Künstliche Intelligenz Hält Einzug in Die Gastronomie: KI-Cocktails Schmecken Besser, Je Mehr Man Trinkt

„Essen“ ist mittlerweile zu einer Kultur geworden und das unermüdliche Streben nach Nahrung kann als treibende Kraft in der Menschheitsgeschichte bezeichnet werden. Welche neuen Ideen für die Kombination von Speisen werden sich aus der Entwicklung des Kochens bis hin zur vielfältigen Küche von heute ergeben? Die blinde Fixierung auf Nahrungsmittelunverträglichkeiten deutet auch darauf hin, dass neue Methoden und Techniken zum Einsatz kommen werden.

Essen und Kochen haben bei der Entwicklung der menschlichen Zivilisation eine entscheidende Rolle gespielt. Vom Verzehr gekochter Speisen und dem Anbau von Feldfrüchten bis hin zum Hinzufügen von Gewürzen, der Verbesserung von Kochmethoden, der Erfindung von Kühlsystemen usw. – die Erfindung einer Reihe von Essgeräten und -methoden dient allesamt dem Zweck, den Lebensstandard zu verbessern.

Das Buch zur Esskultur „The History of Food“ befasst sich mit der ersten Ernährungsrevolution, die zu einer bedeutenden Evolution der Menschheit führte. Einer der wichtigsten Knotenpunkte ist die Entstehung des Kochens. Das Buch beschreibt eine solche Essszene: Träufeln Sie zuerst Zitronensaft auf die Austern und backen Sie sie dann bei schwacher Hitze. Ihre Textur, ihr Geschmack und ihr Aroma werden sich auf wunderbare Weise verändern …

Von der Verwendung des Feuers bis hin zur Entstehung des Kochens ist der Prozess der Nahrungsmittelzubereitung allmählich zu einer Art Magie geworden und es gibt immer mehr Arten zu essen. Essen ist nicht mehr nur eine Möglichkeit, den Magen zum Überleben und Leben zu füllen, sondern es ist zu einer Kunst und einem Streben in der Herstellung verschiedener Kombinationen geworden.

Der Weg zu anspruchsvollem Essen beginnt mit der Paarung

Da der Inhalt des „Essens“ immer komplexer wird, beginnen satte Menschen, über solche Fragen nachzudenken:Welche Lebensmittel können zusammen gegessen werden? Welche Dinge schmecken zusammen besser?

Um dieses Problem zu lösen, verlassen sich gewöhnliche Feinschmecker auf überlieferte Küchenregeln, während erfahrenere Feinschmecker auf die Methoden von Feinschmeckern oder auf anspruchsvolle Rezepte zurückgreifen. Allerdings deckt diese Art von Methode nur eine begrenzte Anzahl von Lebensmitteln ab, basiert hauptsächlich auf Erfahrungswerten und ist höchst subjektiv.

Die gute Nachricht ist, dass wir jetzt neue Optionen haben:Mithilfe neuronaler Netzwerkmethoden können Sie Kombinationen erstellen und herausfinden, was am besten schmeckt.

Kürzlich erschien ein Artikel mit dem Titel„KitcheNette: Vorhersage und Empfehlung von Lebensmittelzutatenkombinationen mithilfe siamesischer neuronaler Netzwerke“ (https://arxiv.org/abs/1905.07261)Das Papier beschreibt das intelligente Lebensmittelzuordnungssystem des Experimentalteams der Korea University und ihre intensive Forschung zur Lebensmittelzuordnung.

Küchenzeile:Mit Algorithmen die Geheimnisse der Lebensmittelkombination lüften

Dieses System basiert aufSiamesische neuronale NetzwerkeEin Modellrahmen.

Siamesische neuronale Netzwerke werden verwendet, um die Ähnlichkeit zweier Eingaben zu messen. Es verfügt über zwei Eingaben, die jeweils an zwei neuronale Netzwerke übertragen werden, um die Eingaben einem neuen Raum zuzuordnen und Darstellungen im neuen Raum zu bilden. Anschließend wird die Ähnlichkeit zwischen den beiden Eingaben durch Berechnung des Verlusts ausgewertet.

In dieser Studie entwickelten Forscher ein Food Pairing-Modell KitchenNette , indem es zwei Zutaten als Eingabe verwendet und berechnet, wie gut sie für eine Kombination geeignet sind. Der endgültige Ausdruck ist eine Punktzahl zwischen -1 und 1. Je höher die Punktzahl, desto köstlicher ist die Kombination der beiden Lebensmittel.

