Вкусы и поиск с помощью ИИ: навигация в будущем инноваций жидкостей для электронных сигарет

作者： Команда исследований и разработок, CUIGUAI Flavoring

Опубликовано: Гуанчжоуская компания уникальных ароматов, ООО

Последнее обновление: 12 октября 2025

Введение: Заря новой эпохи в создании вкусов

Индустрия электронных жидкостей — яркий и быстро развивающийся сектор, находящийся на пороге глубокой трансформации под воздействием Искусственного Интеллекта (ИИ) и передовых методов поиска. Для производителей вкусов это не просто технологическое обновление; это кардинальный сдвиг в концепции, разработке и доставке ароматов для взыскательного глобального рынка. Традиционное искусство и наука создания вкусов, долгое время опирающееся на опыт экспертов и итерационные эксперименты, теперь дополняется и ускоряется благодаря беспрецедентной аналитической мощи ИИ. В этой статье мы исследуем сложные взаимосвязи между вкусами и поиском на базе ИИ, показывая, как эти синергетические силы меняют ландшафт инноваций в области электронных жидкостей — от предиктивной аналитики до гиперперсонализированного опыта потребителей.

Динамика рынка электронных жидкостей постоянно меняется, характеризуясь неутолимой жаждой новизны, аутентичности и все более — персонализации. Чтобы оставаться впереди этих трендов, необходимы не только креативность, но и мощные возможности обработки огромных объемов данных, выявления новых закономерностей и предвидения будущих потребностей. В этом помогает ИИ, особенно благодаря своим продвинутым поисковым и аналитическим возможностям. Он переводит разработку вкусов за пределы интуиции, опираясь на данные для прогнозирования успеха, оптимизации рецептур и повышения эффективности всего производственного процесса. Погружаясь в многоаспектные применения ИИ в этой сфере, становится очевидно, что внедрение этих технологий — не просто преимущество, а необходимость для устойчивого роста и лидерства на рынке вкусов для электронных жидкостей.

Синтез вкусов с помощью ИИ

Понимание поиска на базе ИИ в контексте разработки вкусов

В основе ИИ поиска лежит превосходство над традиционными запросами по ключевым словам. Он включает набор продвинутых алгоритмов и моделей машинного обучения, предназначенных для понимания контекста, выявления связей и извлечения практических инсайтов из неструктурированных и структурированных данных. В разработке вкусов это означает переход от простых поисков «клубничный вкус» к сложным анализам, способным коррелировать химические профили с сенсорными восприятиями, предпочтениями потребителей и рыночными трендами.

Эволюция поиска: от ключевых слов к контексту

Исторически парфюмеры полагались на свои обширные базы знаний, внутренние базы данных и иногда на базовые функции поиска в химических реестрах для поиска соответствующих соединений или существующих формул. Хотя это было эффективно в определенной степени, этот процесс часто был медленным, ограниченным объемом доступных данных и сильно зависел от опыта специалиста. Однако поиск с помощью ИИ вводит новую парадигму. Он использует такие методы, как обработка естественного языка (NLP), семантический анализ и машинное обучение для интерпретации огромных массивов данных так, как это делает человек, но с беспрецедентной скоростью и масштабом.

Например, поисковая система на базе ИИ может обрабатывать тысячи научных статей, патентных заявок, отзывов потребителей и обсуждений в социальных сетях, чтобы выявить тонкие связи между конкретными ароматическими соединениями и описанными сенсорными характеристиками, такими как «кремовый», «фруктовый» или «освежающий». Затем она сопоставляет эти данные с демографической информацией, географическим положением и даже психологическими профилями, чтобы предсказать вероятный успех новой комбинации вкусов. Такое контекстуальное понимание играет ключевую роль в навигации по сложной взаимосвязи ингредиентов и предпочтений потребителей в жидкостях.

