数字化几乎颠覆了每一个行业,从金融服务到医疗保健,而食品和饮料行业也不例外。从历史上看,风味特点、潮流和新的食品主要归功于厨师和产品开发人员。而在将一个创意转化成产品并推向市场之前,可能需要花费几个月甚至是几年的时间。
但是,在最近几年之中,下一个大的食品和风味潮流的答案与人类的关系越来越小,而与大数据和人工智能的关系越来越大。通过同时收集和分析数百万种数据集,它们可以学习和模仿人类的行为。
那么,如何利用技术开发出下一个潮流或者趋势?举个例子,香料公司McCormick在2019年与IBM合作,利用人工智能技术预测新的风味组合。他们分析了来自数百万个数据源的数据,通过这种方法改进McCormick的“风味预测”。结果是双方合作开发出了不少能够吸引消费者注意的新风味,McCormick内部的产品开发人员通常不会自己想出这些不断涌现的新风味。
该公司甚至有一个专门的Instagram页面来展示其新开发的、值得注意的口味。比如它新创的XO酱,就是一种调味品、酱料和糊剂的组合。
另一个用例是Aromyx,这是一家将人的味觉和嗅觉数字化的公司。该公司开发了“创建气味感测数据的数字表示形式”的生物传感器,可以用于消费品、农业等领域。而对这种技术的兴趣和需求,让该公司去年完成了300万美元的资金募集。
除此之外,世界上最大的在线食品和配料数据库之一Foodpairing,也利用机器学习向厨师和调酒师推荐新的食品和饮料组合,并帮助食品公司确定下一步应该推出哪种口味的产品。
当然,这些只是利用人工智能和消费者数据的力量来创造新趋势并吸引新客户群的几家企业的例子。那么,这对于食品和饮料行业的未来意味着什么呢?毫无疑问,大数据和人工智能为创新提供了充足的机会。利用人工智能技术,品牌商可以:
随着新技术的不断普及,那些希望在竞争中保持领先地位,不断吸引新客户并保持盈利的食品和饮料生产商应该采用人工智能和机器学习技术,并将其应用于市场调研和产品开发策略,这才是明智之举。而不这样做的话,风险会大到不容忽视的程度。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。