Die Frage, welche Zutaten gut miteinander harmonieren, hängt stark davon ab, ob man nach einem Rezeptbegleiter oder einem Geschmacksverwandten sucht. Bisherige KI-Modelle zur Analyse von Zutaten haben diese beiden Ansätze oft vermischt. Das Start-up Kaikaku.AI präsentiert nun eine innovative Lösung, die diese Perspektiven trennt.
In einer neuen Studie stellen Jakub Radzikowski und Josef Chen das KI-System „Epicure“ vor, das aus drei nahezu identischen Modellen besteht. Diese unterscheiden sich lediglich in ihrem Trainingsmaterial: Das erste Modell, „Cooc“, analysiert ausschließlich, welche Zutaten in realen Rezepten häufig zusammen verwendet werden. Das zweite Modell, „Chem“, fokussiert sich auf die Aromamoleküle, die Zutaten gemeinsam haben, und nutzt dafür die Chemiedatenbank FlavorDB. Das dritte Modell, „Core“, kombiniert beide Ansätze.
Unterschiedliche Antworten auf dieselbe Frage
Die Unterschiede der Modelle werden bei konkreten Anfragen deutlich. Wenn man „Hühnchen“ eingibt, schlägt Cooc Zutaten wie Knoblauch, Zwiebel und schwarzen Pfeffer vor, die in vielen Rezepten zusammen vorkommen. Chem hingegen empfiehlt Rindfleisch oder Schwein, also Zutaten mit ähnlichem Aromaprofil. Bei der Eingabe von „Basilikum“ liefert Cooc Vorschläge wie Petersilie, Olivenöl und Parmesan, während Chem Oregano, Estragon und Rosmarin, die ebenfalls verwandte Kräuter sind, anführt.
Prüfung der Genauigkeit
Die Modelle werden auch darauf getestet, wie präzise sie Eigenschaften wie fruchtig, bitter oder den Proteingehalt abbilden können. Je weiter rechts ein Punkt auf der Achse liegt, desto zuverlässiger ist die Zuordnung. Das chemiebasierte Modell Chem erzielt dabei die besten Ergebnisse.
Laut den Autoren schneidet das chemieorientierte Modell auch in Bereichen besser ab, in denen es eigentlich keine Informationen haben sollte. Geschmacksrichtungen wie süß, sauer oder bitter sowie Nährwerte wie Eiweiß- oder Fettgehalt sind im Trainingsmaterial nicht explizit kodiert. Dennoch gelingt es Chem, Zutaten entlang dieser Achsen klarer zuzuordnen als die anderen Modelle. Dies deutet darauf hin, dass die chemische Verwandtschaft als indirekter Weg fungiert, der das Modell für weitere kulinarische Konzepte sensibilisiert.
Zusätzlich zeigt eine andere Untersuchung, wie KI-Agenten beim Online-Shopping unterstützen können. Auch die Entwicklungen von OpenAI zur Verbesserung der Prompt-Injection-Abwehr sind von Interesse.
„`
Quellen: the-decoder
Bildquelle: KI generiert