Ключевые технологии ИИ, движущие поиск вкусов

Несколько технологий ИИ играют ключевую роль в революционизации поиска вкусов:

• Natural Language Processing (NLP):Обработка естественного языка (NLP) позволяет системам ИИ понимать, интерпретировать и генерировать человеческий язык. В разработке вкусов это важно для анализа текстовых данных, таких как отзывы потребителей, комментарии в социальных сетях и отчеты о сенсорном анализе. Например, алгоритм NLP может анализировать миллионы отзывов клиентов, чтобы выявить повторяющиеся описания для “ванильных” жидкостей, раскрывая тонкие предпочтения, которые иначе могли бы остаться незамеченными. Эта возможность распространяется и на анализ патентов, где NLP помогает выявлять новые составы вкусов и связанные с ними патентные требования, помогая производителям избегать нарушений и находить инновационные идеи.
• Machine Learning (ML):Машинные алгоритмы лежат в основе предиктивного моделирования. Обучаясь на огромных наборах данных о существующих рецептурах, их химическом составе, сенсорных оценках и рыночных показателях, модели машинного обучения могут предсказывать свойства новых, еще не испытанных сочетаний. Это включает прогнозирование ароматических профилей, интенсивности вкуса и возможных проблем с устойчивостью. Например, модели с контролем обучения могут быть обучены на исторических данных, связывающих соотношения ингредиентов с воспринимаемой сладостью, что позволяет парфюмеру вводить желаемый уровень сладости и получать оптимизированные рекомендации по рецептуре.
• Deep Learning (DL):Подмножество машинного обучения, глубокое обучение использует нейронные сети с несколькими слоями для изучения сложных паттернов. Глубокое обучение особенно хорошо справляется с обработкой многомерных данных, таких как спектроскопические данные о соединениях вкуса или сложные геномные данные, связанные с сенсорными рецепторами. Свёрточные нейронные сети (CNN), часто используемые в распознавании изображений, могут быть адаптированы для выявления паттернов в химических спектрах, коррелирующих с определёнными нотами вкуса. Рекуррентные нейронные сети (RNN) могут анализировать последовательные данные, такие как развитие профиля вкуса со временем в процессе хранения.
• Knowledge Graphs:Это структурированные представления информации, иллюстрирующие связи между различными объектами. В науке о вкусах граф знаний может связывать конкретные молекулы с их описаниями запахов, их происхождением (натуральное или искусственное), регуляторным статусом, стабильностью в различных матрицах и даже культурными ассоциациями. Эта взаимосвязанная сеть данных позволяет системам ИИ выполнять сложные реляционные поиски, выходящие за рамки простых запросов в базе данных, обеспечивая целостное представление о компонентах вкуса и их возможных взаимодействиях.

Фундамент данных: источник энергии для поиска на базе ИИ

Эффективность поиска на базе ИИ прямо зависит от качества и объема обрабатываемых данных. Для производителей вкусов электронных жидкостей это означает объединение различных источников информации:

• Internal R&D Data:Патентованные формулы, результаты сенсорных экспертиз, данные о стабильности и прошлые показатели рынка.
• Public Scientific Databases:Химические реестры (например, PubChem, ChemSpider), базы данных научных публикаций (например, PubMed, Google Scholar) и патентные базы данных.
• Consumer Data:Тенденции в социальных сетях, отзывы в электронной коммерции, онлайн-форумы, опросы и данные о продажах.
• Regulatory Data:Информация о одобренных ингредиентах, ограничениях по использованию и требованиях к маркировке от таких органов, как FDA или EFSA.
• Supply Chain Data:Информация о доступности ингредиентов, ценах и надежности поставщиков.

Проблема заключается не только в сборе данных, но и в их структурировании таким образом, чтобы алгоритмы ИИ могли эффективно обучаться и извлекать инсайты. Очистка данных, нормализация и интеграция — ключевые предварительные этапы для успешной реализации ИИ в разработке вкусов.

Анализ электронных жидкостей с помощью ИИ

Предиктивное моделирование вкусов: предвосхищение следующего большого тренда

Одним из самых преобразующих применений поиска с помощью ИИ в индустрии жидкостей является предиктивное моделирование вкусов. Эта возможность переводит разработку вкусов с реактивного, основанного на пробах и ошибках процесса в проактивный, основанный на данных подход, значительно сокращая время и затраты на разработку.

