Rezeptklarheit mit KI-Modellen verbessern

Grosse Sprachmodelle, wie GPT-3, sind fortschrittliche Computerprogramme, die Texte basierend auf dem generieren, was sie aus vielen Quellen gelernt haben. Sie können komplexe Informationen nehmen und sie in einfachere Formate umwandeln, die leichter verständlich sind. In diesem Artikel schauen wir uns an, wie diese Modelle helfen können, Rezepte zu verbessern und sie klarer und einfacher zu machen, sodass jeder sie befolgen kann. Rezepte sind ein grossartiges Beispiel, da sie in vielen verschiedenen Stilen und Schwierigkeitsgraden kommen, was sie zu einem nützlichen Thema macht.

#Rezepte einfacher befolgen

Viele Leute kochen gern, aber manche Rezepte können schwer zu verstehen sein. Das kann passieren, weil die Formulierungen kompliziert oder die Schritte unklar sind. Wir wollen herausfinden, ob ein grosses Sprachmodell diese Rezepte überarbeiten kann, um sie klarer zu machen. Mit einer spezifischen Methode können wir das Modell bitten, Rezepte basierend auf den ursprünglichen Anweisungen und den benötigten Zutaten umzuschreiben.

In unserer Arbeit haben wir Rezepte aus verschiedenen Küchen der Welt verwendet. Unser Ziel war es, Anleitungen zu erstellen, die den Kochprozess in einfachere, leicht befolgbare Schritte unterteilen. Wir haben diesen Ansatz mit GPT-3.5 getestet und festgestellt, dass es sehr gut beim Überarbeiten von Rezepten abgeschnitten hat.

#So haben wir unsere Forschung durchgeführt

Um zu untersuchen, wie gut das Modell Rezepte überarbeiten kann, haben wir zuerst einen grossen Datensatz mit über einer Million Rezepten aus dem Internet gesammelt. Für unsere Experimente haben wir eine kleinere Auswahl von 100 Rezepten basierend auf zehn verschiedenen Gerichtstypen ausgewählt. Wir haben darauf geachtet, eine Vielzahl von Gerichten, von Salaten bis zu Desserts, einzubeziehen, um eine diverse kulturelle Repräsentation zu gewährleisten.

Wir haben mit zwei Modellen zur Rezeptüberarbeitung begonnen und nach Tests beschlossen, text-davinci-003 zu verwenden, das bessere und informativere Ergebnisse lieferte.

#Der Ansatz zur Aufforderung

Wir haben eine klare Aufforderung entwickelt, um das Modell bei der Überarbeitung von Rezepten zu leiten. Diese Aufforderung umfasste Anweisungen, die Zutatenliste und das ursprüngliche Rezept.

• Anweisungen: Wir haben spezifische Richtlinien gegeben, wie das Rezept überarbeitet werden soll. Es war wichtig, dass die neuen Schritte klar und umsetzbar waren. Wir haben auch Regeln festgelegt, was das Modell mit jedem Schritt machen durfte, wie Behalten, Löschen unnötiger Schritte, Aufteilen komplexer Schritte in einfachere oder Hinzufügen von Klarstellungen.

• Zutaten: Eine Liste der Zutaten einzubeziehen, half dem Modell, genauere und relevantere Überarbeitungen zu erstellen. Je besser das Modell verstand, welche Zutaten verwendet wurden, desto besser konnte es die Schritte überarbeiten.

• Ursprüngliches Rezept: Das ursprüngliche Rezept wurde in einer nummerierten Liste präsentiert, die es dem Modell ermöglichte, den Kochprozess besser zu verstehen.

#Testen und Bewerten der Überarbeitungen

Um zu sehen, wie gut das Modell Rezepte überarbeiten konnte, haben wir uns auf menschliche Bewerter verlassen, die sowohl das ursprüngliche als auch die überarbeiteten Rezepte beurteilt haben. Wir haben eine Aufgabe mit Amazon Mechanical Turk entworfen, bei der jeder Teilnehmer einen Schritt des überarbeiteten Rezepts einzeln betrachtet hat. Das erleichterte es ihnen, sich zu konzentrieren und die Klarheit und Benutzerfreundlichkeit jedes Schrittes genau zu bewerten.

