Робота-кухаря навчили робити смачний омлет

Робот, який вміє готувати, протягом десятиліть був метою вчених-футуристів і вчених. У міру розвитку методів штучного інтелекту комерційні компанії створили прототипів роботів-шеф-кухарів, хоча в даний час жоден з них не є комерційно доступним, і за рівнем кваліфікації вони значно відстають від своїх колег-людей.

Навчання робота приготуванню та приготуванню їжі є складним завданням, оскільки воно має вирішувати складні проблеми, пов'язані з маніпуляціями з роботом, комп'ютерним зором, зондуванням і взаємодією людини і робота, а також має включати в себе узгоджений кінцевий продукт.

Крім того, смак відрізняється від людини до людини - приготування їжі є якісним завданням, в той час як роботи, як правило, досягають успіху в кількісних завданнях. Оскільки смак не універсальний, універсальних рішень не існує. На відміну від інших завдань оптимізації, для роботів для приготування їжі необхідно розробити спеціальні інструменти.

Інші дослідницькі групи навчали роботів готувати печиво, млинці і навіть піцу, але ці кухарі-роботи не були оптимізовані для багатьох суб'єктивних змінних, пов'язаних з приготуванням їжі.

Омлет - одна з тих страв, які легко приготувати, але важко приготувати добре. Дослідники подумали, що це буде ідеальний тест для поліпшення можливостей робота-шеф-кухаря і оптимізації смаку, текстури, запаху і зовнішнього вигляду.

У партнерстві з Beko вчені навчили свого робота-шеф-кухаря готувати омлет, від розбивання яєць до нанесення на тарілку готової страви. Робота виконувалася в інженерному відділі Кембриджу з використанням тестової кухні, що поставляється Beko plc і Symphony Group.

Техніка машинного навчання, розроблена командою, використовує статистичний інструмент, званий байєсовським умовиводом, щоб вичавити якомога більше інформації з обмеженої кількості вибірок даних, що було необхідно, щоб уникнути переповнення омлетами людей-дегустаторів.

Проблема, з якою зіткнулися дослідники, - суб'єктивність людського смаку. Люди не дуже добре дають абсолютні заходи і зазвичай дають відносні, коли справа стосується смаку. Тому потрібно було налаштувати алгоритм машинного навчання, так званий пакетний алгоритм, щоб люди-дегустатори могли надавати інформацію, засновану на порівняльних оцінках, а не на послідовних.

Результати показують, що машинне навчання може бути використано для отримання кількісних поліпшень в оптимізації продуктів харчування. Крім того, такий підхід може бути легко поширений на декількох роботизованих кухарів. Подальші дослідження повинні бути проведені, щоб дослідити інші методи оптимізації та їх життєздатність.

Читати ще:

У біблійному святилищі знайшли канабіс. Археологи гадають, для чого він був потрібен.

Найпоширеніший в океані організм вирощує вірус у своєму ДНК.

Подивіться на знімки найглибководнішого восьминога в історії спостережень. Він живе на глибині в 7 тис. метрів!