Как работает предиктивное моделирование

Предиктивное моделирование вкусов использует алгоритмы машинного обучения для прогнозирования сенсорных характеристик, привлекательности для потребителей и даже рыночного успеха новых комбинаций вкусов beforeОни создаются физически. Обычно этот процесс включает:

• Data Ingestion:Сбор всесторонних данных о существующих вкусах, включая их химический состав (например, концентрацию отдельных ароматических соединений), сенсорные профили (например, воспринимаемая сладость, кислотность, фруктовость, нотки табака), оценки потребителей и рыночные показатели.
• Feature Engineering:Выявление и извлечение релевантных признаков из исходных данных. Это может включать использование дескрипторов из данных масс-спектрометрии или газовой хроматографии для представления химических профилей, а также извлечение оценок настроений из отзывов потребителей.
• Model Training:Обучая модели машинного обучения (например, регрессионные модели, нейронные сети) на этих исторических данных, можно выявить сложные взаимосвязи между химическими компонентами, сенсорными характеристиками и предпочтениями потребителей. Например, модель может определить, что определенное соотношение фуранонов и эфиров способствует созданию ноты «карамелизированной клубники», которая особенно популярна в определенной демографической группе.
• Prediction and Optimization:Используя обученную модель для прогнозирования характеристик новых комбинаций вкусов, технологи могут вводить предполагаемые смеси ингредиентов, а модель будет выдавать предсказанные сенсорные профили, вероятностные оценки предпочтения потребителей и даже рекомендации по оптимальным концентрациям компонентов для достижения желаемого вкуса.

Кейс-стади: оптимизация сладости и текстуры

Рассмотрите задачу оптимизации сладости и текстуры в электронной жидкости. Традиционные методы требуют множества итераций смешивания, дегустации и корректировки. Предсказательная модель ИИ, обученная на наборе данных, связывающем концентрации различных подсластителей (например, сукралозы, этилмальтола) и усилителей текстуры (например, определённых эфиров) с оценками сенсорных панелей по восприятию сладости и текстуры, могла бы позволить ароматисту задать целевой уровень сладости и желаемую текстуру, а затем мгновенно получить ряд формул, сопровождаемых предсказанными сенсорными результатами и вероятностью одобрения потребителей. Это не только ускоряет разработку, но и снижает расход дорогостоящего сырья в процессе экспериментов.

Роль «цифровых двойников» в создании вкусов

В emerging концепции предсказательного моделирования — создание «цифровых двойников» для вкусов. Цифровой двойник — это виртуальная копия физического продукта или процесса. В данном контексте он представляет собой всестороннее цифровое отображение вкуса, охватывающее его химическую структуру, сенсорный профиль, характеристики стабильности и даже предполагаемое взаимодействие с разными основами электронных жидкостей. Инструменты поиска с помощью ИИ позволят ароматистам запрашивать и изменять эти цифровые двойники, исследуя гипотетические модификации и наблюдая их предполагаемые эффекты без необходимости физических образцов. Такой симуляционный подход значительно повышает эффективность и стимулирует инновации.

Выявление потребительских инсайтов и рыночных трендов с помощью ИИ

Помимо внутренней НИОКР, ИИ поиск — мощный инструмент для понимания внешнего рынка — предпочтений потребителей, новых трендов и конкурентной среды. Эта внешняя разведка крайне важна для разработки вкусов, находящих отклик у целевой аудитории.

Социальное прослушивание и анализ настроений

Платформы социального мониторинга с поддержкой ИИ могут отслеживать миллионы онлайн-разговоров в соцсетях, форумах, блогах и на сайтах отзывов. Алгоритмы NLP и анализа настроений затем обрабатывают эти неструктурированные текстовые данные для выявления:

• Emerging Flavor Trends:Обнаружение ранних признаков интереса к новым категориям вкусов (например, экзотические фрукты, изысканные десертные профили, уникальные вдохновения для напитков). Например, ИИ может выявить растущее число упоминаний «личи и роза» или «копчёный бурбон» в обсуждениях электронных жидкостей, что указывает на зарождающийся тренд.
• Consumer Preferences and Dislikes:Понимание того, что нравится или не нравится потребителям в существующих вкусах. Подробный анализ настроений позволяет выявить конкретные характеристики (например, «слишком сладко», «искусственный послевкусие», «освежающий ментол»), вызывающие положительные или отрицательные реакции.
• Competitive Intelligence:Анализ отзывов потребителей о продуктах конкурентов для выявления их сильных и слабых сторон, а также неудовлетворённых потребностей рынка. Это может служить основой для стратегической разработки и позиционирования продуктов.

Географическая и демографическая сегментация

ИИ может анализировать данные о продажах, поисковые запросы и обсуждения в социальных сетях для выявления географических и демографических различий в предпочтениях вкусов. Например, система ИИ может показать, что цитрусовые вкусы особенно популярны в теплых климатах, в то время как насыщенные десертные вкусы набирают популярность в более холодных регионах или среди определённых возрастных групп. Такое детальное понимание позволяет производителям адаптировать ассортимент вкусов под конкретные рынки, повышая их привлекательность и потенциал продаж.

