وصفات طبخ باستخدام لغة تعلم الآلة
نشر على منصة جت هب المهندس في شركة أوبر، كود لتوليد وصفات طبخ باستخدام مكتبات تعلم الآلة تنسرفلو و هي مكتبة مفتوحة المصدر من جوجل. و دليل خطوة بخطوة يشرح استخدام الشبكة العصبية المتكررة المعروفة باختصار RNN و هو مجال فرعي من التعلم الآلي، مع توظيف ذاكرة طويلة المدى المعروفة باختصار LSTM.
شاي بنكهة الكوسة!!!!
تم تدريب نموذج LSTM (ذاكرة طويلة المدى) RNN (الشبكة العصبية المتكررة) على مجموعة بيانات تتكون من 100 ألف وصفات تقريبًا باستخدام تنسرفلو TensorFlow. و ماذا كانت النتيجة، حيث اقترح النموذ على المهندس أولكسي، طهي التالي:
“كريم صودا بالبصل” ، “شوربة البف باستري بالفراولة” ، “شاي بنكهة الكوسة” و “موس السلمون باللحم البقري وسلطة ستيلتون مع الهالبينو”.
يمكنك إعداد وصفات طبخ بنفسك
من خلال هذا البرنامج، قمت بتجربة إعداد وصفة بنفسي و التي اسميتها فاكهة الكيتو. حيث اقترح النموذج التالي، اسم الوصفة: “فواكه كيتو مع كوكيز الشوكولاتة الطازجة”.
المكونات:
• 1 1/2 كوب دقيق لجميع الأغراض،
• 1/4 كوب سكر حبيبي،
• 1 1/2 ملعقة صغيرة بيكنج بودر،
• ملح 1/2 ملعقة صغيرة،
• 1 كوب سكر،
• 1 ملعقة كبيرة خلاصة فانيليا،
• 1 كوب رقائق جوز الهند،
• 1/2 كوب سكر حبيبي،
• 2 عود زبدة ذائبة،
• 1 كوب جوز أمريكي مفروم،
• 1 كوب رقائق شوكولاتة.
تعليمات التحضير:
سخني الفرن إلى 350 درجة فهرنهايت. رش مقلاة 9 بوصة مع رذاذ غير لاصق. في وعاء كبير، اخلطي الزبدة والسكر وجوز الهند والفانيليا واتركيها جانبًا. يضاف البيض، 1 في كل مرة، في الخافق وكريمة التارتار. أضيفي خليط الدقيق على دفعتين بالتناوب مع الحليب. قلبي الخليط حتى يصبح ناعمًا. يُسكب المزيج في المقلاة المُعدّة ويُخبز لمدة 30 دقيقة. أخرجيها من الفرن واتركيها تبرد لمدة 15 دقيقة قبل التقديم. في هذه الأثناء، قم بتسخين … الى آخره.
ماذا سيتعلم النموذج في النهاية؟
لبضع ساعات من التدريب، سيتعلم نموذج RNN على مستوى التركيبة المفاهيم الأساسية لقواعد اللغة الإنجليزية وعلامات الترقيم (أتمنى أن أتعلم اللغة الإنجليزية بهذه السرعة!). سيتعلم أيضًا كيفية إنشاء أجزاء مختلفة من الوصفات مثل [اسم الوصفة] و [مكونات الوصفة] و [تعليمات الوصفات]. أحيانًا يكون اسم الوصفة ومكوناتها وإرشاداتها ممتعة جدًا، وأحيانًا تكون غريبة، وفي بعض الأحيان ممتعة.
علم مسبق
من المفترض أنك بالفعل على دراية بمفاهيم الشبكات العصبية المتكررة (RNN) وبنية الذاكرة طويلة المدى (LSTM) على وجه الخصوص. في حالة ما إذا كانت هذه المفاهيم جديدة بالنسبة لك، فإنني أوصي بشدة بأخذ تخصص التعلم العميق على Coursera بواسطة Andrew Ng. قد يكون من المفيد أيضًا الاطلاع على مقالة الفعالية غير المعقولة للشبكات العصبية المتكررة التي كتبها أندريه كارباثي.
