Оглавление

Гастрономические рекомендации искусственного интеллекта могут кардинально меняться в зависимости от того, на чем он учился — на текстах кулинарных книг или на химическом составе продуктов. Как сообщает The Decoder, стартап Kaikaku.AI представил исследование системы Epicure, которая разделяет «бытовой» и «научный» подходы к сочетаемости ингредиентов.

Разработчики Якуб Радзиковски и Джозеф Чен создали три вариации модели, чтобы проверить, как данные влияют на логику алгоритма. Модель Cooc обучалась исключительно на реальных рецептах, Chem — на базе молекулярных соединений FlavorDB, а Core попыталась объединить оба мира, и результаты оказались поучительными для всех, кто привык доверять советам чат-ботов.

Один ингредиент — три разные логики

Различия в подходах становятся очевидными при простых запросах: если спросить Cooc о паре к курице, система предложит чеснок и лук, основываясь на частоте их совместного упоминания в текстах. Однако модель Chem выдаст неожиданный для обывателя результат — говядину или свинину, поскольку эти продукты обладают схожими наборами вкусовых молекул.

Аналогичная ситуация наблюдается с базиликом: «рецептурная» нейросеть предсказуемо советует оливковое масло и пармезан, воссоздавая классический профиль пасты. В то же время «химическая» модель указывает на эстрагон и розмарин. Примечательно, что Chem демонстрирует лучшие результаты в классификации таких понятий, как сладость, горечь или содержание белка, хотя эти параметры не были заданы в явном виде при обучении.

Мультиязычный корпус и культурные смещения

В отличие от существующих аналогов вроде FlavorGraph, работающих преимущественно с англоязычным сегментом, Epicure оперирует базой из 4,14 миллиона рецептов на семи языках. Процесс подготовки данных включал использование Claude и Gemini для очистки 200 000 сырых терминов, которые в итоге были преобразованы в 1 790 уникальных ингредиентов.

Когда 50% датасета приходится на Восточную Азию, а Латинская Америка представлена в пределах погрешности, «объективность» молекулярных связей начинает подозрительно напоминать культурную экспансию. Технологический успех здесь омрачается тем, что ИИ все еще плохо понимает редкие региональные кухни.

Интересной особенностью системы стал инструмент «поворота» контекста. Пользователь может взять базовый ингредиент, например рис, и с помощью регулируемого угла сместить его в сторону определенной кухни. При повороте в сторону Южной Азии в выдаче появляются листья карри и пажитник, а при движении к западной кухне — готовые супы-концентраты и соус ранч.

От теории к роботизированным ресторанам

Исследование имеет под собой вполне практический фундамент: Kaikaku развивает сеть роботизированных ресторанов в Лондоне. Их флагманская установка Fusion способна выдавать до 360 блюд в час, используя алгоритмы машинного обучения для контроля порций и управления запасами. В 2024 году компания привлекла около 1,8 миллиона долларов инвестиций.

Для такого бизнеса карта ингредиентов — это не просто академический интерес, а инструмент оптимизации меню и поиска замен при сбоях в цепочках поставок. Однако эксперты отмечают, что многие примеры в работе выглядят отобранными вручную, а реальная стабильность ответов для малопредставленных регионов, таких как Восточная Европа, остается под вопросом.

Модель уже доступна на платформе Hugging Face для независимой проверки. Хотя авторы и заявляют о сжатии «всей мировой кулинарии» в крошечный объем, на практике работа системы все еще сильно зависит от чистоты исходных данных и отсутствия предвзятости в языковых моделях, которые занимались переводом и нормализацией понятий.