文章图片
文章图片
文章图片
用贝叶斯优化来改良饼干配方 ， 还顺便发了个顶会？！
这样的跨学科研究你玩过吗？
这不 ， 谷歌大脑的几位研究人员就干了这么一件事 。
他们和人类厨师、评分员一起 ， 一共进行了144次实验 ， 摸索出了人们最喜欢的巧克力曲奇配方 。
还顺便发现不同地区的人对口味也有着细微的偏好：
比如加州的顾客更喜欢不那么甜的 ， 匹兹堡的则喜欢cayenne（红辣椒 ， 一种香料）多一点的（我也不知道为什么饼干里要加辣椒） 。
当然 ， 最厉害的是 ， 这款“机器学习曲奇”的做法得到了谷歌自助餐厅厨师们的认可 ， 因此还签上了协议 ， 直接用上实际“开发”！
这也太有意思了吧～
那么 ， 具体怎么个“玩法”呢？
贝叶斯优化vs巧克力曲奇
贝叶斯优化很多人都熟悉 ， 它是机器学习中超参数优化的常用技术之一 ， 适用于求解目标函数表达式未知、非凸、多峰和评估代价高昂的复杂优化问题 。
之所以要在饼干配方上进行贝叶斯优化 ， 谷歌大脑的研究人员解释道：这主要是因为做饼干的可调参数相对较少 ， 就面粉、糖等10种左右的配料 ， 以及每次实验迭代的成本相对较高 ， 因为需要人工混合材料、发面、烘焙 ， 然后再品尝并报告分数 。
研究人员先在匹兹堡的谷歌分办公室进行了一场小规模的实验 。
首先 ， 他们清点出了一份配料清单 ， 并为每种材料的克数限定了范围 ， 让机器在这个范围内随意发挥（其中面粉的克数是固定的） 。
接着 ， 为了配置初始范围 ， 他们从网上找到了几个配方进行参照 ， 然后使用谷歌自己开发的黑盒优化工具Vizier来提出新配方 。
其中 ， Vizier工具利用了迁移学习的思想 ， 在目标函数 f(x)的高斯过程模型F(x)上运用贝叶斯优化bandit算法 ， 可以在预期改善最大的地方上提出新的想法 。
最后 ， 研究人员利用优化过的配方和参照组的配方分别烤出20块饼干 ， 随机邀请了一些员工进行品尝和打分 。
得到一些味道还不错的成品之后 ， 研究人员决定扩大试验规模 ， 来到位于加州山景城的谷歌总部 。
在这里 ， 实验规则有了一些变化：
1、总部的餐厅厨师本着对食客负责的态度 ， 表示要对机器优化配方进行审查 ， 并拥有一票否决权和“编辑”权 。
一开始 ， 机器给出的配方基本都会被厨师修修改改；后来 ， 厨房们就开始信任机器食谱 ， 即使某些组合看起来就不同寻常 。
2、每个配方做出的饼干从20块变为大约1000块 ， 毕竟尝的人更多了结果才更有说服力 。
3、评分从5分制变为了7分制：0表示“太难吃了下次不要做了” ， 7表示“这是我吃过的最好吃的” 。
最终 ， 在加州山景城这里 ， 研究人员得到了一款平均分为5.4的成品 ， 该成品受到了最多人的喜爱 。
研究人员介绍 ， 相对于通过在可行区域内随机抽样目标值分布 ， 他们通过计算目标函数F(x)在Vizer内部模型峰值的z分数（z-score） ， 来寻找每次研究中的增益（gains）（详细步骤可以查看论文） 。
下表给出了每个配方中F(x) 的最大值和实际烘培值的z分数 。 前三个来自匹兹堡 ， 后一个来自山景城 。
推荐阅读
- 香蕉|去路易斯安那州吃什么？五款传统美食供君选择
- 面包|烘焙评测：面包店高比克T38L烤贝果
- |大叔大集上卖怪味小吃，15元一斤，网友：妥妥的海克斯科技与狠活
- 托斯卡|告别“吸油”做法，这些美食无需多用油，一样好吃
- 酒吧|一方水土样一方人，受欢迎的威尼斯菜，酒吧风味和家常款应有尽有
- 喀纳斯|喀纳斯最佳的月份是什么时候？
- 葡萄酒|来自克罗地亚的美味，除了达玛汀斯卡和和薄馅饼，还有可口的酥皮蛋糕和咸水鱼
- 海天酱油|海天酱油到底还能不能吃？“海克斯科技”是什么？
- 饺子|烤箱评测：面包店高比克C60M烘焙贝果
- 豆浆|烤箱评测：家用高比克T38烘焙红豆吐司