محققان موسسه پلی تکنیک Rensselaer و موسسه تحقیقات IBM در نیویورک اخیراً سیستم هوش مصنوعی pFoodReQ را ایجاد كردهاند. این سیستم میتواند دستورالعملهای پخت غذای متناسب با نیازهای غذایی افراد پیشنهاد دهد. این سیستم در مقالهای در arXiv معرفی شده بود و قرار است در چهاردهمین کنفرانس بینالمللی جستجوی وب و داده کاوی (WSDM) در ماه مارس ارائه شود.
محمد جی زکی، یکی از محققان توسعه دهنده این سیستم به TechXplore گفت: “این سیستم بر ارائه توصیههای غذایی شخصی متمرکز است.” هدف کوتاه مدت تحقیقات انجام شده توسط زکی و همکارانش ارائه کمکهایی به مردم در یافتن دستورالعملهای سالم بود که هم نیازهای غذایی و هم تمایلات آنها را برآورده کند. در حالت ایدهآل، آنها میخواستند که این دستور العملها نیز منعکسکننده تمایل کاربران (برای مثال آیا آنها تمایل دارند تا یک وعده غذایی را با طعم مفصلتری امتحان کنند) و ترجیحات آنها ( مثلا چه مواد خاص یا غذاهای خاصی را دوست دارند یا از چه موادی را در غذای خود نمیپسندند) و همچنین محدودیتهای غذایی (مثلا آیا آنها به برخی از مواد حساسیت دارند) و وضعیت سلامتی (دیابتی هستند، اضافه وزن دارند یا شرایط سلامتی خاصی دارند) باشد.
زکی گفت: “ایده اصلی این است که با توجه به پرسش، پاسخ برای کاربران مختلف باید متفاوت باشد. به عبارت دیگر پاسخها باید شخصی باشند. این یک کار بسیار چالش برانگیز است، به ویژه از نظر تعیین محدودیتها که مربوط به پرس و جو هستند.
هدف گستردهتر در این تحقیقات توسط زکی و همکارانش ترکیب روشهای یادگیری ماشین با معناشناسی است، شاخهای از زبانشناسی که به درک معنا مربوط میشود. برای انجام این کار، محققان روشهای یادگیری عمیق را جهت پاسخگویی به سوالات با FoodKG ایجاد کردند که یک نمودار غذایی در مقیاس بزرگ است. نمودار FoodKG به صورت آنلاین در دسترس عموم قرار دارد و شامل بیش از 67 میلیون کاربر است. در این سوابق تقریباً یک میلیون دستورالعمل وجود دارد. اطلاعات شامل روابط بین دستورالعملها، مواد لازم برای تکمیل آنها و همچنین دادههای مربوط به خواص و مواد تشکیل دهنده و مواد مغذی موجود و غذاهای مختلف یا دستههای غذایی است.
زکی توضیح داد: “چارچوب ما در مقایسه با الگوهای موجود دارای مزایای بینظیری است. هدف ما این است که برای سهولت استفاده، توصیههای شخصی را به عنوان پاسخ در قالب زبان طبیعی ارائه دهیم. همچنین سیستم ما میتواند نیازهای کاربران را به صورت برچسبهای مواد غذایی (به عنوان مثال ، غذاهای ایتالیایی) یا مواد مجاز (به عنوان مثال باید حاوی اسفناج باشد) و همچنین برچسب نفی (مثلاً نباید حاوی گردو باشد) ارائه کند.
درک نفی یا عباراتی که نباید در یک دستور غذا وجود داشته باشد برای سیستمهای یادگیری بسیار دشوار است. این امر عمدتا به این دلیل است که سیستمهای یادگیری همیشه در متمایز کردن عبارات مثبت و منفی مهارت ندارند (به عنوان مثال یک دستورالعمل باید شامل بادام زمینی باشد یا در مقابل نباید حاوی بادام زمینی باشد). درک تمایز این موضوعات همواره برای سیستمهای یادگیری چالش برانگیز بوده است، اما محققان توانستند با معرفی نشانههای مثبت و منفی برای این سیستمها بر این محدودیتها غلبه کنند.
یکی دیگر از ویژگیهای منحصر به فرد این سیستم، توصیه غذاهایی است که ترجیحات منحصر به فرد هرکاربر و دستورالعملهای کلی برای تغذیه سالم را در نظر میگیرد. به این صورت این امکان به وجود میآید تا سیستم دستورالعملهایی را ارائه کند که باعث تغذیه خوب و در عین حال سالم میشود. این چارچوب کاملا سازگار است و میتواند از اطلاعات موجود در سوابق گذشته کاربر استفاده کند. این بدان معناست که با گذشت زمان اطلاعات مربوط به ترجیحات و نیازهای غذایی فرد را بدست میآورد و سپس از این اطلاعات برای پیشنهاد دستورالعملهای جدید و سالم مطابق با ترجیحات و نیازهای کاربر استفاده میکند.
