣ ನಿರ್ಣಾಯಕ ರೇಖೆಗಳು.
  • ಪೈಲಟ್ ಜನಸಂಖ್ಯಾ ಮಾದರಿಗಳು: ಪ್ರದೇಶ ಮತ್ತು ವಯಸ್ಸಿನ ವಿಭಾಗಗಳಿಗೆ ಸಂಕ್ಷಿಪ್ತ ವಿವರಣೆಗಳನ್ನು ಟ್ಯೂನ್ ಮಾಡಲು ಐತಿಹಾಸಿಕ ಮಾರಾಟ ಮತ್ತು ಆದ್ಯತೆಯ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಳ್ಳಿ; ವೇಗದ ಗ್ರಾಹಕ ಫಲಕಗಳೊಂದಿಗೆ ಮೌಲ್ಯೀಕರಿಸಿ.
  • ಸುಸ್ಥಿರತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಿ: AI ನಿರ್ಬಂಧಗಳಲ್ಲಿ ನವೀಕರಣ/ಜೈವಿಕ ವಿಘಟನೆಗಾಗಿ ಗುರಿಗಳನ್ನು ಹೊಂದಿಸಿ ಇದರಿಂದ ಪ್ರಸ್ತಾಪಗಳು ಅಂತರ್ಗತವಾಗಿ ESG ಮಾನದಂಡಗಳನ್ನು ಪೂರೈಸುತ್ತವೆ.

ಕೇಸ್ ಸ್ಟಡೀಸ್ / ಉದಾಹರಣೆಗಳು

  • ಸಿಮ್ರೈಸ್ + ಐಬಿಎಂ ಫಿಲಿರಾ: 2018–2019 ರಲ್ಲಿ, ಸಿಮ್ರೈಸ್ ಮತ್ತು ಐಬಿಎಂ ಬೊಟಿಕಾರಿಯೊದೊಂದಿಗೆ ಎರಡು AI- ಬೆಂಬಲಿತ ಸುಗಂಧ ದ್ರವ್ಯಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿತು, ಇದು ಮೊದಲ ವಾಣಿಜ್ಯ AI ಸುಗಂಧ ದ್ರವ್ಯಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ; ಫಿಲಿರಾ 2.0 ಈಗ ಸುಸ್ಥಿರತೆಯ ಗುರಿಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಮತ್ತು ಸೃಜನಶೀಲ "ಬೂಸ್ಟರ್" ಆಗಿ ಮುಂದುವರಿಯುತ್ತದೆ, ಪಾಲುದಾರಿಕೆಯು ಕಂಪ್ಯೂಟೇಶನಲ್ ಸೃಜನಶೀಲತೆಯಲ್ಲಿ ಪೇಟೆಂಟ್‌ಗೆ ಮನ್ನಣೆ ನೀಡುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಫಿಲಿರಾ "ಬಿಳಿ ಸ್ಥಳಗಳನ್ನು" ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಶ್ರೀಗಂಧದಂತಹ ಪ್ರವೃತ್ತಿ ಅಂಶಗಳನ್ನು ಸರಿಹೊಂದಿಸುವ ಮೂಲಕ ಅಥವಾ ಭವಿಷ್ಯವು ಹೆಚ್ಚಾಗುವ ಸೀಡರ್‌ವುಡ್ ಅನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ಹಳೆಯ ಸೂತ್ರಗಳನ್ನು ಆಧುನೀಕರಿಸಬಹುದು, ಇದು ಲೆಗಸಿ ಬ್ರೀಫ್‌ಗಳಲ್ಲಿ ವ್ಯವಸ್ಥೆಯ ನಡವಳಿಕೆಯ ಸಾರ್ವಜನಿಕ ವಿವರಣೆಗಾರರಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾದ ವಿಧಾನವಾಗಿದೆ.
  • dsm-firmenich ML ನಿಯೋಜನೆ: ಯಂತ್ರ ಕಲಿಕಾ ವ್ಯವಸ್ಥೆಯು ಗುರಿ ವಾಸನೆ, ವೆಚ್ಚ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಬಂಧಗಳ ಅಡಿಯಲ್ಲಿ ಸೂತ್ರಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಮಾರುಕಟ್ಟೆಗೆ 50% ವರೆಗೆ ವೇಗದ ಸಮಯ ಮತ್ತು ಹೆಚ್ಚಿನ ಗ್ರಾಹಕ ಇಷ್ಟವನ್ನು ನಂತರದ ಬಿಡುಗಡೆಗೆ ನೀಡುತ್ತದೆ; ನಿಖರವಾದ ವೈಯಕ್ತೀಕರಣಕ್ಕಾಗಿ ಪ್ರಾದೇಶಿಕ ಘ್ರಾಣ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಜೋಡಿಸುವಾಗ ಉಪಕರಣವು ನವೀನತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ.
  • P&G x Moodify White: P&G ಮಾಲೋಡಾರ್ ನಿಯಂತ್ರಣ ಮತ್ತು ಸುಗಂಧ ವಿನ್ಯಾಸಕ್ಕಾಗಿ Moodify ನ AI ವೇದಿಕೆಯನ್ನು ಅಳವಡಿಸಿಕೊಂಡಿದೆ, ವರ್ಧಿತ ವೇಗ-ಟು-ಮಾರುಕಟ್ಟೆ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತದೆ; Moodify ನ ಸುಧಾರಣೆ ಉತ್ಪನ್ನವು ನಿಯಂತ್ರಕ, ದಾಸ್ತಾನು ಮತ್ತು ಬೆಲೆ ನಿರ್ಬಂಧಗಳ ಅಡಿಯಲ್ಲಿ ಪರ್ಯಾಯ ಆಯ್ಕೆಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುತ್ತದೆ, ಸುಗಂಧ ದ್ರವ್ಯಗಳ ಆಯ್ಕೆಗಾಗಿ ಹೋಲಿಕೆಯಿಂದ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ.
  • ಓಸ್ಮೋದ ವಾಸನೆ ನಕ್ಷೆ: ಜಿವಿ ಮತ್ತು ಲಕ್ಸ್ ಕ್ಯಾಪಿಟಲ್ ಬೆಂಬಲದೊಂದಿಗೆ, ಓಸ್ಮೋ ರಚನೆಯಿಂದ ವಾಸನೆಯನ್ನು ಊಹಿಸುವ AI ನಕ್ಷೆಯನ್ನು ನಿರ್ಮಿಸಿದೆ ಮತ್ತು ಈಗ ವಾಸನೆಯನ್ನು "ಓದಲು, ನಕ್ಷೆ ಮಾಡಲು ಮತ್ತು ಬರೆಯಲು" ಅದರ ವೇದಿಕೆಯನ್ನು ಇರಿಸಿದೆ, ಹೊಸ ಸುಗಂಧ ಪದಾರ್ಥಗಳ ಆವಿಷ್ಕಾರವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಆರೋಗ್ಯ ಮತ್ತು ಸುಗಂಧ ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ ವಾಸನೆಯನ್ನು ಕೊನೆಯಿಂದ ಕೊನೆಯವರೆಗೆ ಡಿಜಿಟಲೀಕರಣಗೊಳಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ.

