Sci Simple

New Science Research Articles Everyday

# Informatique # Calcul et langage

Réinventer la cuisine : IA et substitution d'ingrédients

Découvrez comment l'IA transforme la substitution d'ingrédients en cuisine.

Thevin Senath, Kumuthu Athukorala, Ransika Costa, Surangika Ranathunga, Rishemjit Kaur

― 6 min lire


L'IA transforme les L'IA transforme les substitutions en cuisine. ingrédients. façon dont on substitue les Des modèles avancés révolutionnent la
Table des matières

Le monde de la cuisine change rapidement. Des gens sur Internet partagent des Recettes de différentes cultures, ce qui rend plus facile d'essayer de nouveaux plats à la maison. Mais chaque cuisine est unique. Les ingrédients peuvent varier selon la saison, l'emplacement ou les préférences personnelles. Parfois, une recette demande quelque chose qui n'est tout simplement pas disponible. C'est là que la Substitution d'ingrédients devient super utile.

Pourquoi substituer des ingrédients ?

La substitution d'ingrédients aide les cuisiniers à mixer et assortir pour faire en sorte qu'un plat fonctionne pour eux. Par exemple, si tu as une recette qui demande du lait fermenté mais que tu n'as que du lait normal, tu peux continuer à cuisiner sans abandonner la recette. Dans ce cas, ajouter un peu de vinaigre à ton lait peut imiter le goût acidulé du lait fermenté. Avec les bonnes substitutions, tu peux économiser de l'argent, respecter les restrictions alimentaires, et même explorer de nouvelles saveurs, tout en préparant un repas délicieux.

Le défi de trouver des substituts

Maintenant, trouver le bon substitut peut parfois ressembler à chercher une aiguille dans une botte de foin. Certains ingrédients peuvent être échangés sans problème, tandis que d'autres pourraient ne pas fonctionner aussi bien. Par exemple, utiliser de l'huile à la place du beurre est correct pour frémir, mais si tu essaies cet échange dans une recette de gâteau, tu pourrais te retrouver avec quelque chose d'un peu plus proche d'une crêpe que d'un gâteau moelleux. Ainsi, identifier les bons substituts est crucial pour le succès d'un plat.

Entrée de la technologie : L'utilisation des modèles de langage

Pour résoudre ce problème, les chercheurs se sont tournés vers les modèles de langage de grande taille (LLMs). Ces systèmes sophistiqués peuvent traiter et analyser d'énormes quantités de données textuelles, ce qui les rend incroyablement utiles pour prédire les substituts d'ingrédients en fonction des contextes de recette. Donc, la prochaine fois que tu manques un ingrédient, tu pourrais simplement demander à une IA intelligente ce que tu peux utiliser à la place.

Tentatives passées et nouveaux sommets

Il y a eu diverses tentatives d'utilisation de modèles de langage pour identifier des substituts d'ingrédients, mais les progrès ont été limités. Certains modèles antérieurs se concentraient sur des approches statistiques tandis que d'autres s'appuyaient sur des formes plus simples de machine learning. Cependant, des innovations récentes ont fait passer les choses à un niveau supérieur. Les chercheurs expérimentent maintenant avec des modèles qui peuvent comprendre le contexte d'une recette mieux que jamais.

Cuisiner avec des LLMs : La méthode

Avec un fort désir d'améliorer la substitution des ingrédients, les chercheurs ont mené une série d'expériences. Ils ont testé différents modèles pour voir lequel pouvait donner les meilleurs résultats. Ils ont utilisé un ensemble de données populaire appelé Recipe1MSub, qui contient une mine d'informations sur les recettes et les substituts potentiels.

À travers leurs expériences, ils ont identifié Mistral7B comme le modèle star parmi les LLMs. Ce modèle a surpassé les autres en apprenant efficacement à partir des données qu'on lui a fournies. Les chercheurs ont également essayé différentes techniques d'entraînement pour optimiser la Performance, un peu comme les chefs ajustent leurs méthodes pour le plat parfait.

Comment ça marche ?

