인공지능, 케이터링 업계 진출…AI 칵테일, 마실수록 더 맛있어진다

이제 '먹는 것'은 하나의 문화로 자리 잡았고, 끊임없이 음식을 추구하는 것은 인류 역사의 원동력이었다고 할 수 있습니다. 요리의 진화부터 오늘날의 다양한 요리까지, 음식 페어링에 어떤 새로운 아이디어가 등장할까요? 음식의 부조화에 대한 맹목적인 강박관념은 새로운 방법과 기술이 등장할 것임을 시사합니다.

음식과 요리는 인류 문명의 발전에 중요한 역할을 해왔습니다. 조리된 음식을 먹고 농작물을 재배하는 것부터 양념을 더하고, 요리 방법을 풍부하게 하고, 냉장고를 발명하는 것까지, 일련의 식사 도구와 방법의 발명은 모두 생활 수준을 향상시키기 위한 목적을 가지고 있습니다.

음식 문화를 다룬 책인 '음식의 역사'에서는 인류의 큰 진화를 이끈 최초의 음식 혁명에 대해 논의합니다. 중요한 노드 중 하나는 요리의 등장입니다. 이 책에서는 이런 먹는 장면을 묘사합니다. 먼저 굴에 레몬즙을 짜서 약한 불로 구우면 질감, 맛, 풍미가 놀라울 정도로 변한다고 합니다...

불을 사용하는 것부터 요리가 등장하기까지, 음식을 만드는 과정은 점차 일종의 마법이 되었고, 먹는 방법도 점점 더 다양해졌습니다. 음식은 더 이상 생존과 삶을 위해 배를 채우는 단순한 수단이 아니라, 다양한 조합을 만들어내는 예술이자 추구가 되었습니다.

고급 음식의 길은 페어링부터 시작됩니다

'먹는다'는 내용이 점점 더 정교해지면서, 배부른 인간은 이런 질문을 생각하게 됩니다.함께 먹을 수 있는 음식은 무엇이 있나요? 어떤 것들을 함께 먹으면 더 맛있을까?

이러한 문제를 해결하기 위해, 일반적인 미식가들은 물려받은 주방 규칙에 의지하는 반면, 경험이 많은 미식가들은 고급 요리법이나 고급 레시피를 활용합니다. 그러나 이러한 방법은 다양한 식품에 한정되어 적용 범위가 좁고, 주로 경험에 근거하며 매우 주관적입니다.

좋은 소식은 이제 새로운 옵션이 생겼다는 것입니다.신경망 방법을 사용하면 조합을 만들고 무엇이 가장 맛있는지 알아낼 수 있습니다.

최근에 다음과 같은 기사가 나왔습니다."KitcheNette: 샴 신경망을 사용하여 음식 재료 페어링 예측 및 추천"(https://arxiv.org/abs/1905.07261)본 논문에서는 고려대학교 실험팀의 지능형 식품 매칭 시스템과 식품 매칭에 대한 핵심 연구를 설명합니다.

키친넷:알고리즘으로 음식 페어링의 미스터리를 풀다

이 시스템은 다음을 기반으로 합니다.샴 신경망모델 프레임워크.

샴 신경망은 두 입력이 얼마나 유사한지 측정하는 데 사용됩니다. 두 개의 입력이 있으며, 이 입력은 각각 두 개의 신경망으로 전송되어 입력을 새로운 공간에 매핑하고 새로운 공간에서 표현을 형성합니다. 그런 다음 손실을 계산하여 두 입력 간의 유사성을 평가합니다.

이 연구에서 연구자들은 음식 페어링 모델을 개발했습니다. 키친넷 두 가지 재료를 입력으로 받아서 두 재료가 서로 얼마나 잘 어울리는지 계산할 수 있습니다. 최종 표현은 -1에서 1 사이의 점수이며, 점수가 높을수록 두 음식의 조합이 더 맛있다는 것을 의미합니다.

KitchenNette를 훈련시키기 위해 그들은 Recipe1M이라는 음식 데이터 세트를 만들었습니다. 이 데이터 세트에는 다양한 음식의 텍스트와 사진, 재료 목록, 요리법 설명 등 방대한 양의 요리법 정보가 수집되었습니다.

