Take a byte avagy hogy kerül az AI az asztalra?

Az elmúlt időszakban kicsit “ráfüggtem” egy magyar MI kutató (Zsolnai-Fehér Károly) Youtube csatornájára, a Two Minute Papers-re, amely mesterséges intelligencia témakörben megjelent tudományos publikációkat elemez és ismertet. Ennek apropóján jutott eszembe, hogy lehetne írni erről, így ez a cikk a blog tematikájától egy kicsit eltérő, de azért ételekről, receptekről, alapanyagokról lesz szó, most más aspektusból. Sajnos nem vagyok szakértője a témá(k)nak, ezért megpróbálom felkutatni, és érthető formában átadni az elérhető információkat.

A mesterséges intelligenciáról röviden

Az Oxford számítástechnikai értelmező szótára szerint a mesterséges intelligencia a számítástudománynak az a területe, amely emberi intelligenciát igénylő feladatokat megoldó számítógépes programok készítésével foglalkozik.

Lehetővé teszi a technika számára, hogy érzékelje környezetét, foglalkozzon azzal, amit észlel, problémákat oldjon meg, és konkrét cél elérése érdekében tervezze meg lépéseit. A számítógép nemcsak adatokat fogad (már előkészített vagy összegyűjtött adatokat érzékelőin, például kameráján keresztül), hanem fel is dolgozza azokat és reagál rájuk.

Két típusról beszélhetünk:

Szoftveralapú: virtuális asszisztensek, képelemző szoftverek, keresők, beszéd- és arcfelismerő rendszerek
Fizikai: robotok, önvezető autók, drónok, a dolgok internetje

Az egész cikknek az ötletét egy OpenAI projekt (Dall-E) adta, amely képeket hoz létre szövegekből, itt próbálgattam ki különböző megoldásokat (a borítókép ebből készült). Az alábbi képen csigát készített csilipaprikából, de lehet karosszéket avokádó stílusban, és még sok másikat. Menjetek a Dall-E weboldalára, próbáljátok ki!

Mezőgazdaság

Szerintem már viszonylag sokan láttak videót a gyümölcsszedő robotról, de ezen kívül sokkal több felhasználási területe van az AI-nak a mezőgazdaságban:

Időjárás előrejelzés: ez egy viszonylag triviális aspektusa a növénytermesztésnek, az elérhető adatmennyisséggel tervezhető, hogy mikor vessék el a magokat, milyen variáns termeszthető.
Föld- és termésminőség figyelés: szenzorokkal mérhető a talaj minősége, mely a gazdálkodóknak előrejelzést tud adni arról, hogy szükség van-e például trágyázásra a megadott növényhez. A Plantix szoftvere okostelefonnal készült képeket elemez a termésminőség növelése érdekében, és tippeket nyújt a megvalósításra.
Drónokkal termésfigyelés: ebben az esetben is a növények egészségi állapotát figyelik, például, hogy szükség van-e kártevő irtásra, vagy milyen lesz a várható terméshozam.
Traktorok, gyümölcsszedő robotok: egyre kevesebb a mezőgazdaságban dolgozók aránya, néha hallani, hogy nincs, aki leszedje a termést, ezért “jól jöhet” egy kis gépi segítség. Többféle technológiát használnak, de szinte az összes képelemzésen és gépi tanuláson alapszik, ezzel tudják meghatározni, hogy egy adott gyümölcs megérett-e a leszedésre.
Állattenyésztésben az állatok figyelése szenzorokkal: hogyan reagálnak a takarmányra, mitől maradnak a tehenek boldogok (és adnak több tejet).
Növényvédő szerek, vízhasználat optimalizálása is elérhető mesterséges intelligenciával, mely egy egészségesebb, fenntarthatóbb termést eredményez.

Ellátási lánc / Élelmiszeripar

Ebben a kategóriában is rengeteg felhasználási területtel találkozhatunk. Ha nem is sorban, de haladjunk rajtuk végig:

Válogatás: sok esetben ez nagy élőmunkaerővel jár, hogy kiválogassák a “selejtes” alapanyagokat, de kamerákkal, képfelismerő és feldolgozó rendszerekkel gépesíthető a folyamat
Élelmiszerbiztonság: az előző pont picit ide is tartozik, de mellé jöhet még a humán munkaerő, akik a gyártás folyamán elkövethetnek szabálytalanságokat (nem megfelelő védőöltözék), mely azonnal javítható.
Tisztítás: szenzorok nélküli berendezésekben a gyárakban általában rengeteg vizet és időt pazarolva sokáig tisztítják az eszközöket. Ultrahangos és optikai szenzorokkal tudják figyelni az alapanyag maradékokat, ezért csak addig fogják takarítani, amíg tényleg szükséges, és minden maradvány eltűnt.
Új termékek fejlesztése: több cég is számítógéppel szimulál / kever új ízeket. Ha a blog fő témájánál, a fűszereknél maradunk, akkor például a McCormick esetében láthatjuk, hogy az IBM-mel partnerségben, használnak mesterséges intelligenciát az új fűszerkeverékek elkészítése közben. Emellett figyelhetnek vásárlói trendeket, előrejelezve új ízprofilokat.
Ellátási lánc tervezés és kereslet előrejelzés: segíthet a gyáraknak optimalizálni az alapanyag készletet, felkészülni nagyobb rendelési hullámokra.
Beszerzés automatizálása: AI vezérelt szoftverrobotok figyelhetik a készletet, az előrejelzéseket, és ezáltal megrendeléseket adhatnak le a beszállítóknak.
Vezetők nélküli teherautók, járművek: Az utcákon ez inkább a (közel)jövő, mint a jelen, de gyárakban már manapság is cirkálnak automata targoncák, szállító járművek.

