Специалисты из компании Google использовали байесовскую оптимизацию для получения рецепта наиболее вкусного шоколадного печенья. После двух месяцев выпечки разных вариантов специалисты пришли к рецепту с кардамоном, сообщается в блоге компании.
Обычно для оптимизации используется не случайный подбор параметров, а специальные математические методы оптимизации, например байесовская оптимизация. Ее применяют для оптимизации таких функций, для которых нет математического описания или оно требует очень больших вычислительных ресурсов.
Специалисты из Google, как правило, используют этот метод для серьезных проектов, но на этот раз они решили оптимизировать таким методом рецепт шоколадного печенья. Они задали множество параметров: ингредиенты, их количество, тип ингредиентов (например, тип шоколада). Регулируя эти параметры алгоритм составлял рецепты, по которым специалисты вместе с местной кондитерской выпекали печенье. Печенье давали добровольцам, которые оценивали их по заданной численной шкале в сравнении с печеньем из магазина.
После оценки алгоритм изменял параметры и создавал новые рецепты. Всего специалисты провели 59 итераций на протяжении двух месяцев. В результате они получили вкусное печенье с довольно необычным составом: помимо обычных компонентов, таких как шоколадная крошка, алгоритм решил добавить в печенье кардамон. Компания опубликовала как список компонентов полученного печенья, так и последовательность приготовления.
Недавно две другие группы исследователей использовали компьютерные алгоритмы в кулинарии. Одна из них создала нейросеть, адаптирующую рецепты под традиции определенной кухни. В результате алгоритм научился превращать обычную лазанью в суши-лазанью и определять принадлежность оригинального блюда к той или иной кухне. А другие исследователи научили нейросеть определять рецепт блюда по его фотографии.
Григорий Копиев
Как устроены игровые нейродвижки
Мнение редакции может не совпадать с мнением автора
Генеративный ИИ последовательно осваивает разные форматы контента: сначала тексты, затем изображения и музыка, а с недавнего времени и видео. Однако видеоигры оказались принципиально более сложной задачей для нейросетей. В отличие от картинки или видеоролика, игра представляет собой многоуровневую систему, которую не так просто свести к набору пикселей. Тем не менее в последние годы появился новый класс моделей — нейродвижки, — которые учатся предсказывать следующий игровой кадр прямо по видеозаписям геймплея, не опираясь на традиционные ресурсы и правила. Разбираемся, как это работает и способны ли нейродвижки изменить геймдев.