زکی گفت: “رویکرد فنی الگوریتم ما متکی به سه ماژول است که از سیستم یادگیری عمیق برای پاسخگوی به سوالات استفاده میکند.” اولین و مهمترین ماژول سوال است. جایی که بر پایه تشخیص زبان طبیعی توسعه یافته و شامل محدودیتهای ضمنی کاربر است. به طوری که سوال نهایی ارسال شده به بخش پاسخگو دارای تمام الزامات و محدودیتها بوده و کاملا صریح است.
مولفه دوم این چارچوب، ماژول مدلسازی است که محدودیت مواد مثبت و منفی را ثبت میکند (به عنوان مثال دستور العمل باید حاوی بادام زمینی باشد و یا شامل بادام زمینی نباشد). در نهایت ماژول آخر که عملیات مربوط به نمایش نمودار را ارائه میکند. زکی همچنین گفت: “سیستم یادگیری عمیق ما توانایی تجزیه و تحلیل محدودیتهای عددی را دارد (مثلا دستورالعمل حاوی غذاهایی باشد که کمتر از 500 کالری دارند).”
سه ماژول این چارچوب به صورت ترکیبی عمل کرده وبه کاربر این امکان را میدهد تا توصیههای سالم و شخصی را دریافت کند. علاوه بر این محققان برای ارائه دستورالعملهای غذایی با عملکرد بالا، پاسخ به سوالات را به وسیله تشخیص زبان طبیعی ایجاد کردند. گفتنی است که تا پیش از این، چنین سیستمی وجود نداشت.
محققان برای ارزیابی فریمورک آن و مقایسهاش با سیستمهای مشابه، یک مطالعه کاربردی انجام دادند که در آن از چند شرکتکننده خواسته شد تا پیشنهاد سیستمهای مختلف، از جمله این سیستم را ارزیابی کنند. همه سیستمها براساس پاسخ شرکت کنندگان به 50 سوال، که مربوط به سلیقههای غذا و نیازهای غذایی آنها است توصیههای خود را ارائه کردند. در نهایت طبق اظهار شرکتکنندگان چارچوبی که توسط زکی و همکارانش ایجاد شده از همه سیستمهای مشابه بهتر بود و اکثر شرکت کنندگان اولویت خود را سیستم ارائه شده توسط زکی و همکارانش قرار دادند.
زکی گفت: “ما امیدواریم که دسترسی عمومی به این سیستم باعث ادامه کار و پیشرفتهای آینده شود. ما نشان میدهیم كه روش پیشنهادی ما در زمینه تركیب سوالات، مدلسازیها و ارائه نتیجه مبتنی بر یادگیری عمیق پیشرفت چشمگیری در ارائه توصیههای غذایی در مقایسه با سیستمهای موجود خواهد داشت.”
هزینه تحقیقات انجام شده توسط زکی و همکارانش توسط موسسه AI Horizons IBM Research تأمین شده. این پروژه بخشی از یک پروژه گستردهتر به نام RPI-IBM HEALS، مخفف کلمه Health Empowerment by Analytics است. همچنین این سیستم منبع باز بوده و کد سیستمی که آنها توسعه دادهاند به صورت آنلاین در آدرس زیر در دسترس است: https://github.com/hugochan/PFoodReq
در آینده این مقاله میتواند راهنمای توسعه دستیارهای دیجیتالی باشد که به کاربران در انتخاب غذاهای سالم و تهیه دستورالعملهای پخت جدید کمک میکند. زکی و همکارانش اکنون از چندین طریق در حال بهبود سیستم خود هستند.
زکی گفت: “سیستم موجود باید به عنوان اولین قدم در توصیه غذاهای شخصی در نظر گرفته شود، اما هنوز بسیاری از چالشها باقی مانده است. ما به معیارهای پیچیدهتری برای پاسخگویی به سوالات نیاز داریم که با اهداف ضمنی کاربر و سناریوهای متنوع سروکار داشته باشند. پیشنهاد گزینههای سالم و متنوعتر توسط سیستم به توسعه بیشتری نیاز دارد. رسیدگی به محدودیتهای پیچیدهتر و یافتن مناسبترین نتیجه که باید هنگام پاسخ دادن مورد توجه قرار گیرند.”