Робот, который умеет готовить, на протяжении десятилетий был целью ученых-футуристов и ученых. По мере развития методов искусственного интеллекта коммерческие компании создали прототипов роботов-шеф-поваров, хотя в настоящее время ни один из них не является коммерчески доступным, и по уровню квалификации они значительно отстают от своих коллег-людей.
Обучение робота приготовлению и приготовлению пищи является сложной задачей, поскольку оно должно решать сложные проблемы, связанные с манипуляциями с роботом, компьютерным зрением, зондированием и взаимодействием человека и робота, а также должно включать в себя согласованный конечный продукт.
Кроме того, вкус отличается от человека к человеку — приготовление пищи является качественной задачей, в то время как роботы, как правило, преуспевают в количественных задачах. Поскольку вкус не универсален, универсальных решений не существует. В отличие от других задач оптимизации, для роботов для приготовления пищи необходимо разработать специальные инструменты.
Другие исследовательские группы обучали роботов готовить печенье, блины и даже пиццу, но эти повара-роботы не были оптимизированы для многих субъективных переменных, связанных с приготовлением пищи.
Омлет — одно из тех блюд, которые легко приготовить, но трудно приготовить хорошо. Исследователи подумали, что это будет идеальный тест для улучшения возможностей робота-шеф-повара и оптимизации вкуса, текстуры, запаха и внешнего вида.
В партнерстве с Bеkо ученые обучили своего робота-шеф-повара готовить омлет, от разбивания яиц до нанесения на тарелку готового блюда. Работа выполнялась в инженерном отделе Кембриджа с использованием тестовой кухни, поставляемой Beko plc и Symphony Group.
Техника машинного обучения, разработанная командой, использует статистический инструмент, называемый байесовским умозаключением, чтобы выжать как можно больше информации из ограниченного количества выборок данных, что было необходимо, чтобы избежать переполнения омлетами людей-дегустаторов.
Проблема, с которой столкнулись исследователи, — субъективность человеческого вкуса. Люди не очень хорошо дают абсолютные меры и обычно дают относительные, когда дело касается вкуса. Поэтому нужно было настроить алгоритм машинного обучения, так называемый пакетный алгоритм, чтобы люди-дегустаторы могли предоставлять информацию, основанную на сравнительных оценках, а не на последовательных.
Результаты показывают, что машинное обучение может быть использовано для получения количественных улучшений в оптимизации продуктов питания. Кроме того, такой подход может быть легко распространен на нескольких роботизированных поваров. Дальнейшие исследования должны быть проведены, чтобы исследовать другие методы оптимизации и их жизнеспособность.
Читать еще:
В библейском святилище нашли каннабис. Археологи гадают, для чего он был нужен.
Самый распространенный в океане организм выращивает вирус в своем ДНК.