Стартап Kaikaku.AI представил исследование Epicure, в котором разделил два типа кулинарного сходства: ингредиенты, которые часто встречаются вместе в рецептах, и ингредиенты с близким вкусовым профилем. Авторы работы — Jakub Radzikowski и Josef Chen.
В Epicure описаны три почти одинаковые модели ИИ. Разница между ними состоит только в обучающих данных. Модель Cooc видит, какие ингредиенты встречаются рядом в реальных рецептах. Chem обучена на данных о совпадении вкусовых молекул из химической базы FlavorDB. Core объединяет оба подхода.
Различие заметно на простых запросах. Для «chicken» модель Cooc предлагает garlic, onion и black pepper — то есть частых спутников курицы в рецептах. Chem в ответ возвращает beef и pork, поскольку у них схожий вкусовой профиль. Для «basil» Cooc выдаёт parsley, olive oil и parmesan, а Chem — oregano, tarragon и rosemary.
По словам авторов, модель Chem лучше справляется и с задачами, для которых у неё нет прямых подсказок в обучающих данных. Речь идёт о вкусах вроде сладкого, кислого и горького, а также о пищевых показателях, например содержании белка или жира. Авторы считают, что химические связи помогают модели лучше улавливать и другие кулинарные признаки.
В статье также сравнивают Epicure с FlavorGraph, который авторы называют самой полной открытой моделью ингредиентов на сегодня. В отличие от неё Epicure обрабатывает 4,14 млн рецептов из 11 источников на семи языках, включая китайский, русский, вьетнамский, турецкий, индонезийский и немецкий.
Для подготовки данных использовался конвейер на базе эмбеддингов Claude и Gemini. Он переводил и очищал около 200 тыс. сырых терминов — от орфографических вариантов и брендов до указаний по приготовлению — и сводил их к 1790 чистым ингредиентам.
При этом корпус распределён неравномерно. Около половины материалов приходится на восточноазиатские источники. Кухни Латинской Америки, Восточной Европы и Южной Азии дают лишь однозначные доли в процентах. Ещё одно ограничение состоит в том, что только около трети ингредиентов напрямую связаны с химической базой данных. Остальные получают химический сигнал через родственные ингредиенты.
Готовая модель работает в двух режимах. Первый — это поиск ближайших соседей для заданного ингредиента. Второй позволяет сдвигать исходный ингредиент на настраиваемый угол в сторону целевого направления. При нуле градусов результат не меняется, а при 60 градусах начинает доминировать целевая группа.
Авторы приводят такие примеры: если слегка сдвинуть «rice» в сторону Южной Азии, модель предложит curry leaf, urad dal, chana dal и fenugreek seeds. Если сильнее сдвинуть «chicken» к переработанной западной атлантической кухне, результатом будут Cream of chicken soup, crescent rolls и ranch dressing — типичные продукты для домашней кухни США.
Выбор модели влияет и на культурный контекст ответа. Если повернуть «chocolate» в сторону «sweet pastries», Cooc и Core приходят к западной выпечке с cocoa, vanilla и baking powder. Chem в том же направлении уходит к восточноазиатским десертам с red bean paste, matcha powder и purple sweet potato.
За проектом стоит ресторанный технологический стартап. Kaikaku была основана в Лондоне в 2023 году и управляет собственным роботизированным рестораном Common Room в Brunswick Centre. Компания планирует развивать его как сеть.
Kaikaku применяет собственные системы машинного обучения для взвешивания и порционирования ингредиентов. Её установка Fusion, по данным компании, теоретически может выдавать 360 порций в час. В систему также входят управление запасами на базе ML и напечатанные на 3D-принтере компоненты, пригодные для контакта с пищей. В 2024 году компания привлекла около $1,8 млн на стадии pre-seed.
Авторы статьи отмечают, что модель, которая по запросу переключается между «спутниками по рецептам» и «вкусовыми родственниками», может пригодиться для разработки меню, подбора замен при перебоях с поставками и выхода в новые точки. Но практическая ценность системы ещё требует проверки.
Веса модели и наборы данных уже опубликованы на Hugging Face, поэтому независимая проверка в принципе возможна. При этом в статье показаны вручную отобранные примеры, а в слабо представленных кухнях, таких как южноазиатская или латиноамериканская, результаты могут быть менее устойчивыми, чем для доминирующих восточноазиатских и западных данных.
Отдельный риск связан с очисткой словаря, которая зависит от вывода языковых моделей и их культурных перекосов. Авторы отмечают, что пример, где шоколад оказывается рядом с матча в одном из вариантов модели, выглядит интересно, но сам по себе ещё не доказывает, насколько стабильно такие повороты работают за пределами выбранных примеров.
Соавтор работы Josef Chen написал в X, что это «самая крупная многоязычная пищевая модель из когда-либо созданных» и что в ней «вся человеческая кулинария сжата до 2 мегабайт». Более старая версия модели доступна в виде демо на сайте epicure.kaikaku.ai.
Источник: The Decoder, исследование Kaikaku.AI.
