Kaikaku.AI et Epicure : l'IA culinaire redéfinie

Kaikaku.AI et l'innovation culinaire par l'IA

La startup Kaikaku.AI, spécialisée dans les technologies de restauration, a récemment dévoilé une avancée majeure dans l'utilisation de l'intelligence artificielle pour l'analyse culinaire. Leur projet, nommé "Epicure," se compose de trois modèles d'IA distincts qui explorent les relations entre les ingrédients sous deux angles : les recettes et les molécules de saveur.

Les modèles Epicure : Cooc, Chem et Core

Les chercheurs Jakub Radzikowski et Josef Chen ont développé trois modèles d'IA presque identiques, différenciés par leurs données d'entraînement. Le modèle "Cooc" se concentre sur les ingrédients apparaissant ensemble dans les recettes. "Chem" s'appuie sur les molécules de saveur partagées, en utilisant la base de données FlavorDB. Enfin, "Core" combine les deux approches.

Chaque modèle représente les ingrédients par des points, regroupant ceux qui sont similaires. Bien que les modèles ne reçoivent aucune information sur l'origine culinaire des ingrédients, ils parviennent à les classer en groupes de cuisines régionales distinctes.

Des réponses variées à une même question

Lorsqu'on interroge ces modèles sur un ingrédient comme le poulet, les réponses varient. "Cooc" propose des ingrédients couramment associés dans les recettes, comme l'ail et l'oignon, tandis que "Chem" suggère des viandes au profil de saveur similaire, comme le bœuf. Cette distinction montre comment chaque modèle perçoit les relations culinaires.

Pour le basilic, "Cooc" recommande du persil, de l'huile d'olive et du parmesan, typiques des plats de pâtes, tandis que "Chem" propose de l'origan, de l'estragon et du romarin, des herbes apparentées.

La supériorité du modèle chimique

Le modèle "Chem" se distingue par sa capacité à classer les ingrédients selon des propriétés gustatives et nutritionnelles, même si ces données ne sont pas explicitement codées dans son entraînement. Cela démontre l'efficacité des relations chimiques pour ajuster le modèle à divers concepts culinaires.

Selon les auteurs, "Chem" excelle dans des domaines où il ne devrait pas avoir d'informations, comme les saveurs sucrées, acides ou amères, et les valeurs nutritionnelles comme la teneur en protéines ou en matières grasses. Les relations chimiques semblent agir comme un raccourci qui ajuste également le modèle à d'autres concepts culinaires.

Un corpus multilingue pour une analyse globale

Epicure se base sur un vaste corpus de 4,14 millions de recettes issues de onze sources dans sept langues, incluant le chinois et le russe. Ce corpus est traité par des embeddings Claude et Gemini, qui traduisent et nettoient les données pour aboutir à 1 790 ingrédients distincts.

Fonctionnalités et applications pratiques

Le modèle final propose deux modes de fonctionnement : une recherche de voisins pour identifier les ingrédients similaires, et un déplacement d'ingrédients selon un angle ajustable vers une direction cible. Ces fonctionnalités permettent de découvrir des groupes d'ingrédients cohérents, étiquetés par des systèmes comme Claude.

Sans catégories prédéfinies, l'analyse trouve des groupes d'ingrédients qui vont ensemble. Les groupes reçoivent ensuite des étiquettes générées par Claude, telles que "ingrédients de dessert" ou "essentiels de la cuisine wok chinoise."

Perspectives d'avenir

Kaikaku, fondée à Londres en 2023, exploite ces innovations dans son restaurant robotisé Common Room, situé dans le Brunswick Centre. Avec des systèmes automatisés capables de préparer 360 bols par heure, la startup envisage une expansion en chaîne. Le modèle Epicure, accessible sur Hugging Face, pourrait transformer la manière dont les cuisines mondiales sont comprises et exploitées par l'IA.

L'entreprise utilise ses propres systèmes d'apprentissage automatique pour peser et portionner les ingrédients. Sa machine, appelée "Fusion," peut théoriquement distribuer 360 bols par heure. Le système comprend également une gestion des stocks alimentée par ML et des composants alimentaires sûrs imprimés en 3D. La société a levé environ 1,8 million de dollars lors d'un tour de pré-amorçage en 2024.

Conclusion

La viabilité de ces applications en pratique reste à voir. Les poids des modèles et les ensembles de données sont désormais disponibles sur Hugging Face, ce qui permet une vérification indépendante en théorie. Cependant, les exemples présentés dans l'article sont soigneusement sélectionnés. Dans des régions peu représentées comme l'Asie du Sud ou l'Amérique latine, les réponses sont probablement beaucoup moins stables que pour les cuisines dominantes d'Asie de l'Est et de l'Ouest.

Le nettoyage du vocabulaire dépend également de la sortie des modèles linguistiques, qui portent leurs propres biais culturels. Le fait que le chocolat se retrouve près du matcha dans la direction "pâtisseries sucrées" d'une variante du modèle est un effet intéressant. Mais cela en dit peu sur la fiabilité de telles rotations au-delà des exemples soigneusement choisis.

Le co-auteur Josef Chen promeut le modèle sur X comme "le plus grand modèle alimentaire multilingue jamais construit," affirmant qu'ils ont "compressé toute la cuisine humaine en 2 mégaoctets." Une version plus ancienne du modèle est disponible en démonstration sur epicure.kaikaku.ai.