Le processus a commencé par nourrir les LLMs avec des instructions spécifiques, qui guident le modèle sur quoi faire. Dans ce cas, les modèles recevaient à la fois le nom de l'ingrédient et le titre de la recette. Ce contexte les aidait à générer de bien meilleures suggestions de substitution.

Les chercheurs ne se sont pas arrêtés là ; ils ont aussi expérimenté avec diverses techniques d'entraînement. Par exemple, ils ont exploré le réglage fin en deux étapes, où le modèle apprend en deux étapes distinctes, et le réglage fin multitâche, permettant au modèle d'apprendre en même temps plusieurs tâches. Un peu comme un chef qui apprend à cuire et à faire sauter en même temps !

Tester les résultats

Après avoir affiné leur modèle, les chercheurs ont utilisé une métrique appelée Hit@k pour mesurer la performance. Cette métrique vérifie à quelle fréquence la bonne substitution est proposée et la classe par rapport à d'autres substituts possibles. Pense à ça comme à juger un concours de cuisine : l'ingrédient principal est-il au top, ou y a-t-il une meilleure alternative qui se cache derrière les coulisses ?

Meilleurs résultats, défis plus grands

Les résultats étaient prometteurs. Le LLM Mistral7B a surpassé les approches existantes utilisant le même ensemble de données - plutôt impressionnant. Il a obtenu un score Hit@1 de 22.04, ce qui signifie qu'environ une fois sur cinq, il a fourni le meilleur substitut possible en premier choix. Cependant, il y a encore de la place pour s'améliorer.

L'avenir de la substitution d'ingrédients

Bien que la technologie soit prometteuse, la quête du substitut d'ingrédient parfait continue. Les chercheurs prévoient d'explorer encore plus de grands modèles et de continuer à affiner pour maximiser l'efficacité. Ils visent à libérer tout le potentiel culinaire des LLMs pour rendre tes expériences culinaires encore plus agréables.

Imagine un futur où tu peux simplement demander, "Hé, je dois substituer le basilic pour mon pesto ; que devrais-je utiliser ?" et recevoir une réponse qui non seulement fonctionne mais rend ton plat encore meilleur !

En conclusion

Cuisiner est un art, et la substitution d'ingrédients peut sembler être un casse-tête. Entrer dans le monde de l'IA et des modèles de langage a ouvert de nouveaux chemins pour trouver le match parfait pour ces ingrédients manquants. Bien que le voyage soit en cours, les résultats jusqu'à présent offrent un aperçu d'un futur où chaque chef à domicile a un compagnon IA fidèle prêt à aider dans la cuisine. Qui sait, peut-être qu'un jour tu te retrouveras dans un défi culinaire, et ton arme secrète sera un modèle de langage chuchotant les substitutions parfaites à ton oreille.

Source originale

Titre: Large Language Models for Ingredient Substitution in Food Recipes using Supervised Fine-tuning and Direct Preference Optimization

Résumé: In this paper, we address the challenge of recipe personalization through ingredient substitution. We make use of Large Language Models (LLMs) to build an ingredient substitution system designed to predict plausible substitute ingredients within a given recipe context. Given that the use of LLMs for this task has been barely done, we carry out an extensive set of experiments to determine the best LLM, prompt, and the fine-tuning setups. We further experiment with methods such as multi-task learning, two-stage fine-tuning, and Direct Preference Optimization (DPO). The experiments are conducted using the publicly available Recipe1MSub corpus. The best results are produced by the Mistral7-Base LLM after fine-tuning and DPO. This result outperforms the strong baseline available for the same corpus with a Hit@1 score of 22.04. Thus we believe that this research represents a significant step towards enabling personalized and creative culinary experiences by utilizing LLM-based ingredient substitution.

Auteurs: Thevin Senath, Kumuthu Athukorala, Ransika Costa, Surangika Ranathunga, Rishemjit Kaur

Dernière mise à jour: 2024-12-06 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2412.04922

Source PDF: https://arxiv.org/pdf/2412.04922

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires