Clever Geek Handbook

Bagaimana pembelajaran mesin dan TensorFlow membantu membuat kue hibrida: kasus hobi dari pengembang Google



Isolasi diri yang dipaksakan telah mendorong banyak dari kita untuk mengingat proyek kesayangan kita atau hanya menemukan hobi untuk diri kita sendiri. Seseorang menyukai komunikasi radio, seseorang mengembangkan kasus untuk Raspberry. Nah, seseorang sedang membuat kue. Tapi tidak sederhana, tapi dengan keterlibatan pembelajaran mesin.



Pengembang pembelajaran mesin Sara Robinson memutuskan untuk membuat kue mangkuk yang sempurna. Tetapi bukan dengan coba-coba - nenek kami melakukan ini, tetapi dengan bantuan teknologi. Semuanya dimulaimulai dari mengambil 33 resep berbeda untuk cookie, pai, dan roti, serta membuat model TensorFlow untuk menganalisis semua data ini. Tujuan pertama adalah untuk memahami mengapa makanan yang dipanggang terkadang sering hancur dan bagaimana hal ini dapat dihindari. Namun pada akhirnya, Sarah bisa mendapatkan resep cupcake yang sempurna, yang sebenarnya merupakan persilangan antara cookie dan pie. Dan juga - resep untuk campuran roti dan kue.



Dari kumpulan data hingga meja dapur

Pada Desember 2020, Sarah merekrut rekannya, seorang karyawan Google bernama Dale Markovich, ke proyek tersebut. Bersama-sama mereka mengembangkan resep hibrida. Model yang dihasilkan memungkinkan untuk menentukan dengan bahan yang diperkenalkan apa hasilnya - kue, pai atau roti.





Setelah semuanya berhasil, para pengembang (agak aneh menggunakan istilah ini saat diterapkan pada memanggang, bukan?) Memutuskan untuk melangkah lebih jauh. Proyek ini ditingkatkan skalanya. Kali ini, 600 resep dipilih untuk dianalisis. Mereka telah dianalisis dengan cermat untuk menyoroti 16 bahan terpenting yang memengaruhi tekstur dan kekencangan makanan yang dipanggang, ditambah, tentu saja, rasanya.



Bahan-bahan ini ternyata:



  • ragi,
  • tepung,
  • Gula,
  • telur,
  • lemak (minyak apa saja),
  • susu,
  • bubuk soda kue,
  • bubuk pengembang,
  • Cuka apel,
  • mentega susu,
  • pisang,
  • bubur labu,
  • alpukat,
  • air,
  • minyak,
  • garam.


Para penulis proyek, dengan menggunakan model baru, mengumpulkan tidak hanya daftar bahan, tetapi juga menentukan proporsi yang tepat yang membantu menciptakan makanan yang dipanggang sempurna.





Selain itu, model tersebut dapat secara mandiri menentukan jenis makanan yang dipanggang, memisahkan lalat dari irisan daging, biskuit, kue, dan roti. Pada tahap ini, pengembang menggunakan alat Tabel AutoML Google, yang memungkinkan Anda membuat model dengan cepat berdasarkan data tabel. Mereka memuat file CSV ke dalam model dan menganalisisnya, memvalidasi model mereka.



Untuk setiap jenis makanan yang dipanggang - biskuit, pai, atau roti, model memperkirakan jumlah dan rasio optimal dari mentega, gula, ragi, dan telur. Dan model yang dihasilkan memungkinkan untuk mendapatkan resep hidangan hibrida. Di bawah ini adalah foto kue dan cookie hybrid menggunakan chocolate chip.





Kode sampel, model dan layanan yang berjalan

Sedangkan untuk model TensorFlow, kodenya agak pendek. API Keras digunakan untuk model . 



model = tf.keras.Sequential([
  tf.keras.layers.Dense(16, input_shape=(num_ingredients,)),
  tf.keras.layers.Dense(16, activation='relu'),
  tf.keras.layers.Dense(3, activation='softmax')                
])


Menggunakan Python, para pengembang telah membuat fungsi yang mengubah bahan masukan terlebih dahulu menjadi unit pengukuran yang dikenal oleh pecinta kue (cangkir, sendok teh, dll.), Lalu menjadi persentase. Inilah yang terjadi pada akhirnya.



def get_prediction(request):



data = request.get_json()

prescaled = dict(zip(columns, data))

scaled = scale_data(prescaled)



# Send scaled inputs to the model

prediction = predict_json('gcp-project-name', 'baking', scaled)



# Get the item with the highest confidence prediction

predicted_ind = np.argmax(prediction)

label_map = ['Bread', 'Cake', 'Cookies']

baked_prediction = label_map[predicted_ind]

confidence = str(round(prediction[predicted_ind] * 100))



if baked_prediction == 'Bread':

emoji = "It's bread!"

elif baked_prediction == 'Cake':

emoji = "It's cake!"

elif baked_prediction == 'Cookies':

emoji = "It's cookies!"



return "{} {}% confidence".format(emoji, confidence)













Nah, aplikasinya sendiri, atau lebih tepatnya layanan web, tersedia di sini . Jadi Anda bisa mencobanya sendiri.



Tes tes

Campuran pai dan cookie



Pengembang lain menjadi tertarik pada proyek ini, beberapa memutuskan untuk menguji hasil model dalam praktik. Salah satu resep yang dicoba adalah "kue kue".





Bahan dan prosedur persiapan diikuti. Misalnya, model menunjukkan bahwa suhu optimal untuk minyak yang ditambahkan adalah 18,33 ° C. Tentu saja, tidak ada yang mengikuti sepersepuluh dan seperseratus derajat, tetapi kondisi 18 ° C terpenuhi.





Satu-satunya hal yang harus diubah adalah ukuran loyang. Formulir 6 inci diperlukan, tetapi tidak ada, jadi digunakan formulir 9 inci. Secara umum, setelah "kue-kue" tersebut dipanggang, ia dibiarkan menjadi dingin sedikit dan diuji. Menurut penguji, tekstur makanan yang dipanggang tidak biasa, tetapi rasanya sangat enak. Setiap orang yang mencoba hal ini menyetujuinya.



Campuran roti dan kue





Resep kedua yang dicoba dan diuji adalah "makanan yang dipanggang". Saya harus bermain-main dengannya sedikit lebih lama, tetapi pada akhirnya semuanya berhasil. Resep yang diusulkan oleh model dibagi menjadi dua bagian - sebenarnya, roti dan kue. Adonannya ternyata jauh lebih kental dari biasanya yang dibutuhkan untuk kue kering, menyerupai adonan roti.





Tapi pada akhirnya semuanya ternyata enak, teksturnya mirip biskuit oatmeal, meski sedikit lebih lembut. Ragi digunakan dalam resep ini, jadi agak mirip roti.



Secara keseluruhan, eksperimen tersebut ternyata berhasil - pembelajaran mesin dan model prediktif membantu menciptakan hidangan tidak biasa yang disukai semua orang yang mencobanya.





More articles:


All Articles