Прогнозирование рыночных тенденций

Объединяя внутренние данные о продажах, внешние рыночные отчёты и тренды в соцсетях, модели ИИ могут прогнозировать будущий спрос на определённые профили вкусов. Это помогает производителям оптимизировать графики производства, управлять запасами и принимать обоснованные решения о вложениях в новые линейки вкусов. Например, если ИИ предсказывает рост спроса на тропические фруктовые смеси в следующем квартале, производитель может заранее увеличить выпуск соответствующих концентратов вкусов.

Соответствие цепочке поставок с помощью ИИ

Оптимизация цепочки поставок и соблюдение нормативных требований с помощью поиска на базе ИИ

Индустрия вкусов для электронных жидкостей функционирует в сложной системе логистики цепочек поставок и строгих нормативных требований. Поиск на базе ИИ предоставляет мощные инструменты для навигации по этим сложностям, обеспечивая эффективность, соблюдение нормативов и снижение рисков.

Интеллектуальный подбор ингредиентов и оптимизация цепочек поставок

Поиск с помощью ИИ может оптимизировать весь процесс закупки ингредиентов:

• Supplier Discovery and Vetting:ИИ может искать в базах данных и онлайн-ресурсах потенциальных поставщиков для конкретных соединений вкуса, оценивая их по таким критериям, как сертификаты качества, цена, сроки поставки и этическое происхождение. Это выходит за рамки простого поиска по ключевым словам, используя семантический анализ для понимания возможностей и репутации поставщиков.
• Risk Assessment:Модели ИИ могут анализировать исторические данные и новости в реальном времени для прогнозирования возможных сбоев в цепочке поставок (например, природные катастрофы, геополитическая нестабильность, дефицит сырья), влияющих на ключевые ингредиенты. Заблаговременно выявляя потенциальные риски, производители могут проактивно искать альтернативных поставщиков или корректировать планы производства.
• Cost Optimization:ИИ может анализировать колебания цен на сырье, спрос на рынке и производственные издержки, чтобы рекомендовать оптимальные стратегии закупок, помогая производителям достичь значительной экономии без ущерба для качества.

Навигация по регуляторному лабиринту

Соответствие нормативным требованиям крайне важно в индустрии жидкостей, с постоянно меняющимися руководящими принципами от таких организаций, как FDA в США, EFSA в Европе и других региональных органов. Инструменты поиска с помощью ИИ незаменимы в этой области:

• Automated Regulatory Monitoring:Системы ИИ могут непрерывно отслеживать официальные сайты правительственных органов, регуляторные базы данных и отраслевые публикации для получения обновлений по спискам ингредиентов, ограничениям использования, требованиям к маркировке и протоколам тестирования. Они могут уведомлять производителей о изменениях, влияющих на их существующие продукты или новые формулы.
• Compliance Verification:Интегрируя внутренние данные о рецептурах с базами регуляторных требований, ИИ способен автоматически проверять новые разработки вкусов на соответствие действующим нормативам. beforeОни поступают в производство. В этот этап входит проверка на запрещенные ингредиенты, превышение допустимых норм использования или неправильную маркировку. Такой проактивный подход значительно снижает риск дорогостоящих отзывов и штрафов.
• Documentation and Reporting:ИИ может помогать в создании обширной документации, необходимой для регуляторных заявлений, эффективно собирая соответствующие данные из различных внутренних и внешних источников. Это упрощает зачастую трудоемкий процесс подготовки регуляторных досье.

Citation 1:Сложность нормативных требований к продуктам и вкусам подчеркивается организациями, такими как European Food Safety Authority (EFSA), который постоянно публикует научные мнения и рекомендации по пищевым добавкам и ароматизаторам, подчеркивая динамичный регуляторный ландшафт, с которым должны справляться производители. (Источник: www.efsa.europa.eu)

Будущее вкуса: персонализация и новизна, движимые ИИ

В будущем поиск с помощью ИИ и связанные с ним технологии откроют беспрецедентные возможности персонализации и инноваций в вкусах жидкостей для электронных сигарет, приближая нас к миру, где вкусовые впечатления будут по-настоящему уникальными.

