Интерес к теме ИИ блюд подогрел Петербургский международный экономический форум, где шеф-повара привыкли удивлять чем-то необычным. В этот раз в ресторане «Варево» предлагали дегустационный сет, созданный с помощью искусственного интеллекта. В обед входил «Буквенный суп от GigaChat», «Пате по-промту» и «Фаршированные апельсины от Чебурашки», сообщает портал 78.ru.
Когда ИИ появились в ресторанах
Технологии ИИ поначалу применялись в ресторанах в основном в сфере обслуживания. На кухню нейросеть проникла в 2023 году с ростом популярности ChatGPT. Заведения экспериментировали с составлением меню при помощи ИИ, причем рецепты не только блюд, но и алкогольных коктейлей.
Опыт у всех был разный. Часто такие предложения существовали в течение короткого срока, а персонал относился к этому как к «веселью, которое в тренде». Другие извлекали из технологии пользу, считая, что «нейросеть может как минимум подкидывать повару интересные идеи», пишут «Известия».
Первое российское приложение для ресторанов
В 2024 году в Астрахани разработали сервис искусственного интеллекта ChefAI — проект для помощи рестораторам и поварам в приготовлении рыбных блюд. Нейросеть обучалась на специализированных технических документах и нормативно-правовых актах. С ее помощью пользователи могут не только создать новый кулинарный шедевр, но и пересчитать старую рецептуру для увеличения прибыли. Разработка запатентована аспирантом Астраханского технического университета Андреем Клепиковым. Это первое приложение такого рода в России.
Как же придумываются ИИ блюда
Доцент кафедры искусственного интеллекта Финуниверситета факультета информационных технологий и анализа больших данных Никита Андриянов описал механизм, по которому ИИ генерирует рецепты.
«Это интересный вопрос, потому что фактически главная цель, которую решают большие языковые модели, как, например, Giga Chat, заключается в генерации правдоподобного текста. И зачастую такие модели, что называется “галлюцинируют”. Например, модель может выдавать какую-то адекватную последовательность действий (нарезать мелко, варить 5 минут) для непригодных или несовместимых продуктов», — пояснил Никита Андриянов.
Эксперт перечислил три подхода, с помощью которых происходит создание рецептов. Первый основывается на обратной связи с человеком и возможности корректировать недостатки в ответном запросе.
«Такие проблемы стараются решать с помощью специальных асессоров, которые анализируют ответы модели. Подход получил название обучения с подкреплением на основе обратной связи от человека (Reinforcement Learning from Human Feedback, RLHF). Удобством такого обучения является возможность человека в ответном запросе указывать на недостатки ответа и рекомендовать, что улучшить», — продолжил научный сотрудник Финуниверситета.
Другой подход, по словам Никиты Андриянова, опирается на модель, настроенную на работу с кулинарными рецептами с дальнейшей доработкой под нужную тему.
«Существуют задачи, когда большую общую модель настраивают на работу с узкой областью знаний. В нашем случае речь идет о кулинарных рецептах. Существуют методы донастройки модели с обучением, когда непосредственно изменяются параметры внутри модели, как это было при ее первичном обучении», -пояснил Никита Андриянов.
Однако, эксперт предупредил, что этот подход имеет свои трудности.
«Но поскольку современные языковые модели содержат миллиарды параметров, то такое переобучение может очень дорого стоить. Применяют различные подходы к адаптации, когда изменения касается только части параметров в модели. Специалисты называют такой подход низкоуровневой адаптацией (Low Rank Adaptation, LoRA). Здесь модель может переобучаться на корпусе кулинарных рецептов. Обученные или точнее дообученные таким образом модели сохраняют и способность к общим размышлениям и получают специфическую настройку под конкретную тему составления рецептов», — рассказал Никита Андриянов.
Научный сотрудник Финуниверситета также отметил, что существует подход, при котором рецепт, который выдает нейросеть, на самом деле составлен живым кулинаром.
«Наконец, существует и подход, при котором вообще не происходит обучения модели. Это так называемая “генерация с расширением поиска” (Retrieval-Augmented Generation, RAG). В этом подходе в базу знаний модели добавляется информация о различных рецептах и может быть создан системный промпт пользоваться только данной базой знаний в случае релевантных запросов. В таком случае модель не будет галлюцинировать, а будет отвечать, основываясь на представленной базе знаний. Тогда возможно, что подобные рецепты просто описал какой-то креативный кулинар и модель ими пользуется», подчеркнул эксперт.
Никита Андриянов также высказался о том, как нейросеть может повлиять на вкус блюд.
«На мой взгляд, генерация рецептов происходит, в том числе с использованием одного из указанных подходов. Что же касается влияния на вкус, здесь уже, скорее зависит, от конкретного рецепта, но, думаю, что в целом блюда с такими интересными названиями (блюда для ПМЭФ), да еще и приготовленные по рецепту от искусственной нейронной сети, должны быть и интересными на вкус», — добавил эксперт.
Анастасия Якушина
