人工知能がケータリングに参入: AI バーテンダー、飲めば飲むほど美味しくなる

今や「食べる」ことは文化となり、食へのあくなき追求は人類の歴史の原動力とも言えます。料理の進化から今日のさまざまな珍味まで、食のマッチングにはどのような新しいアイデアが現れるのでしょうか？

人類の文明の発展において、食べ物と料理は非常に重要です。調理済みの食品を食べる、作物を栽培する、調味料を加える、調理方法を多様化する、冷蔵庫を発明するなど、生活水準を向上させるために一連の食事の道具や手段が発明されました。

食文化の本『食の歴史』では、食における第一次革命が人類の大きな進化につながったと論じられています。重要な結節点のひとつが料理の登場で、牡蠣にレモン汁を絞り、弱火でローストすると、その食感、食感、味わいが見事に変化する……という食事シーンが描かれている。

火の使用から料理の登場に至るまで、食べ物を作るプロセスは徐々に一種の魔法となり、食べ物はもはや生存と生命への飢えを満たすだけのものではなく、ますます多くの方法で食べられています。しかし、それはさまざまな組み合わせで作られ、芸術と追求されています。

進化した食への道はペアリングから始まる

「食べる」という行為の内容が高度化するにつれ、満腹になった人類はこんな問いを考えるようになる。一緒に食べられる食べ物は何ですか？一緒に食べるとさらにおいしいものは何ですか?

この問題を解決するために、普通の美食家は継承されたキッチンのルールに依存しますが、より経験豊富な美食家はグルメレシピや高級レシピから学びます。ただし、このタイプの方法は、広範囲の食品をカバーできる範囲が狭く、経験に基づいており、非常に主観的です。

良いニュースは、新しいオプションが追加されたことです。ニューラル ネットワーク手法を使用して組み合わせを作成し、何が一番おいしいかを伝えることができます。

最近、こんな記事が「KitcheNette: シャム ニューラル ネットワークを使用した食材の組み合わせの予測と推奨」(https://arxiv.org/abs/1905.07261)この論文は、高麗大学実験チームのインテリジェントフードマッチングシステムとフードマッチングに関する熱心な研究について説明しています。

キッチンネット:アルゴリズムを使用して食べ物の組み合わせの秘密を解き明かす

このシステムは以下に基づいていますシャム ニューラル ネットワークモデルフレームワーク。

シャム ニューラル ネットワークは 2 つの入力の類似性を測定します。これには 2 つの入力があり、それぞれ 2 つのニューラル ネットワークに送信され、入力を新しい空間にマッピングし、新しい空間で表現を形成します。次に、Loss を計算することで 2 つの入力の類似性が評価されます。

この研究では、研究者らは食品適合モデルを開発しました。 キッチンネット 、2 つの材料を入力として受け取ると、それらの組み合わせの適合性を計算できます。最終的なパフォーマンスは、-1 から 1 の間のスコアです。スコアが高いほど、2 つの食品の組み合わせがより美味しくなります。

KitchenNette をトレーニングするために、彼らは食品データセット Recipe1M を作成しました。これは、材料リストやレシピの説明など、さまざまな食品のテキストや写真を含む大量のレシピ情報を収集しました。

これらのレシピから、ワード ベクトル抽出やその他の技術を通じて、食品がフィルタリングされ、ペアリングされ、最終的には合計 356,451 の有効な既知の組み合わせが得られ、残りの 6,003,500 の食品の組み合わせは非常に一般的であるか、まったく登場したことがなく、テスト セットとして使用されました。。

彼らも使っています Im2レシピ  画像から成分名を抽出するアルゴリズム。

KitchenNette モデルのアーキテクチャは 2 つの主要コンポーネントで構成されます。

1つ目はツインニューラルネットワークを使用する方法です。 「成分表現コンポーネント」ここには、同じ重みを持つ 2 つの多層パーセプトロン (MLP) があり、それぞれが成分から入力を受け取ります。各 MLP には、入力コンポーネント ベクトルを処理する 2 つの完全に接続された層があります。

2 番目のコンポーネントは 「ペアリングスコア予測コンポーネント、スコアリングプロセスにディープ＆ワイドレイヤーを使用します。ディープ レイヤーでは、2 層の学習済み表現ベクトルが連結されて別の MLP に渡され、そこで 2 つのコンポーネントの結合表現を計算して意味論的な特徴を抽出します。一方、ワイド レイヤーはスパースな特徴をキャプチャするために使用されます。

モデルを構築した後、まずモデルにラベル付きの食品の組み合わせを学習させ、高評価を受けた 300,000 の食品の組み合わせから分析して「良い組み合わせ」のルールを見つけ出し、残りの 95% 食品の組み合わせを最終テストに使用します。。

論文によれば、KitchenNette は 2 つの食品を入力するだけで、適切な組み合わせかどうかの判定スコアを提供し、この結果は他のモデルよりも優れているとのことです。

ドリンクとペストリーの組み合わせは、モデルの組み合わせに最適です。

このモデルの予測の精度を評価するために、彼らはいくつかの定性分析を実施しました。

既知の古典的な組み合わせを入力することで、モデルが公正なスコアを与えることができるかどうかをテストしました。同時に、他の古典的なモデルと比較したところ、グルメの推奨事項と比較した結果、KitchenNette の予測が人々の食生活により一致していることがわかりました。 , 判定結果が非常に近いことが分かりました。

特にアルコール飲料とペストリーでは、配合成分が標準化されており、味をより正確にコントロールできます。

例えば、「シャンパン＋オレンジピール」同様に 「スパークリングワイン＋オレンジピール」より高いコロケーション スコア (0.33 ～ 0.42) を持ちますが、 「スパークリングワイン＋玉ねぎ」そして 「プロセッコ＋玉ねぎ」このような奇妙な組み合わせは非常に低いスコアを受け取りました。

英国ブリストルのもう一つの革新的なチーム タイニージャイアント  AI によって考案された革新的な食品の開発に焦点を当てているこのチームは、これまでに AI によってカスタマイズされたカクテルやカップケーキをいくつか制作してきました。

研究者らは、今回の研究のフォローアップについて、今後さらに最適化が行われる予定であると述べている。食品成分の化学情報を考慮する、食材事典を使って詳しく知る、同様により多くの「斬新」で「本格的な」レシピ、より多様な食材の組み合わせを推奨するようにモデルをトレーニングします。

近年、「A Bite of China」や「Life」などのグルメ番組の人気により、食の驚くべき魅力が目に見えるようになった今、AIが私たちよりも早く新たなフードマッチングの世界を切り開くかもしれません。 。

- 以上 -