Гиперперсонализированные профили вкуса

Представьте вкус жидкости для электронных сигарет, точно адаптированный к уникальным предпочтениям, диетическим потребностям и даже генетическим предрасположенностям каждого человека. ИИ делает эту концепцию реальностью:

• Consumer Preference Learning:Путем постоянного взаимодействия (например, обратной связи от индивидуальных смесей электронных жидкостей, носимых устройств, отслеживающих реакции вкуса), ИИ способен формировать подробные профили предпочтений каждого потребителя, узнавая, какие комбинации нот, интенсивностей и профилей вызывают у них наибольшее удовольствие.
• Genomic and Microbiome Insights:Хотя эта область еще находится в зачаточном состоянии, исследования уже изучают связь между индивидуальной генетикой и составом микробиома с восприятием вкуса. В будущем ИИ сможет анализировать эти биологические данные, предлагая вкусы, которые максимально подходят конкретному человеку, или избегать ингредиентов, к которым он может быть гиперчувствителен.
• Dynamic Flavor Generation:ИИ потенциально может создавать совершенно новые молекулы или комбинации вкусов, идеально подходящие для одного пользователя, основываясь на его меняющихся предпочтениях и обратной связи.

Ускорение открытия новых соединений вкуса

Мир потенциальных молекул для вкусов огромен, и традиционные методы их открытия зачастую медленны и затратны. ИИ, особенно с помощью методов, таких как вычислительная химия и генеративные состязательные сети (GANs), способен значительно ускорить этот процесс:

• De Novo Flavor Design:Вместо поиска в существующих библиотеках ИИ может быть назначен на создание новых молекул с нуля, исходя из желаемых сенсорных свойств. Генеративные модели могут предлагать молекулярные структуры, предсказанные для проявления определенных ароматических или вкусовых характеристик.
• Exploring Uncharted Chemical Spaces:ИИ может эффективно исследовать химические пространства, слишком большие для человека или традиционных вычислительных методов, потенциально открывая совершенно новые классы соединений вкуса с уникальными сенсорными свойствами.
• Sustainable and Natural Flavor Discovery:ИИ также может направлять поиск натуральных источников вкуса, выявляя растения или процессы микробного брожения, которые устойчивым образом дают желаемые соединения вкуса.

Citation 2:Широко признана в научной литературе и потенциал ИИ в ускорении научных открытий, включая поиск новых соединений. Об этом свидетельствуют публикации в таких журналах, как Natureи ScienceПодробно рассматривается роль ИИ в химии и материаловедении. (Источник: авторитетные научные журналы и академические базы данных)

Улучшение сенсорных исследований и контроля качества

ИИ также революционизирует методы оценки и поддержания качества вкусов:

• Automated Sensory Analysis:Хотя человеческий вкус остается главным, ИИ способен дополнить работу сенсорных экспертов. Модели машинного обучения анализируют данные электронных носов (e-noses) и электронных языков (e-tongues), предназначенных для химического определения ароматов и вкусов. В сочетании с ИИ эти системы обеспечивают объективную, стабильную и быструю оценку вкусовых характеристик, выявляя тонкие отклонения от заданных стандартов.
• Predictive Shelf-Life and Stability:Модели ИИ могут анализировать пути химического разрушения, взаимодействия ингредиентов и экологические факторы для более точного прогнозирования срока годности и стабильности вкусов электронных жидкостей. Это помогает производителям оптимизировать упаковку, условия хранения и сроки годности.
• Quality Control Automation:Интеграция ИИ с встроенными датчиками в производственные процессы позволяет осуществлять мониторинг вкуса в реальном времени и немедленно выявлять любые отклонения, минимизируя отходы.

Citation 3:Применение ИИ в сенсорных науках, особенно в области электронных носов и языков, — это активно развивающаяся область. Исследования в этой сфере ведут такие учреждения, как Monell Chemical Senses CenterПоказывает, как вычислительные методы улучшают наше понимание и объективное измерение вкуса и запаха. (Источник: www.monell.org)

Проблемы внедрения и этические аспекты

Несмотря на огромный потенциал ИИ в разработке вкусов, его внедрение сопряжено с рядом сложностей. Их преодоление станет ключевым условием успешного использования технологий.

Качество и доступность данных

Пословица «мусор в — мусор вне» применима к ИИ в полной мере. Высококачественные, чистые и тщательно помеченные данные являются основой для обучения эффективных моделей. Для многих производителей вкусов объединение разнородных данных, обеспечение их согласованности и устранение пробелов — сложная задача. Инвестиции в надежные системы и практики управления данными — необходимое условие успеха ИИ.