الشبكة العصبية المتكررة
بشكل بسيط وسريع، الشبكة العصبية المتكررة (RNN) هي فئة من الشبكات العصبية العميقة، يتم تطبيقها بشكل شائع على البيانات القائمة على التسلسل مثل الكلام أو الصوت أو النص أو الموسيقى. يتم استخدامها للترجمة الآلية، والتعرف على الكلام، وتركيب الصوت وما إلى ذلك. الميزة الرئيسية لشبكات RNN هي أنها ذات حالة، ولديها ذاكرة داخلية يمكن فيها تخزين بعض سياق التسلسل. على سبيل المثال، إذا كانت الكلمة الأولى في التسلسل هي “هو”، فقد يقترح RNN الكلمة التالية للتحدث بدلاً من مجرد التحدث، لتشكيل عبارة “هو يتكلم” لأن المعرفة المسبقة عن الكلمة الأولى هو بالفعل داخل الذاكرة الداخلية.
الجزء المثير هو أن RNN و LSTM على وجه الخصوص، يمكنها حفظ ليس فقط التبعيات من كلمة إلى كلمة ولكن أيضًا التبعيات من حرف إلى حرف! لا يهم حقًا ما يتكون التسلسل: فقد تكون كلمات قد تكون أحرفًا. المهم هو أنها تشكل تسلسلًا زمنيًا موزعًا. على سبيل المثال، لدينا سلسلة من الأحرف [‘H’، ‘e’]. إذا سألنا LSTM عما قد يحدث بعد ذلك. فقد يقترح (بمعنى، أن التسلسل الذي يشكل الكلمة هو مكتمل بالفعل، وقد نتوقف)، أو قد يقترح أيضًا الحرف l، بمعنى أنه يحاول بناء تسلسل مرحبًا لنا [hello].
تكوين المفردات
لا تفهم الشبكة العصبية المتكررة الأحرف أو الكلمات. لكن إنها تفهم الأرقام بدلاً من ذلك. لذلك، نحتاج إلى تحويل نصوص الوصفات إلى أرقام.
في هذه التجربة، استخدم نموذج لغة على مستوى الأحرف يعتمد على شبكة LSTM (ذاكرة طويلة المدى) متعددة الطبقات (على عكس نموذج اللغة على مستوى الكلمة). هذا يعني أنه بدلاً من إنشاء مؤشرات فريدة للكلمات، سنقوم بإنشاء مؤشرات فريدة للأحرف. من خلال القيام بذلك، نترك الشبكة تتنبأ بالحرف التالي بدلاً من الكلمة التالية في تسلسل. نحتاج أيضًا إلى تقديم بعض السمات الفريدة التي سيتم التعامل معها كحرف توقف وستشير إلى نهاية الوصفة. نحتاجها لتوليد الوصفات بعد ذلك لأنه بدون حرف التوقف هذا لن نعرف أين نهاية الوصفة التي ننتجها.
في خطو مماثلة لوصفات طبخ
اعلنت الشركة في عام ٢٠١٦، وصل الشيف واتسون وهو جاهز لمساعدتك في الطهي!.
يعد Chef Watson جزءًا من مهمة IBM لتطوير تطبيقات الحوسبة المعرفية التي يمكن أن تساعد الأشخاص على اكتشاف أفكار جديدة، من إنشاء وصفات جديدة مفاجئة إلى تحسين البحث الطبي. خلال العام الماضي، وكجزء من المرحلة التجريبية، ساعد الآلاف من طهاة المنزل في إعداد وجبات لذيذة. تم فتح البرنامج بواجهة جديدة تمامًا، للطهاة المنزليين في كل مكان.
ومع ذلك ، فإن الشيف واتسون هو أكثر من مجرد كتاب طبخ أنيق (على الرغم من نشر كتاب طبخ للوصفات التي ساعد في إنشائها أيضًا). بدلاً من ذلك، يعمل مع الطهاة لجعلهم حكامًا أفضل لمجموعات المكونات.
تعالج تطبيقات الحوسبة المعرفية مثل شيف واتسون المعلومات كإنسان أكثر من الكمبيوتر. يمكن لهذه التطبيقات تحليل كميات هائلة من البيانات، باستخدام تقنية معالجة اللغة الطبيعية للمساعدة في فك تشفير الكلمات والجمل الموجودة في البيانات. (ساعدت هذه التقنية إصدارًا سابقًا من واتسون في التغلب على أبطال Jeopardy! قبل بضع سنوات). تتفوق هذه البرامج أيضًا في التعرف على الأنماط في أجزاء كبيرة من البيانات، وتصبح أكثر ذكاءً بمرور الوقت، مما يعني أنها تتحسن بناءً على الملاحظات.
يوضح ستيفن أبرامز، المهندس والمدير المتميز في Watson Life:
“نحاول إظهار الدور الذي يمكن أن تلعبه التكنولوجيا المعرفية” في مساعدة البشر في المهام المعقدة. “يمكن للإنسان والكمبيوتر معًا اكتشاف نتائج أكثر إثارة للاهتمام.”
