Chatbot.jpg

 

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 PIXNET 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。

 

學員自組_Food-AI-最懂美食的智慧大腦_Team29_完整版.png

 

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。

 

學員自組_Food-AI-最懂美食的智慧大腦_Team29_完整版 (1).png

 

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。

 

Chatbot-1.jpg

 

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。

 

(新聞授權轉載自:台灣人工智慧學校官網

文章標籤
創作者介紹
創作者 PIXNET  的頭像
PIXNET

PIXNET 行銷合作

PIXNET 發表在 痞客邦 留言(0) 人氣()