M

À propos de Moshkin

Moshkin est construit par un groupe de diplômés de l'Université de technologie de Sharif, avec un objectif : allier l'art traditionnel et sensoriel du choix d'un parfum au langage des données et des mathématiques. Plutôt que de nous fier aux marques ou à la publicité, nous rapprochons les parfums par leur odeur réelle, pour un choix plus clair et plus juste.

Nos données proviennent de Fragrantica et de plusieurs autres sites, forums et magazines de parfum reconnus, puis sont nettoyées, recoupées et fusionnées. Cet ensemble de données n'est pas figé : il est surveillé et mis à jour en continu, de sorte que les notes, les évaluations et les classements évoluent et s'affinent avec le temps.

La science derrière Moshkin

Comment Moshkin trouve-t-il des parfums similaires ?
Chaque parfum devient un vecteur de 256 dimensions qui encode ses accords, ses notes (pondérées différemment pour la tête, le cœur et le fond) et des traits comme la note, la tenue et le sillage. Les notes rares comptent davantage (IDF), les vecteurs sont normalisés, et la proximité de deux parfums est mesurée par la similarité cosinus. C'est un moteur de recommandation basé sur le contenu : 'similaire' signifie vraiment proche dans l'espace des odeurs.
Qu'est-ce que la Carte des senteurs et comment est-elle construite ?
L'espace des senteurs à 256 dimensions est impossible à visualiser, nous le projetons donc en 2D avec UMAP (et t-SNE en repli), des méthodes qui préservent la structure locale et globale. Les parfums qui sentent pareil se retrouvent côte à côte sur la carte, formant des familles et des voisinages olfactifs à explorer visuellement.
Quelles sont les mathématiques et la science des données derrière ?
Les piliers : une représentation vectorielle, le hachage de caractéristiques pour des milliers de notes, la pondération IDF, la normalisation L2, la similarité cosinus et la réduction de dimension non linéaire (UMAP/t-SNE). Les évaluations de la communauté servent de signal complémentaire. En bref : algèbre linéaire et apprentissage automatique, au service de l'odeur.
Utilisez-vous des réseaux de neurones ?
Aujourd'hui, le moteur principal de Moshkin est vectoriel avec réduction de dimension (apprentissage automatique classique), et non un réseau de neurones. Dans notre feuille de route, nous ajoutons des réseaux de neurones et de l'apprentissage profond pour apprendre directement des représentations olfactives ; nous nous inspirons de travaux comme le Principal Odor Map (Science, 2023), qui utilise des réseaux de neurones sur graphes pour relier la structure moléculaire à la perception des odeurs.
D'où viennent les données et sont-elles à jour ?
Elles sont agrégées depuis Fragrantica et plusieurs autres sources de parfum reconnues (sites, forums et magazines), puis nettoyées, recoupées et fusionnées. Les données sont surveillées et mises à jour en continu, et les nouveaux enregistrements sont placés dans le même espace vectoriel que les anciens pour garder des comparaisons cohérentes dans le temps.

Références et pour aller plus loin

Les méthodes et idées sur lesquelles repose notre travail :