ИИ для дегустатор в составлении недельного меню

ИИ-дегустатор: как нейросеть собирает недельное меню

Современные алгоритмы машинного обучения способны не просто генерировать рецепты, но и учитывать сенсорные предпочтения — от кислотности до текстуры. Методика «Сенсорный цикл» превращает ИИ в персонального дегустатора, который балансирует вкусовые профили на 7 дней.

Шаг 1. Формирование вкусовой матрицы

Создайте базу из 30–50 блюд с параметрами: сладость (0–10), соленость, горечь, умами, острота, текстура (хруст/кремовость). Для каждого блюда укажите время приготовления и сезонность.

Совет: используйте открытые датасеты вкусов (например, FlavorDB) или внесите свои оценки по 10-балльной шкале после каждой дегустации.

Шаг 2. Алгоритм оптимизации недели

1. Задайте целевые средние значения по каждому параметру (например, сладость 5.2, острота 3.8).
2. Запустите симуляцию отжига (или генетический алгоритм) с функцией потерь: сумма квадратов отклонений от целевых значений + штраф за повторение ингредиентов.
3. Ограничьте калорийность: завтрак 400–500 ккал, обед 600–700, ужин 500–600.
4. Добавьте правило «контраста»: после кремового супа — хрустящий салат, после острого — нейтральный гарнир.

Шаг 3. Постобработка и сенсорная проверка

ИИ выдает 3 варианта меню. Выберите лучший по критерию «разнообразие текстур» (не более 2 кремовых блюд подряд). Затем вручную скорректируйте специи: если в среду запланирован острый карри, добавьте в четверг йогуртовый соус.

• Используйте API GPT-4 или локальную модель Llama 3 для генерации описаний блюд.
• Ведите журнал «сенсорных откликов» — отмечайте, какое блюдо вызвало насыщение через 3 часа.
• Автоматически исключайте аллергены через теги в базе.
• Обновляйте матрицу каждые 2 недели, добавляя новые рецепты.

Практический рецепт: «ИИ-балансировщик»

Возьмите 7 завтраков, 7 обедов, 7 ужинов. Для каждого блюда рассчитайте вектор вкуса. Затем выполните итерацию:

1. Случайно перемешайте блюда по дням.
2. Вычислите среднедневное отклонение от целевых значений.
3. Если отклонение > 1.5 — поменяйте местами два блюда с максимальной разницей по одному параметру.
4. Повторите 100 раз.

Результат — меню, где каждый день имеет уникальный «вкусовой след», а неделя в целом сбалансирована. Например, понедельник: сладость 6.1, острота 2.0; вторник: сладость 4.8, острота 5.5.

Советы для внедрения

• Начните с 10 блюд, чтобы не перегружать модель.
• Используйте Python-библиотеки: scipy.optimize, numpy, pandas.
• Для быстрого старта возьмите готовый скрипт на GitHub (например, meal-optimizer).
• Проверяйте меню на семейном совете — ИИ не учитывает эмоциональные предпочтения.

Такой подход экономит 2–3 часа в неделю и снижает риск «вкусовой усталости». Главное — регулярно обновлять данные о предпочтениях, иначе алгоритм зациклится на одних и тех же сочетаниях.