【學員專題成果】今晚吃什麼？美食智慧大腦給你最佳建議

2018/11/21

假設你現在站在忠孝敦路口，想查附近有什麼餐廳，並知道餐廳有什麼好吃的招牌菜色，你會怎麼做？

一般人會利用 Google map或上網搜尋關鍵字。但這樣做，可能會得到數十頁的食記，光是閱讀食記可能就得耗上幾小時。這時候，一台讀過十多萬篇美食食記，建有幾千家餐廳資料的美食聊天機器人，也許就是飢腸轆轆的你的最佳救星。

從十多萬篇食記開始 四個月養成美食智慧大腦

台灣人工智慧學校台北總校第二期的結業典禮上，五位來自不同領域的學員，推出了號稱擁有「美食智慧大腦」的箱子，吸引了所有人的目光。更讓人驚豔的是，他們從學習人工智慧技術到做出成品，才花了4個月的時間。

負責主揪整個專案的Wayne，是痞客邦的研發工程師，發想出「美食智慧大腦」的靈感，主要來自公司數以百萬篇的餐廳食記。他說：「痞客邦有許多的文章，是否可以應用機器學習，做一個特別的服務？」於是一個結合了餐廳搜尋與美食推薦的「美食問答機器人」的概念就這樣成形了。

人工智慧的開始並不簡單

不過，要開始人工智慧並不是一件簡單的事情，光是15萬篇文章的資料整理及分類，就耗去團隊許多時間。但Wayne說，自己很幸運地擁有一群實力堅強的隊友。例如，在來自知名作業系統公司Ubuntu的YC，對於系統建置十分擅長，便負責起chatbot所需的搜尋引擎建置。另外，本身為手機代工廠工程師的Jazz則負責菜單關鍵字的萃取及串接搜尋引擎的API(Application Programming Interface)。

團隊將15萬篇的痞客邦文章，逐步分類整理出2,500家餐廳，4百多萬個句子，3000多個關鍵字，七萬個食物名稱等資料，並將文章內的餐廳地址轉成經緯度，以利搜尋。除此之外，還使用爬蟲將社群網站上相等對應的語句訓練model，使其能準確的判斷語句是正向，還是負向的評論。之後也利用轉移學習，使用少量的訓練資料使model能夠判別該語句是對餐廳的食物、服務還是環境做評價。

Wayne說，過程中團隊遇到最大的難題是：「如何讓電腦判定一個單詞是否為食物？」雖然知道市面上有些軟體可以處理，但都要價不斐。沒想到，此時團隊成員皮丘突然卯足全力，人工判定了十幾萬筆的單詞。Wayne說，由於這個題目沒有其他的label data，所以皮丘做的這些data對於後續機器學習的過程十分重要。至於Ken則是負責了最具挑戰性的句子分析與組成一塊。

Wayne說，他本來沒有預料會是一人負責一大塊的項目，沒想到剛 好大家都對某一部份的工作感興趣，也都投入了相當多的時間，有時候甚至半夜一兩點，小組群組還在討論。他笑說，原本還很擔心成果做不出來，沒想到大家一起合作出非常好的成果。過程中，還有一種創業的熱血感。

至於專案結束之後，這個美食智慧大腦是否還有需要改善加強的地方。大家笑說還有很多，光是餐廳的資料就需要補齊。再來就是對話的流程設計可以再複雜一點。

聚集有共同興趣與能力的人，創造最大價值

問起四個月的學習心得，Wayne認為，最大的收穫就是和一群有一定資訊能力、各有專長，且對深度學習都有興趣的人一起合作。當中一起討論，一起合作的過程，就十分有價值。更重要的是，卡關還有助教可以求助。

本身是從事家電整合新創事業的皮丘，當初會選擇這個題目的理由，是因為覺得未來chatbot很有機會會取代掉App，所以才想在這個領域多做著墨。原本是對文字處理相關技術比較有興趣，但收穫最多的反而是圖像處理的部分，透過期中考前的範例，他才真正了解CNN的如何操作。較為可惜的是，在文字相關的課程中，就少了這一部份，但也讓他發現這一塊還有許多可以深入研究的部分。

設計手機遊戲多年的Ken則笑說，4個月的學習加上專案之後，讓他獲得了許多工作上的靈感，知道了許多App 應用的相關技術可以創作。

而同是物理背景出身的Ken及Jazz則認為，這段期間的學習補足了自己在程式應用與整合的能力，以及一些線性代數與統計方面的基礎知識。Jazz說，還能認識一堆寫程式的同學，過程是滿滿的收穫。