Разрыв в экспертизе

Внедрение и управление системами ИИ требуют специальных навыков в области науки о данных, машинного обучения и инженерии ИИ, а также глубоких знаний в области химии вкуса и сенсорных наук. Устранение этого разрыва в экспертизе, будь то через повышение квалификации существующих сотрудников или привлечение новых специалистов, представляет собой важную задачу. Сотрудничество с поставщиками решений ИИ может помочь в этом.

Вычислительные ресурсы

Обучение и развертывание передовых моделей ИИ, особенно глубоких нейронных сетей, требует значительных вычислительных ресурсов. Облачные платформы ИИ предоставляют масштабируемые решения, однако важно учитывать и управлять связанными с этим затратами.

Этические аспекты и предвзятость

Модели ИИ учатся на предоставленных данных. Если эти данные содержат предвзятость (например, предпочтения, отражающие только узкую демографическую группу), предсказания ИИ могут сохранять или даже усиливать эти предубеждения. Например, если исторические данные потребителей в основном относятся к определенной возрастной группе, ИИ может непреднамеренно оптимизировать вкусы именно для этой группы, упуская возможности для других сегментов. Производителям необходимо учитывать разнообразие данных и внедрять стратегии для выявления и снижения алгоритмической предвзятости, чтобы обеспечить справедливое и широкое развитие вкусов. Более того, по мере того как ИИ начнет предлагать совершенно новые молекулы, этические дискуссии о долгосрочной безопасности и экологическом воздействии этих соединений будут приобретать всё большее значение.

Человеческий фактор: ИИ как вспомогательный инструмент

Важно помнить, что ИИ — это инструмент для augmentЧеловеческое творчество и мастерство, а не замена их. Тонкое искусство создания вкусов, искра вдохновения и субъективная оценка человеческого вкуса всегда останутся незаменимыми. Поиск на базе ИИ и предиктивное моделирование дают флейвористам мощные инструменты и инсайты для более эффективного исследования возможностей, однако окончательное творческое решение и критическая оценка по-прежнему принадлежат человеку. Наиболее успешные реализации предполагают гармоничное взаимодействие ИИ и человека, где каждый использует свои сильные стороны в процессе инноваций.

Citation 4:Концепция ИИ как вспомогательного инструмента, сотрудничающего с экспертами-человеками, а не заменяющего их, является краеугольным камнем современной стратегии ИИ, подчеркиваемым такими организациями, как World Economic ForumОбсуждения будущего труда и трансформации индустрии. (Источник: www.weforum.org)

Технологическое сотрудничество ради будущих вкусов

Заключение: принятие на вооружение ИИ-управляемого фронтира вкусов

Слияние вкусов и поиска на базе ИИ знаменует собой переломный момент для индустрии электронных жидкостей. От ускорения исследований и разработок и прогнозирования рыночных трендов до оптимизации цепочек поставок и обеспечения нормативного соответствия — ИИ предлагает мощный набор возможностей, способных трансформировать каждый аспект создания вкусов. Производители, стратегически внедряющие эти технологии, получат не только значительное конкурентное преимущество, но и сыграют ключевую роль в формировании будущего персонализированных, инновационных и ответственных вкусовых решений. Путь в этот фронтир, управляемый ИИ, требует видения, инвестиций и постоянного стремления к обучению, а награды — в виде повышения эффективности, инноваций и лидерства на рынке — очевидны. По мере развития ландшафта электронных жидкостей, ИИ станет компасом, указывающим направление следующего поколения вкусовых ощущений.

Присоединяйтесь к революции вкуса!

Готовы ли вы раскрыть весь потенциал ИИ в разработке вкусов ваших электронных жидкостей? Мы приглашаем вас связаться с нашей командой экспертов по вкусам и специалистами по ИИ.

• Технический обмен:Есть технические вопросы или хотите обсудить тонкости использования ИИ в создании вкусов? Свяжитесь с нами для более глубокого изучения того, как эти передовые технологии могут помочь в решении ваших конкретных задач и возможностей.
• Запросить бесплатный образец:Испытайте наши передовые инновации во вкусе лично. Запросите бесплатный образец наших премиальных жидкостей для электронных сигарет, созданных с использованием последних методов искусственного интеллекта.

Свяжитесь с нами сегодня, чтобы преобразить ваш портфель вкусов!

📩 [info@cuiguai.com]
📞 [+86 189 2926 7983]
🌐 Исследуйте больше на null