Les modèles d’IA séparent la logique des recettes de la chimie des saveurs

Deux façons de demander ce qui va avec un ingrédient

Lorsqu’on demande ce qui accompagne le poulet, il existe au moins deux réponses valables. L’une est culinaire: quels ingrédients apparaissent habituellement avec le poulet dans de vraies recettes. L’autre est chimique: quels ingrédients partagent un profil de saveur similaire au niveau moléculaire. Une nouvelle recherche mise en avant par Kaikaku.AI soutient que de nombreux systèmes d’IA mélangent ces deux réponses, et que cela masque une distinction importante.

Les travaux de l’entreprise présentent trois modèles étroitement liés sous le nom Epicure. Un modèle, Cooc, est entraîné uniquement sur la cooccurrence dans les recettes. Un autre, Chem, est entraîné uniquement sur des molécules aromatiques partagées à l’aide de la base de données chimique FlavorDB. Un troisième, Core, combine les deux approches.

Pourquoi la distinction est importante

Les différences deviennent évidentes dans des requêtes simples. Selon le texte source, Cooc répond à “chicken” avec des ingrédients comme l’ail, l’oignon et le poivre noir, reflétant ce que les cuisiniers associent souvent dans les recettes. Chem renvoie plutôt des ingrédients comme le bœuf ou le porc, qui ne sont pas nécessairement les compagnons de recette les plus fréquents, mais qui sont plus proches sur le plan du profil moléculaire de saveur.

Le même schéma apparaît avec les herbes. Pour “basil”, Cooc propose des ingrédients associés à des usages familiers, notamment le persil, l’huile d’olive et le parmesan. Chem regroupe le basilic avec des parents aromatiques comme l’origan, l’estragon et le romarin. Autrement dit, un modèle se comporte davantage comme un livre de cuisine, l’autre comme une carte chimique.

Échelle des données et portée multilingue

Epicure a été entraîné sur 4,14 millions de recettes provenant de onze sources dans sept langues, dont le chinois, le russe, le vietnamien, le turc, l’indonésien et l’allemand. Cette diversité linguistique est un élément majeur de la revendication du projet sur sa pertinence. De nombreux jeux de données culinaires sont fortement biaisés en faveur des sources anglophones, ce qui peut aplatir les cuisines régionales et surreprésenter les habitudes culinaires occidentales.

Le texte source indique que le pipeline a utilisé des embeddings de Claude et de Gemini pour aider à traduire et normaliser environ 200 000 termes bruts d’ingrédients en 1 790 étiquettes nettoyées. Ce travail de préparation des données est moins spectaculaire que la conception du modèle, mais il fait souvent la différence entre un système qui capture une structure réelle et un autre qui amplifie le bruit.

Des performances inattendues grâce à un apprentissage centré sur la chimie

L’une des affirmations les plus intéressantes de la recherche est que le modèle fondé sur la chimie fonctionne bien même sur des propriétés qui n’étaient pas directement encodées dans ses données d’entraînement. Le texte source indique que Chem classe plus clairement les ingrédients selon des dimensions comme sucré, acide ou amer, ainsi que selon des axes nutritionnels comme la teneur en protéines et en matières grasses.

Si ce résultat se confirme, il suggère que les relations moléculaires peuvent servir de représentation compacte d’un savoir culinaire plus large. Un modèle construit uniquement à partir de la chimie peut encore apprendre quelque chose de significatif sur la manière dont les humains perçoivent les ingrédients, organisent les saveurs et déduisent même des propriétés voisines.

Ce que cela pourrait changer

L’IA alimentaire s’est surtout concentrée sur la recommandation, le remplacement et la génération de contenu. Mais ces systèmes réduisent souvent des questions très différentes à une notion générique de similarité. Le cadre d’Epicure suggère que les futurs outils devront peut-être préciser le type de similarité qu’ils optimisent.

Cette distinction pourrait compter pour la conception produit. Un assistant de recettes devrait probablement privilégier la cooccurrence et le contexte culinaire. Un outil de formulation ou de R&D pourrait accorder plus d’importance à la similarité moléculaire. Un système créatif pour de nouveaux plats pourrait avoir besoin d’un équilibre ajustable entre les deux.

Tout aussi important, ce travail montre que même des domaines en apparence étroits peuvent révéler de plus grands problèmes de conception des modèles. Les données d’entraînement ne remplissent pas seulement des faits. Elles déterminent le type de relation que le système croit voir dans le monde.

Une pile d’intelligence alimentaire plus précise

L’intérêt plus large du projet est la clarté conceptuelle. “Qu’est-ce qui va avec ça ?” n’est pas un seul problème. C’en est plusieurs. En séparant le comportement des recettes de la chimie des saveurs, Kaikaku.AI défend l’idée que l’intelligence des ingrédients doit être décomposée plutôt qu’agrégée.

Cela peut sembler très spécialisé, mais cela s’inscrit dans une tendance plus large de la recherche en IA. Les modèles deviennent plus utiles lorsqu’ils distinguent différentes structures au sein d’un même jeu de données au lieu de les compresser en un score unique. Dans ce cas, le résultat offre une manière plus nette de penser le savoir culinaire lui-même: les habitudes, les molécules et l’espace où elles se recoupent.

Cet article s’appuie sur un reportage du The Decoder. Lire l’article original.