假设你现在站在忠孝敦路口，想查附近有什么餐厅，并知道餐厅有什么好吃的招牌菜色，你会怎么做？一般人会利用 Google Map 或上网搜寻关键字。但这样做，可能会得到数十页的食记，光是阅读食记可能就得耗上几小时。这时候，一台读过十多万篇美食食记，建有几千家餐厅资料的美食聊天机器人，也许就是饥肠辘辘的你的最佳救星。

 

从十多万篇食记开始 四个月养成美食智慧大脑

台湾人工智慧学校台北总校第二期的结业典礼上，五位来自不同领域的学员，推出了号称拥有「美食智慧大脑」的箱子，吸引了所有人的目光。更让人惊艳的是，他们从学习人工智慧技术到做出成品，才花了4个月的时间。

负责主揪整个专案的 Wayne 是 PIXNET 的研发工程师，发想出「美食智慧大脑」的灵感，主要来自公司数以百万篇的餐厅食记。他说：「痞客邦有许多的文章，是否可以应用机器学习，做一个特别的服务？」于是一个结合了餐厅搜寻与美食推荐的「美食问答机器人」的概念就这样成形了。

 

人工智慧的开始并不简单
不过，要开始人工智慧并不是一件简单的事情，光是15万篇文章的资料整理及分类，就耗去团队许多时间。但 Wayne 说，自己很幸运地拥有一群实力坚强的队友。例如，在来自知名作业系统公司 Ubuntu 的 YC ，对于系统建置十分擅长，便负责起 chatbot 所需的搜寻引擎建置。另外，本身为手机代工厂工程师的 Jazz 则负责菜单关键字的萃取及串接搜寻引擎的 API ( Application Programming Interface ) 。

 

团队将15万篇的痞客邦文章，逐步分类整理出2,500家餐厅，4百多万个句子，3000多个关键字，七万个食物名称等资料，并将文章内的餐厅地址转成经纬度，以利搜寻。除此之外，还使用爬虫将社群网站上相等对应的语句训练 model ，使其能准确的判断语句是正向，还是负向的评论。之后也利用转移学习，使用少量的训练资料使 model 能够判别该语句是对餐厅的食物、服务还是环境做评价。

 

 

Wayne 说，过程中团队遇到最大的难题是：「如何让电脑判定一个单词是否为食物？」虽然知道市面上有些软体可以处理，但都要价不斐。没想到，此时团队成员皮丘突然卯足全力，人工判定了十几万笔的单词。Wayne 说，由于这个题目没有其他的 label data ，所以皮丘做的这些 data 对于后续机器学习的过程十分重要。至于Ken则是负责了最具挑战性的句子分析与组成一块。

 

Wayne 说，他本来没有预料会是一人负责一大块的项目，没想到刚 好大家都对某一部份的工作感兴趣，也都投入了相当多的时间，有时候甚至半夜一两点，小组群组还在讨论。他笑说，原本还很担心成果做不出来，没想到大家一起合作出非常好的成果。过程中，还有一种创业的热血感。

 

至于专案结束之后，这个美食智慧大脑是否还有需要改善加强的地方。大家笑说还有很多，光是餐厅的资料就需要补齐。再来就是对话的流程设计可以再复杂一点。

 

 

聚集有共同兴趣与能力的人，创造最大价值
问起四个月的学习心得，Wayne 认为，最大的收获就是和一群有一定资讯能力、各有专长，且对深度学习都有兴趣的人一起合作。当中一起讨论，一起合作的过程，就十分有价值。更重要的是，卡关还有助教可以求助。

 

 

本身是从事家电整合新创事业的皮丘，当初会选择这个题目的理由，是因为觉得未来 chatbot 很有机会会取代掉 App ，所以才想在这个领域多做著墨。原本是对文字处理相关技术比较有兴趣，但收获最多的反而是图像处理的部分，透过期中考前的范例，他才真正了解 CNN 的如何操作。较为可惜的是，在文字相关的课程中，就少了这一部份，但也让他发现这一块还有许多可以深入研究的部分。

 

设计手机游戏多年的 Ken 则笑说，4个月的学习加上专案之后，让他获得了许多工作上的灵感，知道了许多 App 应用的相关技术可以创作。

 

而同是物理背景出身的 Ken 及 Jazz 则认为，这段期间的学习补足了自己在程式应用与整合的能力，以及一些线性代数与统计方面的基础知识。Jazz 说，还能认识一堆写程式的同学，过程是满满的收获。

 

（新闻授权转载自：台湾人工智慧学校官网）

查看原文 >>