作者 | 神经小兮    责编 | 八宝粥

来源 | HyperAI超神经 (ID:HyperAI)

世界上的各色美食中,烘焙食品一直都占据着重要的地位。松软的面包、细腻的蛋糕、酥脆的饼干,都让人无法拒绝。

烘焙不仅是一项烹饪技术,更像是一门艺术。将面粉、鸡蛋、奶油、糖等原料,以不同比例混合,经过一系列物理、化学反应,就会得到不同口味与质感的点心,如一个个精美的艺术品一般。

各色甜点从口感和视觉上,都给人以幸福感

时至今日,烘焙大师们已经开发出了诸如蛋挞、泡芙、千层酥等数十种经典甜点,但为了给广大吃货的味蕾带来新的体验和刺激,他们依然在不断研究、开发新品。

谷歌 AI 工程师 Sara 作为一名烘焙爱好者,也一直在探索新的可能。她将这一兴趣爱好和工作结合起来,利用 AI 来开发新的烘焙配方。

机器学习做烘焙,分分钟开发俩新品

和很多人一样,Google Cloud 的 AI 工程师 Sara,在因疫情而被迫宅家期间,把大量的时间都贡献给了厨房。

Sara 喜欢将工作与爱好相结合,探索有趣的事物

Sara 喜欢做烘焙,不过她发现,大多数人做烘焙时,都是从网上搜一些现成的配方,然后按部就班去做。这样的做法固然保险,但是却有很大局限性,很难有创新。可如果自己随意搭配,又很可能翻车,白白浪费了材料和时间。

所以,了解烘焙配方背后的科学原理很重要,这样才能清楚每种原料、不同比例所带来的不同效果,从而摆脱固定配方的限制。

作为 AI 工程师,Sara 认为这一项任务非常适合机器学习。「用现有数据训练机器学习模型,让其掌握其中的规律,然后创造出我们想要的新配方。」

基于这一想法,Sara 很快便构建了一个 AI 模型。该模型学习 600 种烘焙配方之后,对于输入配方,都能准确地判断出其烘焙结果是面包(bread)、蛋糕(cake)还是曲奇(cookie)。

对于给定配方,AI 模型能准确预测结果

接下来,Sara 让掌握了烘焙原料配比秘诀的 AI 模型,创建一个蛋糕和曲奇的混合物配方,她为之命名「cakie」(cake+cookie)。

AI 模型不负所望,按 Sara 的需求生成了精确的配方。Sara 进行了亲自实验,发现在这个新配方的指引下,烤出来的「cakie」非常符合预期,味道也非常 nice。

新甜点:面包曲奇,兼具蛋糕的蓬松感与曲奇的酥脆

之后,Sara 又让 AI 模型创建「面包饼干」的配方,「breakie」(bread+cookie),得到的结果也令她满意。

又像面包又像饼干的新品种点心

 AI 烘焙师:深谙点心配比原理

Sara 在博客详细介绍了这一模型的构建过程,让我们看看 AI 如何修炼成一位专业的烘焙师。

 数据集整理 

首先,Sara 和她的同事从网上搜集了 600 多个配方构成配方数据集,包括面包、蛋糕和饼干。然后,将其中常用的核心原料提取出来,共 16 种,包括面粉、酵母、牛奶、水、盐、蛋等。

然后对这些配方中,各种原料的度量单位进行统一,比如,有的以「杯」为单位,有的以「勺」为单位,作者将其全部转换为「盎司」(1 盎司 ≈28.35 克)。

对每种配方的原料,进行单位统一化

 建立模型,学习配方 

他们使用 Google 的 AutoML Tables,构建了一个分类模型。

创建新的表格模型后,就可以直接从 csv、Google 表格或 BigQuery 数据库导入数据。数据导入后,可以在「训练」标签中看到它们:

用这些数据对模型进行训练之后,模型就掌握了每种烘焙品所对应的配方特点,从而能够进行更准确的预测。

 分析模型可解释性 

通过分析,Sara 进一步了解了 AI 模型在进行预测时的判断依据。结果显示,对于 AI 模型来说,烘焙配方中的每种成分,对于决策的重要性排名如下:

模型预测时所依赖的重要指标:奶油、糖、酵母和鸡蛋

当然,实际上各类甜点的配方是非常复杂的,以上指标也并不是固定不变的。比如,Sara 对某个「蛋糕」的配方预测结果进行分析,发现其中鸡蛋、黄油和小苏打是 AI 进行预测的重要判断指标。

模型不仅给出判断结果,还给出了决策依据

事实上,在烘焙领域,早已有专业人士编写出《用科学方式了解面包的「为什么」》、《面包圣经》等介绍烘焙原理的书籍,但是对于业余爱好者来说,也许没有足够的时间或耐心去钻研。

AI 烘焙师则帮我们省去了这一步,你无需掌握科学原理,也可以让 AI 帮你创建符合自己口味的甜点,岂不美哉?

 开发新菜品,AI 比人类更靠谱吗?

吃腻了常规菜品,近年来越来越多人开始追求创新菜。然而,现实是创新菜一不小心,就会变成让人望而却步的黑暗料理:青菜炒橘子、月饼炒辣椒、西瓜炒香蕉……

在 AI 学习开发烘焙配方之前,也早已涉足菜谱研发领域。它是否会比人类厨师靠谱一些,创新的同时也避免翻车?

2019 年,英国馅饼制造商 Piglet's Pantry 与一家商业贷款平台 Esme Loans 合作,让算法学习了数千种现有的英国特有的馅饼食谱(总计近 100 万字符的文本),然后学会发明数千种新的馅饼食谱。

之后,经过人工实验筛选以及改进,将五种新的馅饼配方被选中用于生产,一些顾客试吃后,表示很美味。

AI 研发的咖喱鸡肉馅饼

但是,想象力过于丰富的 AI,创新太多也难免失误。

此前,一个即使学习了 3 万种食谱的 AI,依然没能掌握各种食物的组合诀窍,生成了一些看起来就不忍下口的食谱。

比如将蓝莓+菠菜+羊乳酪的搭配,以及培根+牛油果+桃子的搭配等等……

一位好奇的吃货宝宝表示,味道一言难尽

看来,AI 开发菜谱的技能还不够稳定,甚至有时就是一些随机组合。所以广大吃货还需做好心理准备,把创新菜的任务交给 AI,节省了时间也要承担一定的风险。

新闻来源:

https://cloud.google.com/blog/topics/developers-practitioners/baking-recipes-made-ai

点分享点收藏点点赞点在看

分析了 600 多种烘焙配方,机器学习开发出新品相关推荐

  1. 猛犸机器学习开发实践

    本文来自 网易云社区 . Dolphin 是猛犸平台里的一个机器学习功能模块,提供给数据科学家进行机器学习的算法开发.模型训练和服务发布,提供分布式全功能深度学习框架,易学易用,高效灵活,支持 Ten ...

  2. 机器学习开发的灵药:Docker容器

    来源:机器之心 本文约4300字,建议阅读10分钟 转向容器化机器学习开发是应对众多挑战的一种途径. 大多数人都喜欢在笔记本电脑上做原型开发.当想与人协作时,通常会将代码推送到 GitHub 并邀请协 ...

  3. python自动化工具开发_初识TPOT:一个基于Python的自动化机器学习开发工具

    1. TPOT介绍 一般来讲,创建一个机器学习模型需要经历以下几步: 数据预处理 特征工程 模型选择 超参数调整 模型保存 本文介绍一个基于遗传算法的快速模型选择及调参的方法,TPOT:一种基于Pyt ...

  4. 2021年全国大学生数据统计与分析竞赛赛题B—基于机器学习的用户消费行为预测(上)

    2021年全国大学生数据统计与分析竞赛赛题B-基于机器学习的用户消费行为预测(上) 一.赛题B:用户消费行为价值分析 二.基于机器学习的用户消费行为预测 1.数据简介及清洗 (一)数据简介 (二)数据 ...