이러한 요리법에서 우리는 단어 벡터 추출 및 기타 기술을 통해 음식을 걸러낸 다음, 페어링 작업을 수행했습니다.총 356,451개의 유효한 알려진 조합이 얻어졌고, 나머지 6,003,500개의 음식 쌍은 흔하지 않거나 이전에 나타난 적이 없는 것이었으며 테스트 세트로 사용되었습니다..

그들은 또한 사용합니다 임투레시피  이미지에서 재료 이름을 추출하는 알고리즘.

KitchenNette 모델의 아키텍처는 두 가지 주요 구성 요소로 이루어져 있습니다.

첫 번째는 트윈 신경망을 사용합니다. 성분 표시 구성 요소동일한 가중치를 갖는 두 개의 다층 퍼셉트론(MLP)이 있고, 각각 재료의 입력을 받습니다. 각 MLP에는 입력 구성 요소 벡터를 처리하기 위한 두 개의 완전 연결 계층이 있습니다.

두 번째 구성 요소는 「페어링 점수 예측 구성 요소점수 매기기 과정에 깊고 넓은 레이어를 사용합니다. 딥 레이어에서는 학습된 표현 벡터의 두 레이어가 연결되어 두 구성 요소의 공동 표현을 계산하여 의미적 특징을 추출하는 다른 MLP로 전달되는 반면, 와이드 레이어는 희소 특징을 포착하는 데 사용됩니다.

모델을 구축한 후,먼저, 모델이 표시된 음식 조합을 학습하게 하고, 이미 평가된 30만 개의 쌍에서 "좋은 조합"의 규칙을 분석하여 찾은 다음, 나머지 95% 음식 조합을 최종 테스트에 사용합니다..

해당 논문에 따르면, KitchenNette는 두 가지 음식만 입력하면 페어링에 적합한지 여부에 대한 판단 점수를 제공하며, 그 결과는 다른 모델보다 우수합니다.

모델에게는 칵테일과 페이스트리가 가장 잘 어울립니다!

모델의 예측 정확도를 평가하기 위해 그들은 몇 가지 정성적 분석을 수행했습니다.

알려진 고전적 조합을 입력하여 모델이 공정한 점수를 줄 수 있는지 테스트했습니다. 다른 고전적인 모델과 비교한 결과, KitchenNette의 예측이 사람들의 식습관에 더 잘 부합한다는 것을 발견했습니다. 마지막으로, 이를 미식가들의 추천과 비교한 결과, 그 결과가 매우 비슷하다는 것을 알게 되었습니다.

특히 알코올성 음료와 페이스트리의 경우 표준화된 레시피 재료를 사용하고 있어 맛을 더욱 정확하게 조절할 수 있습니다.

예를 들어,샴페인 + 오렌지 껍질게다가 스파클링 와인 + 오렌지 껍질의 일치 점수 스파클링 와인 + 양파그리고 「프로세코 + 양파」이런 이상한 조합은 매우 낮은 점수를 받았습니다.

영국 브리스톨에는 또 다른 혁신적인 팀이 있습니다. 타이니자이언트  이 팀은 혁신적인 AI 기반 음식 개발에 주력하여 지금까지 여러 가지 AI 맞춤형 칵테일과 컵케이크를 만들어냈습니다.

연구진은 이번 연구의 후속 조치로 다음과 같은 추가적인 최적화를 진행할 것이라고 밝혔다.식품 성분의 화학 정보를 고려하세요,식품 재료에 대한 자세한 정보는 백과사전을 활용하세요,게다가더 많은 "새로운" 요리법과 "진짜" 요리법모델은 더욱 다양한 음식 재료 조합을 추천하도록 훈련되었습니다.

최근 몇 년 동안 '중국의 한입', '인생의 끈'과 같은 음식 프로그램의 인기로 인해 우리는 음식의 놀라운 매력을 볼 수 있게 되었습니다. 이제 AI가 우리보다 훨씬 빠르게 음식 페어링의 새로운 세계를 열어갈 것으로 보입니다.

--위에--