Die Bewerter wurden gebeten zu bestimmen, ob jeder Schritt im überarbeiteten Rezept gültig war und im ursprünglichen Rezept enthalten war. Ausserdem sollten sie feststellen, ob die hinzugefügten Schritte hilfreich waren oder nicht. Dieser sorgfältige Ansatz ermöglichte es uns, sowohl positive Ergänzungen (hilfreiche Ausführungen) als auch negative (verwirrende Halluzinationen) zu erkennen.

#Ergebnisse unserer Forschung

Nach Tests und Feedbacksammlung haben wir wertvolle Einblicke gewonnen, wie effektiv grosse Sprachmodelle die Klarheit von Rezepten verbessern können.

#Vorlieben für überarbeitete Rezepte

Bei der Bewertung der Qualität der Überarbeitungen stellte sich heraus, dass 62,5 % der überarbeiteten Rezepte von den Beurteilern bevorzugt wurden, während nur 33,3 % die ursprünglichen Rezepte bevorzugten. Das zeigt einen klaren Trend hin zu den überarbeiteten Versionen und legt nahe, dass der Bearbeitungsprozess die Benutzerfreundlichkeit verbessert hat.

#Enthaltene und fehlende Schritte

Wir haben auch analysiert, wie gut die überarbeiteten Rezepte mit den ursprünglichen übereinstimmten. Als das ursprüngliche Rezept als Standard für den Vergleich diente, waren beeindruckende 86,0 % der Schritte aus dem überarbeiteten Rezept enthalten, was zeigt, dass das Modell die meisten wichtigen Anweisungen erfolgreich beibehalten hat.

Allerdings, als das überarbeitete Rezept als original betrachtet wurde, wurden nur 33,3 % der hinzugefügten Schritte als gültig erachtet. Das bedeutet, dass das Modell zwar erfolgreich die wichtigen Teile beibehalten hat, einige Überarbeitungen jedoch zu unnötigen Änderungen führten, und das ist ein Bereich, in dem man in Zukunft Verbesserungen anstreben sollte.

#Detaillierte Beispiele für Überarbeitungen

Um die Effektivität der Überarbeitungen des Modells zu verstehen, haben wir uns spezifische Rezepte genauer angesehen. Zum Beispiel, im Fall der "Mini-Apfelküchlein" hielt das überarbeitete Rezept klare Schritte ein und machte hilfreiche Anpassungen. Es teilte komplexe Anweisungen in einfachere, handhabbare Schritte auf, was es Heimköchen erleichterte, ihnen zu folgen.

Selbst als das ursprüngliche Rezept erwähnte, dass die Äpfel vorbereitet werden müssen, betonte die Überarbeitung, dass sie "geschält und gewürfelt" werden sollten. Diese kleine Ergänzung kann einen grossen Unterschied für jemanden ausmachen, der dieses Detail übersehen könnte.

#Zukünftige Richtungen

Die Ergebnisse unserer Forschung zeigen vielversprechende Anwendungen für grosse Sprachmodelle in der Rezeptüberarbeitung. Allerdings sehen wir Raum für Verbesserungen und weitere Erkundungen. Für zukünftige Arbeiten planen wir, unsere Analyse auf vielfältigere Rezepte auszudehnen und den Bewertungsprozess zu automatisieren, um die Qualität der vom Modell vorgenommenen Überarbeitungen besser zu beurteilen.

Wir ermutigen auch zu weiteren Studien im Bereich des Designs menschlicher Bewertungen und wie gut diese Modelle verständlicher gemacht werden können. Das könnte zu besseren Anwendungen nicht nur in der Küche, sondern auch in verschiedenen Bereichen führen, in denen komplexe schriftliche Anweisungen häufig sind.

#Fazit

Zusammenfassend zeigt unsere Studie, dass grosse Sprachmodelle die Klarheit und Benutzerfreundlichkeit von Rezepten erheblich verbessern können. Durch einen durchdachten Ansatz zur Aufforderung und einen sorgfältigen Bewertungsprozess haben wir gezeigt, dass diese Modelle effektive Werkzeuge zur Verbesserung komplexer schriftlicher Informationen sein können. Während wir weiterhin dieses Gebiet erkunden, freuen wir uns darauf zu sehen, wie KI Heimköchen und allen, die nach besseren Möglichkeiten suchen, Kochanleitungen zu präsentieren und zu befolgen, weiter helfen kann.