  5. 在线电影推荐网 Python+Django+Mysql 协同过滤推荐算法在电影网站中的运用 基于用户、物品的协同过滤推荐算法 开发在线电影推荐系统 电影网站推荐系统 人工智能、大数据、机器学习开发

    在线电影推荐网 Python+Django+Mysql 协同过滤推荐算法在电影网站中的运用 基于用户.物品的协同过滤推荐算法 开发在线电影推荐系统 电影网站推荐系统 人工智能.大数据.机器学习开发 M ...

  6. 六个机器学习开发人员应该了解的Amazon SageMaker功能

    开发人员和数据科学家应该熟悉这六个旨在简化机器学习过程的SageMaker工具.发现他们为你的模型提供的东西. AWS的旗舰AI产品Amazon SageMaker自称是简化机器学习的一种方式,该服务 ...

  7. 简单在线音乐推荐网 基于用户、物品的协同过滤推荐算法 使用Python+Django+Mysql开发技术 在线音乐推荐系统 音乐网站推荐系统 个性化推荐算法开发 人工智能、大数据分布式、机器学习开发

    简单在线音乐推荐网 基于用户.物品的协同过滤推荐算法 使用Python+Django+Mysql开发技术 在线音乐推荐系统 音乐网站推荐系统 个性化推荐算法开发 人工智能.大数据分布式.机器学习开发S ...

  8. 分析,大数据,数据挖掘,数据科学,机器学习100个活跃的博客

    分析,大数据,数据挖掘,数据科学,机器学习100个活跃的博客 留在数据科学技能的巅峰!下面是对大数据,数据科学,数据挖掘,机器学习和人工智能约100最活跃,最有趣的博客的列表. Devendra De ...

  9. 独家 | 手把手教你用Python 3创建用于机器学习开发的Linux虚拟机(附安装教程代码)

    原文标题:How to Create a Linux Virtual Machine For Machine Learning Development With Python 3 作者:Jason B ...

最新文章

  1. import的几种用法
  2. 浅析神经协同过滤NCF在推荐系统的应用
  3. ABAP 在字符串之间加入若干空格
  4. 记一次对某企业的渗透测试实战
  5. 从动力学角度看优化算法:一个更整体的视角
  6. aop简介-基于jdk的动态代理
  7. 剑指 offer 编程题 C++ 版总结(下)
  8. [BZOJ 2424][HAOI2010]订货(费用流)
  9. .NET Core引入性能分析引导优化
  10. linux文件的查看指令-cat-more-less
  11. 如何快速设计《数字电路》的JK触发器、T触发器描述的驱动方程对应的次态K图——异或卡诺图法
  12. 波士顿大学计算机硕士排名,GPA3.25却获波士顿大学计算机硕士录取
  13. 华为OD机试题:按区间反转文章片段
  14. CS231n:Python Numpy教程
  15. 计算机伦理问题论文,仲伟民:论文写作中的学术伦理问题
  16. matplotlib中绘图常用函数
  17. 哔哩哔哩 2019校园招聘 开发工程师-2018.09.21
  18. RISC-V矢量指令集学习记录
  19. 20本英文书点亮你的人生智慧
  20. Unix整理笔记——Unix基础——里程碑

热门文章

  1. 香港中文大学(深圳)招收博士生硕士生(计算机视觉方向)
  2. GitHub 13.1k | 所有的编程知识,都在这100 张思维导图里了
  3. 【基础积累】目标检测NMS—精度提升篇
  4. 两度延期,K项目终于要开工了!
  5. CVPR 2020 | 元学习人脸识别框架详解
  6. SAP SD基础知识之特殊的业务交易
  7. 机器学习中的分类距离
  8. 「AI不惑境」网络深度对深度学习模型性能有什么影响?
  9. 李彦宏为什么被称为AI先生,美国权威媒体给出答案
  10. 助力AI腾飞,深度学习走向何方?