AI在餐厅菜单制作方面的应用

[title]AI决策背后的黑箱：企业如何避免陷入智能陷阱，重塑决策流程[heading1]创新与效率的平衡：AI时代的人类创新力[heading2]生物自然主义vs计算功能主义：创造力的对比- AI可以通过分析大量数据，自动生成推荐菜谱或优化生产流程。虽然效率高，但这些菜谱通常缺乏个人风格和创新性，无法完全取代厨师的创造力。- AI可以快速生成数百个营销文案，并通过分析用户反应选择效果最好的内容，帮助公司提高效率。关于这点，AlphaGo给个人的震撼一直延续到现在，被高质量人类奉为圭臬的围棋，甚至仅仅只是计算量问题。老实说对中餐玄之又玄的东西，持保留态度。

解决什么问题：餐饮行业对于菜品图片素材要求多，然而目前如果需要有好看的菜品素材，要么需要聘请摄影师拍摄，成本贵且耗费精力，要么上网买通用的素材，千篇一律。当看到一道菜的时候，可以快速的获取这个菜品的配方，做法具体如何使用：通过聊天机器人，用户输入想要的菜品名称，就能够生成一张符合菜品的图片AI工作流需要解决的点：菜品名的理解菜品如何翻译成模型能理解的Prompt图片如何确保符合常规印象图片上如何带上个性化店名优先级较低PS:需求在实际实现阶段做了一些删减.

链接：https://every.to/p/how-ai-worksNir Zicherman在他的文章中，用非技术性的语言解释了大型语言模型（LLMs）的工作原理，他采用了烹饪和菜单规划的类比来简化这些概念。Zicherman擅长将复杂的技术概念深入浅出地解释给非技术受众，他将这一过程分为两个主要步骤：构建食物模型和发现模式。在“构建食物模型”的步骤中，目标是教会计算机如何将食物作为数据来处理，而不依赖于口味或食物搭配等定性细节。这一过程通过向计算机输入大量关于过去菜肴搭配的数据来完成，使计算机能够根据菜肴之间的共现频率对它们进行分类。这样就形成了一个“菜肴空间”，在这个空间里，根据共现模式，相似的菜肴被归为一组，而不同的菜肴则相隔较远。第二步“发现模式”则涉及训练模型预测哪种菜肴最能补充一套特定的菜肴组合。模型依据其从数据中学习到的模式，使用这个“菜肴空间”来确定最适合完成一顿餐的菜肴类型。将这个比喻应用到LLMs上，Zicherman建议把食物换成句子，把菜肴换成单词。训练过程包括理解单词之间基于上下文的关系，以及发现用于预测句子中下一个最可能出现的单词的模式。这实际上是文本AI工具的基本操作——“下一个单词预测”。文章强调，尽管AI具有变革性潜力，但其基础原理并不复杂。它涉及简单的数学概念、大量的训练数据，以及找出数据中的模式以模拟机器的“思维”过程。Zicherman在文章最后指出，只要正确解释，AI技术其实是易于理解和简单的，这意味着它并不像许多人所想的那样难以接近。