Um KitchenNette zu trainieren, erstellten sie einen Lebensmitteldatensatz namens Recipe1M, der eine große Menge an Rezeptinformationen sammelte, darunter Text und Bilder einer Vielzahl von Lebensmitteln, einschließlich Zutatenlisten und Rezeptanweisungen.

Aus diesen Rezepten haben wir die Lebensmittel durch Wortvektorextraktion und andere Techniken herausgefiltert und dann Paarungsoperationen durchgeführt.Insgesamt wurden 356.451 gültige bekannte Kombinationen ermittelt. Die restlichen 6.003.500 Nahrungsmittelpaare waren ungewöhnlich oder waren noch nie zuvor aufgetaucht und wurden als Testsätze verwendet..

Sie verwenden auch Im2Recipe  Algorithmus zum Extrahieren der Namen von Zutaten aus Bildern.

Die Architektur des KitchenNette-Modells besteht aus zwei Hauptkomponenten.

Die erste verwendet ein Zwillings-Neuronales Netzwerk Komponente zur Darstellung von Inhaltsstoffen, wobei es zwei mehrschichtige Perzeptronen (MLPs) mit denselben Gewichten gibt, die jeweils die Eingabe der Zutaten erhalten. Jedes MLP verfügt über zwei vollständig verbundene Schichten zur Verarbeitung der Eingabekomponentenvektoren.

Die zweite Komponente ist 「Komponente zur Vorhersage des Paarungsergebnisses,Verwenden von tiefen und breiten Ebenen, für den Bewertungsprozess. In der Deep Layer werden die beiden Schichten gelernter Darstellungsvektoren verkettet und an ein anderes MLP übergeben, das die gemeinsame Darstellung der beiden Komponenten berechnet, um semantische Merkmale zu extrahieren, während die Wide Layer zum Erfassen spärlicher Merkmale verwendet wird.

Nachdem Sie das Modell erstellt haben,Lassen Sie das Modell zunächst die gekennzeichneten Lebensmittelkombinationen lernen, analysieren und finden Sie die Regeln für „gute Kombinationen“ aus den 300.000 bereits bewerteten Paaren und verwenden Sie dann die verbleibenden 95%-Lebensmittelkombinationen für den Abschlusstest..

Laut ihrem Dokument müssen bei KitchenNette nur zwei Lebensmittel eingegeben werden und es wird eine Bewertung abgegeben, ob sie für die Kombination geeignet sind. Das Ergebnis ist besser als bei anderen Modellen.

Cocktails und Gebäck passen am besten zu Models!

Um die Genauigkeit der Vorhersagen des Modells zu beurteilen, führten sie mehrere qualitative Analysen durch.

Durch die Eingabe bekannter klassischer Kombinationen haben wir getestet, ob das Modell faire Ergebnisse liefern kann. Durch den Vergleich mit anderen klassischen Modellen stellten wir fest, dass die Vorhersagen von KitchenNette eher mit den Essgewohnheiten der Menschen übereinstimmten. Schließlich stellten wir nach einem Vergleich mit den Empfehlungen von Feinschmeckern fest, dass die Ergebnisse sehr ähnlich waren.

Insbesondere bei alkoholischen Getränken und Gebäck verfügen sie über standardisierte Rezeptzutaten und können den Geschmack genauer kontrollieren.

Zum Beispiel,Champagner + Orangenschalesowie Sekt + OrangenschaleDie Matching-Ergebnisse von Sekt + ZwiebelUnd 「Prosecco + Zwiebel」Eine solch seltsame Kombination erhielt eine sehr niedrige Punktzahl.

In Bristol, Großbritannien, ein weiteres innovatives Team Kleiner Riese  Das Team konzentriert sich auf die Entwicklung innovativer, KI-gekreierter Lebensmittel und hat bisher mehrere KI-individuelle Cocktails und Cupcakes kreiert.

Im Anschluss an diese Studie kündigten die Forscher weitere Optimierungen an, wie zum BeispielBerücksichtigen Sie die chemischen Informationen der Lebensmittelzutaten,Nutzen Sie die Enzyklopädie für detaillierte Informationen zu Lebensmittelzutaten,sowieMehr „neue“ und „echte“ Rezeptewird das Modell darauf trainiert, vielfältigere Kombinationen von Lebensmittelzutaten zu empfehlen.

In den letzten Jahren hat uns die Popularität von Kochsendungen wie „A Bite of China“ und „A String of Life“ den erstaunlichen Charme des Essens nähergebracht. Nun scheint es, dass KI schneller als wir eine neue Welt der Lebensmittelkombination eröffnen könnte.

--über--