Έναν αλγόριθμο machine learning ο οποίος μπορεί να
«κοιτά» ένα πιάτο φαγητού και να «βλέπει» τη συνταγή που χρησιμοποιήθηκε
για τη δημιουργία του ανέπτυξαν επιστήμονες του ΜΙΤ.
Όπως αναφέρει το New Scientist, ο Νικ Χάινς και οι συνεργάτες του «εκπαίδευσαν» τον αλγόριθμο αυτό πάνω σε ένα εκατομμύρια συνταγές, η καθεμία εξ των οποίων συνοδευόταν από μια εικόνα του τελικού αποτελέσματος, από πολλές ιστοσελίδες μαγειρικής- οπότε ο αλγόριθμος απέκτησε τη δυνατότητα, λαμβάνοντας μια νέα φωτογραφία ενός πιάτου, να «καταλαβαίνει» τη συνταγή σωστά στο 65% των περιπτώσεων. Ακόμη, μπορεί να εξάγει συμπεράσματα και για τα πιο βασικά συστατικά- πχ, όταν «βλέπει» μπισκότα, «ξέρει» ότι κατά πάσα πιθανότητα περιέχουν αλεύρι, αυγά και βούτυρο. Ωστόσο, προς το παρόν δεν ξέρει τον ακριβή τρόπο μαγειρέματος – πχ δεν ξέρει αν χρειάστηκε βράσιμο ή τηγάνισμα, αν και ο Χάινς ελπίζει πως αυτό θα αλλάξει στο μέλλον. Το σύστημα παρουσιάζει επίσης ιδιαίτερα υψηλές δυνατότητες στο να βρίσκει συνταγές για μπισκότα ή muffins, σύμφωνα με τον ερευνητή, καθώς οι συνταγές αυτές είναι ιδιαίτερα δημοφιλείς online.
Η σχετική έρευνα πρόκειται να παρουσιαστεί στη συνδιάσκεψη Computer Vision and Pattern Recognition στη Χονολουλού (Χαβάη).
Υπάρχουν ήδη διάφορες εφαρμογές που δίνουν στους χρήστες τους τη δυνατότητα να παρακολουθούν με ακρίβεια το πόσες θερμίδες λαμβάνουν, ωστόσο η εισαγωγή των ειδών που απαρτίζουν το κάθε γεύμα πρέπει να γίνεται χειροκίνητα. Μια τεχνητή νοημοσύνη τέτοιου τύπου θα μπορούσε να βοηθήσει σε αυτό – αν και δνε είναι σε θέση ακόμα να κατανοήσει τα πιο «ιδιαίτερα» πιάτα, πχ αν της δοθεί μια φωτογραφία ενός πιάτου με λαζάνια aubergine, το πιθανότερο είναι να δώσει μια απλή συνταγή για λαζάνια. Αυτό, κατά τον Χάινς, θα μπορούσε να βελτιωθεί, αν ο χρήστης μπει στη διαδικασία να βοηθήσει το σύστημα, προσδιορίζοντας κάποια από τα πιο ιδιαίτερα συστατικά του πιάτου.
Όπως αναφέρει το New Scientist, ο Νικ Χάινς και οι συνεργάτες του «εκπαίδευσαν» τον αλγόριθμο αυτό πάνω σε ένα εκατομμύρια συνταγές, η καθεμία εξ των οποίων συνοδευόταν από μια εικόνα του τελικού αποτελέσματος, από πολλές ιστοσελίδες μαγειρικής- οπότε ο αλγόριθμος απέκτησε τη δυνατότητα, λαμβάνοντας μια νέα φωτογραφία ενός πιάτου, να «καταλαβαίνει» τη συνταγή σωστά στο 65% των περιπτώσεων. Ακόμη, μπορεί να εξάγει συμπεράσματα και για τα πιο βασικά συστατικά- πχ, όταν «βλέπει» μπισκότα, «ξέρει» ότι κατά πάσα πιθανότητα περιέχουν αλεύρι, αυγά και βούτυρο. Ωστόσο, προς το παρόν δεν ξέρει τον ακριβή τρόπο μαγειρέματος – πχ δεν ξέρει αν χρειάστηκε βράσιμο ή τηγάνισμα, αν και ο Χάινς ελπίζει πως αυτό θα αλλάξει στο μέλλον. Το σύστημα παρουσιάζει επίσης ιδιαίτερα υψηλές δυνατότητες στο να βρίσκει συνταγές για μπισκότα ή muffins, σύμφωνα με τον ερευνητή, καθώς οι συνταγές αυτές είναι ιδιαίτερα δημοφιλείς online.
Η σχετική έρευνα πρόκειται να παρουσιαστεί στη συνδιάσκεψη Computer Vision and Pattern Recognition στη Χονολουλού (Χαβάη).
Υπάρχουν ήδη διάφορες εφαρμογές που δίνουν στους χρήστες τους τη δυνατότητα να παρακολουθούν με ακρίβεια το πόσες θερμίδες λαμβάνουν, ωστόσο η εισαγωγή των ειδών που απαρτίζουν το κάθε γεύμα πρέπει να γίνεται χειροκίνητα. Μια τεχνητή νοημοσύνη τέτοιου τύπου θα μπορούσε να βοηθήσει σε αυτό – αν και δνε είναι σε θέση ακόμα να κατανοήσει τα πιο «ιδιαίτερα» πιάτα, πχ αν της δοθεί μια φωτογραφία ενός πιάτου με λαζάνια aubergine, το πιθανότερο είναι να δώσει μια απλή συνταγή για λαζάνια. Αυτό, κατά τον Χάινς, θα μπορούσε να βελτιωθεί, αν ο χρήστης μπει στη διαδικασία να βοηθήσει το σύστημα, προσδιορίζοντας κάποια από τα πιο ιδιαίτερα συστατικά του πιάτου.