ತೀರ್ಮಾನ

ಕ್ರಮಾವಳಿಗಳು ಕಾರ್ಯಸಾಧ್ಯವಾದ ಹೊಸ ಸುಗಂಧ ದ್ರವ್ಯ ಸೂತ್ರಗಳನ್ನು ರಚಿಸಬಹುದು ಮತ್ತು ಸುಧಾರಣೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು, ಆದರೆ ಬಲವಾದ ಫಲಿತಾಂಶಗಳು AI-ಮಾನವ ಸಹಯೋಗದಿಂದ ಬರುತ್ತವೆ: ಮಾದರಿಯು ಸ್ಥಳಗಳನ್ನು ಶೋಧಿಸುತ್ತದೆ, ನಿರ್ಬಂಧಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತದೆ ಮತ್ತು ಆದ್ಯತೆಯನ್ನು ಊಹಿಸುತ್ತದೆ; ಸುಗಂಧ ದ್ರವ್ಯವು ನಿರೂಪಣೆ, ಸಂದರ್ಭ ಮತ್ತು ಸಮತೋಲನವನ್ನು ಸಿದ್ಧಪಡಿಸಿದ ಸಹಿಯಾಗಿ ರೂಪಿಸುತ್ತದೆ. 2025 ರಲ್ಲಿ, ಅವಕಾಶ ಸ್ಪಷ್ಟವಾಗಿದೆ: ವೇಗ, ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವ ಮತ್ತು ಸುಸ್ಥಿರತೆಯ ಲಾಭಗಳಿಗಾಗಿ AI ಅನ್ನು ಬಳಸಿ, ಮುಂದಿನ ಕೆಲವು ಚಕ್ರಗಳಲ್ಲಿ ಹೊಸ ಅಣುಗಳು ಮತ್ತು ಸ್ಮಾರ್ಟ್ QA ಅನ್ನು ಅನ್ಲಾಕ್ ಮಾಡುವ ವಾಸನೆ ಮ್ಯಾಪಿಂಗ್ ಮತ್ತು ಡಿಜಿಟಲ್ ಮೂಗುಗಳಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡುವಾಗ. ಪೈಲಟ್ ಸುಧಾರಣೆ, ಸಂವಾದಾತ್ಮಕ ಸೃಷ್ಟಿಯನ್ನು ಸೇರಿಸುವ ಮತ್ತು ಸಂವೇದಕ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುವ ತಂಡಗಳು ಸ್ಥಿರವಾದ ಉಡಾವಣೆಗಳನ್ನು ವೇಗವಾಗಿ ಮತ್ತು ಕಡಿಮೆ ಅಪಾಯದೊಂದಿಗೆ ರವಾನಿಸುತ್ತವೆ, ಆಣ್ವಿಕ ಮಟ್ಟದಲ್ಲಿ ಆವಿಷ್ಕಾರವು ಕರಕುಶಲತೆಯನ್ನು ಬದಲಿಸುವ ಬದಲು ಪ್ಯಾಲೆಟ್ ಅನ್ನು ವಿಸ್ತರಿಸುವ ಭವಿಷ್ಯವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ.