L'intelligence Artificielle Entre Dans Le Secteur De La Restauration : Les Cocktails IA Vous Rendent Plus Savoureux À Mesure Que Vous Buvez

« Manger » est désormais devenu une culture, et la quête incessante de nourriture peut être considérée comme une force motrice de l’histoire de l’humanité. De l'évolution de la cuisine à la cuisine diversifiée d'aujourd'hui, quelles nouvelles idées émergeront en matière d'accords mets-vins ? L’obsession aveugle pour l’incompatibilité alimentaire indique également que de nouvelles méthodes et techniques entreront en jeu.

L’alimentation et la cuisine ont joué un rôle essentiel dans le développement de la civilisation humaine. De la consommation d’aliments cuits et de la culture de plantes à l’ajout d’assaisonnements, en passant par l’enrichissement des méthodes de cuisson, l’invention de la réfrigération, etc., l’invention d’une série d’outils et de méthodes alimentaires a pour but d’améliorer le niveau de vie.

Le livre sur la culture alimentaire, « L'histoire de l'alimentation », aborde la première révolution alimentaire, qui a conduit à une évolution majeure de l'humanité. L’un des nœuds importants est l’émergence de la cuisine. Le livre décrit une telle scène culinaire : pressez d'abord du jus de citron sur les huîtres, puis faites-les cuire à feu doux, et leur texture, leur goût et leur saveur subiront un merveilleux changement...

De l'utilisation du feu à l'émergence de la cuisine, le processus de fabrication des aliments est progressivement devenu une sorte de magie, et il existe de plus en plus de façons de manger. La nourriture n’est plus seulement un moyen de remplir votre estomac pour survivre et vivre, mais est devenue un art et une quête dans la production de diverses combinaisons.

La route vers une cuisine avancée commence par l'association

À mesure que le contenu de « l’alimentation » devient de plus en plus sophistiqué, les humains qui sont rassasiés commencent à réfléchir à ces questions :Quels aliments peuvent être consommés ensemble ? Qu'est-ce qui a meilleur goût ensemble ?

Pour résoudre ce problème, les gourmets ordinaires s’appuient sur des règles de cuisine héritées, tandis que les gourmets plus expérimentés s’appuient sur les méthodes des gourmets ou sur des recettes haut de gamme. Cependant, ce type de méthode couvre une large variété d’aliments et repose principalement sur l’expérience et est très subjectif.

La bonne nouvelle est que nous avons désormais de nouvelles options :Vous pouvez utiliser des méthodes de réseau neuronal pour faire des combinaisons et vous dire ce qui a le meilleur goût.

Récemment, un article intitulé***« KitcheNette : Prédire et recommander des associations d'ingrédients alimentaires à l'aide de réseaux neuronaux siamois » (****https://arxiv.org/abs/1905\.07261\)***L'article décrit le système intelligent de correspondance des aliments de l'équipe expérimentale de l'Université de Corée et leurs recherches approfondies sur la correspondance des aliments.

**KitchenNette :**Dévoiler les mystères des accords mets-vins grâce aux algorithmes

Ce système est basé surRéseaux neuronaux siamoisUn cadre modèle.

Les réseaux neuronaux siamois sont utilisés pour mesurer la similitude de deux entrées. Il dispose de deux entrées, qui sont transmises respectivement à deux réseaux neuronaux, afin de mapper les entrées vers un nouvel espace et de former des représentations dans le nouvel espace. Ensuite, la similarité entre les deux entrées est évaluée en calculant la perte.

Dans cette étude, les chercheurs ont développé un modèle d’association d’alimentsKitchenNette, en prenant deux ingrédients en entrée, il peut calculer dans quelle mesure ils sont adaptés à être associés. L'expression finale est un score compris entre -1 et 1, plus le score est élevé, plus la combinaison des deux aliments est délicieuse.

Pour former KitchenNette, ils ont créé un ensemble de données alimentaires appelé Recipe1M, qui a collecté une grande quantité d'informations sur les recettes, y compris du texte et des images d'une variété d'aliments, y compris des listes d'ingrédients et des instructions de recettes.

À partir de ces recettes, nous avons filtré les aliments grâce à l’extraction de vecteurs de mots et à d’autres techniques, puis nous avons effectué des opérations d’appariement.Au total, 356 451 combinaisons connues valides ont été obtenues, et les 6 003 500 paires d’aliments restantes étaient rares ou n’étaient jamais apparues auparavant et ont été utilisées comme ensembles de test..

Ils utilisent égalementIm2Recipe Algorithme pour extraire les noms des ingrédients à partir d'images.

L'architecture du modèle KitchenNette se compose de deux composants principaux.

Le premier utilise un réseau neuronal jumeau Composant de représentation des ingrédients, où il y a deux perceptrons multicouches (MLP) avec les mêmes poids, chacun recevant l'entrée des ingrédients. Chaque MLP dispose de deux couches entièrement connectées pour traiter les vecteurs de composants d'entrée.

Le deuxième composant est 「****Composant de prédiction du score d'appariement,Utilisation de couches profondes et larges, pour le processus de notation. Dans la couche profonde, les deux couches de vecteurs de représentation appris sont concaténées et transmises à un autre MLP qui calcule la représentation conjointe des deux composants pour extraire des caractéristiques sémantiques, tandis que la couche large est utilisée pour capturer des caractéristiques éparses.

Après avoir construit le modèle,Tout d'abord, laissez le modèle apprendre les combinaisons d'aliments étiquetées, analysez et trouvez les règles des « bonnes combinaisons » parmi les 300 000 paires déjà évaluées, puis utilisez les 951 combinaisons d'aliments TP3T restantes pour le test final..

Selon leur article, KitchenNette n'a besoin que de saisir deux aliments et donnera un score de jugement indiquant s'ils conviennent à l'association, et le résultat est meilleur que celui des autres modèles.

Cocktails et pâtisseries sont les meilleurs accords pour les mannequins !

Pour évaluer l’exactitude des prédictions du modèle, ils ont effectué plusieurs analyses qualitatives.

En saisissant des combinaisons classiques connues, nous avons testé si le modèle pouvait donner des scores équitables. En le comparant à d’autres modèles classiques, nous avons constaté que les prédictions de KitchenNette correspondaient davantage aux habitudes alimentaires des gens. Finalement, après l'avoir comparé avec les recommandations des gourmets, nous avons constaté que les résultats étaient très proches.

En particulier pour les boissons alcoolisées et les pâtisseries, ils ont des ingrédients de recette standardisés et peuvent contrôler le goût avec plus de précision.

Par exemple,Champagne + zeste d'orangeainsi que Vin mousseux + zeste d'orangeLes scores correspondants de Vin mousseux + oignonet **« Prosecco + Oignon »**Une combinaison aussi étrange a reçu une note très faible.

À Bristol, au Royaume-Uni, une autre équipe innovantePetit Géant Concentrée sur le développement d'aliments innovants créés par l'IA, l'équipe a jusqu'à présent créé plusieurs cocktails et cupcakes personnalisés par l'IA.

Quant au suivi de cette étude, les chercheurs ont déclaré qu'ils procéderaient à d'autres optimisations, telles queTenez compte des informations chimiques des ingrédients alimentaires,Utilisez l'encyclopédie pour obtenir des informations détaillées sur les ingrédients alimentaires,ainsi quePlus de recettes « nouvelles » et « vraies », le modèle est formé pour recommander des associations d’ingrédients alimentaires plus diversifiées.

Ces dernières années, la popularité d’émissions culinaires telles que « A Bite of China » et « A String of Life » nous a permis de découvrir le charme incroyable de la nourriture. Il semble désormais que l’IA puisse ouvrir un nouveau monde d’associations alimentaires plus rapidement que nous.

--sur--