人工智能进军餐饮:AI 调酒,越喝越有

「吃」,现在已经成了一种文化,对食物的不懈追求,可以说是人类历史的一种推动力。从烹饪的进化,到现在花样百出的美食,食物搭配又会出现哪些新意,对于食物相克的盲从,也预示着新的方法和技艺要大显身手了。

人类文明的发展,食物和烹饪的意义重大。从食用熟食、耕作农作物,到加入调料、丰富烹饪方式、发明冷藏等,一些列的饮食工具和手段的发明,都是为了提高生活水平。

饮食文化的书籍《食物的历史》中,就讨论到食物的第一次革命,才带动了人类一次大的进化。其中一个重要节点是烹饪的出现,书里描写了这样一个吃的场景:先把柠檬汁挤在牡蛎上,在小火烘烤下,它的质地、口感和味道都发生了奇妙的变化…

有观点认为:烹饪是人类进化的特别利器

从火的利用,到烹饪的出现,食物的制作过程逐渐变成了一种魔法,吃的花样也越来越多,食物早已不是生存和生活的充饥之物,而是在各色搭配制作中,成为了一种艺术和追求。

美食的进阶之路,从搭配开始

随着「吃」的内容越来越精致,吃饱了的人类,就开始思考这类问题:哪些食物可以放在一起吃?哪些东西搭配在一起更好吃?

知名段子手「毕导」研究过,香蕉与冬枣的体积比在 2:1 左右,同时吃的口感达到了恶心的巅峰

要解决这个问题,一般的吃货靠的是传承下来的厨房规则,资深一点的吃货,则是借鉴美食家或者高级菜谱的做法。但这类方法对于种类繁多的食物来说,覆盖面窄,而且都是经验为主,主观性偏强。

一个好消息是,我们现在有了新的选择:可以用神经网络的方法作出搭配,告诉你怎样才最好吃。

在近段时间,一篇叫做《KitcheNette: Predicting and Recommending Food Ingredient Pairings using Siamese Neural Networks》(https://arxiv.org/abs/1905.07261)的论文,就叙述了高丽大学实验团队的食材智能搭配系统,以及在食物搭配上的硬核研究。

KitchenNette :用算法解开食物搭配的奥秘

这个系统是基于孪生神经网络(Siamese Neural Networks)的一个模型框架。

孪生神经网络用于衡量两个输入的相似程度。它有两个输入,分别传输进两个神经网络,以此将输入映射到新的空间,形成新的空间中的表示。然后通过对 Loss 的计算,评价两个 Input 的相似度。

而这个研究中,研究人员来开发了的食物搭配模型 KitchenNette ,将两种食材作为输入,能计算出它们搭配在一起的合适度。最终的表现成从 -1 到 1 之间的分数,分数越高表示这两种食物的搭配越好吃。

为了训练 KitchenNette,他们制作了一个美食数据集 Recipe1M,通过采集了大量的食谱信息,收录了多种食物的文本和图片,包含了了成分列表和配方说明。

 依据数百万个菜谱和配对统计

从这些食谱中,经过词向量提取等手法,过滤得到了食物,并进行了配对操作,最终共获得了 356,451 个有效的已知搭配,剩下的 6,003,500 个食物对,则是非常见或者未出现过的,作为测试集使用

他们还使用 Im2Recipe  算法,从图片中提取出食材名称。

而 KitchenNette 模型的架构由两个主要组件构成。

KitchenNette 模型用 Gin 酒和汤力水进行评分测试

第一个是使用孪生神经网络的 「成分表示组件」(Ingredient Representation Component),其中有权重相同的两个多层感知器(MLP),各自接收食材的输入。每个 MLP 有两个完全连接层,用于处理输入的成分向量。

第二个组件是 配对分数预测组件」(Pairing Score Prediction Component),采用 Deep& Wide Layers,进行评分流程。在 Deep Layer,两层学习表示向量被连接,并传递给另一个计算两种成分联合代表的 MLP,用来提取语义特征,而 Wide Layer 用来抓取稀疏特征。

搭建好模型后,先让模型学习已标注的食物搭配,从 30 万个已经评好分数的配对中,分析和找出「好搭配」的规律,然后用剩下的 95% 的食物组合,进行最后的测试

不同搭配的组合评定分数:左侧为常见搭配的评分,右侧为不常见搭配

根据他们的论文,只需对 KitchenNette  输入两种食物,就给出是否合适配对的判定分数,而且这个结果好于其他的模型。

调酒和糕点,最适合模型搭配!

为了评估这个模型预测的准确性,他们进行了几种定性分析。

通过将已知的经典搭配输入,检测了模型能够给出中肯的分数;同时和其他的经典模型进行对比,发现 KitchenNette  的预测更要符合人们的饮食习惯,最后和美食家的推荐作比之后,发现判断的结果十分接近。

尤其是酒精饮品和糕点,他们都有标准化的配方成分,而能够更加精准的把控口味。

比如,「香槟+橙皮」以及 「气泡酒+橙皮」的搭配得分较高(0.33-0.42),而 「气泡酒+洋葱」「普罗赛克+洋葱」这样奇怪的组合,得到了很低的分数。

红酒、白酒、杜松子酒、清酒的最佳搭配建议,以及和另一工具的推荐结果对比

在英国布里斯托,另一支创新团队 TinyGiant 就专注于开发由 AI 制定的创新食物,这支团队截至目前为止,已经制作出了几款 AI 定制的鸡尾酒和纸杯蛋糕。

TinyGiant 制作出了四款 AI 的鸡尾酒

而对于这项研究的后续,研究者表示接下来会进一步作出优化,比如考虑食品成分的化学信息使用百科全书食品成分的详细信息,以及更多「新颖」和「真实」的食谱,对模型进行训练,以推荐出更加多样化的食品成分配对。

TinyGiant 根据 AI 得出的结果,还定制了四种口味的纸杯蛋糕

近几年来,《舌尖上的中国》、《人生一串》等美食节目的大火,让我们看到了美食的惊人魅力,而现在看来,AI 或许会比我们更快地,打开美食搭配的新天地。

——完——

抱歉,暂无相关内容推荐。