Éttermek, ételkiszállítás

A legtöbb ételrendelő alkalmazás használ valamilyen mesterséges intelligenciát, gépi tanulást vagy statisztikát arra, hogy megfelelő ajánlásokat tegyen a megrendelőknek, vagy megjósolja a házhozszállítás körülbelül idejét. Ezeken felül jó néhány étterem előállt már a munkafolyamataikat egyszerűsítő / automatizáló megoldásokkal.

Miso Robotics: Leghíresebb robotjuk talán a Flippy, mely egy gyorséttermi robot: krumplit süt, húspogácsák hőmérsékletét méri kamerákkal, ezeket forgatja, elkészíti. Az éttermek szempontjából a legnagyobb pozitívum, hogy Flippy nem megy szabadságra (kivéve karbantartás idejére), nem alakít szakszervezetet (még), és amit beprogramoznak, azt közel 100%-os pontossággal tudja végrehajtani, akármikor.
Spyce: Egy bostoni wok étterem, ahol az egyedileg, vevők által összeállított tálakat speciális forgó wokokban, automatán készítik el. A 7 db robotwok 150 adag ételt tud szervírozni, melyeket a vásárlók a kioszkokban tudnak testreszabni.
Creator: San Fransisco-i burgerező, mely arról híres, hogy nagyon friss, egyedi burgerek rendelhetők. Az összes zöldség robot által van szeletelve, akkor, amikor összerakják a 6 dollár körüli (ami elég olcsónak számít) hamburgereket.
Zume: Ez a startup elég magas befektetéseket kapott, de végül le kellett húznia a rolót 2020 elején. Az ötletük az volt, hogy egy kisteherautót teleraknak robotokkal, cirkál a városban, és menet közben, 4 perc alatt (az érkezés előtt 4 perccel kezdve) süti meg a pizzát, majd nagyon frissen szállítja a megrendelőnek. Végül a Pizza divíziótól (és köztük a munkavállalóik felétől) megváltak, és átálltak a csomagolásra és szállításra.
Winnow: Ez a cég arra állt rá, hogy az étterem szemetesét figyeli gépi tanulással megtámogatott kamerákkal. Ezzel segíti a szakácsokat, hogy jobb ételeket hozzanak létre (levegyék a menüről azokat, amiket teljesen vagy részben visszaküldenek), csökkentsék a kidobott ételek mennyiségét, és a pénzveszteséget.

A fenti, konkrét példák mellett még találkozhatunk személyre szabott (akár törzsvásárlói kártyával azonosítva) rendelésekkel, hangvezérelt rendelésleadással, önkiszolgáló kioszkokkal, illetve az étterem vezetése számára létrehozott automatikus / statisztikán alapuló alapanyag rendelő szoftverekkel.

Alább egy videó a fenti cégek egy jó részéről:

Sütés, főzés, otthoni felhasználás

Legelőször a Silicon Valley egyik vicces jelenete jutott eszembe, ahol Jian Yang hozott létre egy alkalmazást, ami meg tudja határozni kép alapján, hogy mi az adott étel.

Spoiler:
 
Csak azt tudta végül a módszere meghatározni, hogy valami hot-dog vagy sem, melynek a többiek nem annyira örültek. A világon előforduló, hot-dogtól eltérő ételekhez az internetről kellett volna több ezer képet leszedni, majd megtanítani a gépi tanulás modelljét.

A jelenet

A következő valahol az otthoni és éttermi felhasználás között található:

Már korábban egy receptben (Csiperkés csirkeburger, eper ketchuppal )”segített” Chef Watson, amely az IBM-nek a mesterséges intelligenciája. Úgy működött (sajnos már csak múlt idő, le lett kapcsolva), hogy “elolvastattak vele” egy jó adag receptkönyvet, alapanyagok kémiai összetevőjét. Ezeket felhasználva egy alapanyagból a Chef Watson előállt a megadott nemzeti konyhára jellemző recepttel, íz- és illatmolekulák alapján párosított hozzá további hozzávalókat. Így jöttek létre az alábbi, számomra meglepő párosítások, mint a csirke, eper és gomba, illetve a kaviár fehér csokival.

Az ételpárosítások, és tudományos főzés mellett néhány dologgal lehet még azért az (okosabb) otthonokban találkozni:

Okoshűtő: Létezik olyan, aminél kamerán keresztül látjuk a hűtő tartalmát (még nem jöttem rá a hasznára), de olyan is, ami szól, vagy bevásárló listára teszi vagy meg is rendeli a fogyóban lévő termékeket. A Samsung Next által felvásárolt Whisk többek között a hűtőben lévő termékekből mutat elkészíthető recepteket preferencia alapján.
Ételfelismerés fotó alapján: a Silicon Valley-s Jian Yang példájából láthatjuk, hogy a mesterséges tanulás úgy működik, ha előtte a modell jól be van tanítva. Van már több szoftver (például: bite.ai), amelyek kép alapján fel tudják ismerni az adott ételt, és megpróbálnak következtetni a receptre.
Otthoni robot séf: Moley Robotics Kitchen robotkarja(i) hozták ezt el az otthonokba. 5000 recept, elmosogatás / feltakarítás funkció, és egy meglehetősen masszív kb. 100 millió forintos kezdőár társul hozzá. Egy tojást fel tud törni, de nem pucol krumplit, vagy kockáz répát, így azért még kuktaként be kell “neki” segíteni az előkészületekben.

Lezárás

A fentiekből látszik, hogy rengeteg felhasználása van a mesterséges intelligenciának az étel területén is. A jövőben még többféle megoldás várható, remélhetőleg folyamatosan csökkenő árakkal, így a kisebb éttermek, farmok, átlagemberek is használhatják a mindennapjaikban.