KR20210114384A - 신경망에 기초한 레시피 생성 - Google Patents

신경망에 기초한 레시피 생성 Download PDF

Info

Publication number
KR20210114384A
KR20210114384A KR1020217017584A KR20217017584A KR20210114384A KR 20210114384 A KR20210114384 A KR 20210114384A KR 1020217017584 A KR1020217017584 A KR 1020217017584A KR 20217017584 A KR20217017584 A KR 20217017584A KR 20210114384 A KR20210114384 A KR 20210114384A
Authority
KR
South Korea
Prior art keywords
food
food ingredients
rankings
recipe
ingredient
Prior art date
Application number
KR1020217017584A
Other languages
English (en)
Inventor
리아나 린
캐롤 슈미츠
Original Assignee
저니 푸드스 인크.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 저니 푸드스 인크. filed Critical 저니 푸드스 인크.
Publication of KR20210114384A publication Critical patent/KR20210114384A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Nutrition Science (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시의 예시적인 양태는 레시피를 생성하는 시스템 및 방법이고, 이는 타겟 식품에 대한 복수의 식품 성분의 건강 기반 특징, 비용, 또는 보급률 중 적어도 하나에 따라 상기 복수의 식품 성분에 대한 랭킹들을 결정하는 단계를 포함한다. 신경망은, 입력들로서, 상기 복수의 식품 성분의 랭킹들, 및 상기 타겟 식품과 동일한 카테고리 내의 식품들에 대한 복수의 기존 레시피를 수신할 수 있다. 상기 신경망은, 출력으로서, 상기 복수의 식품 성분의 랭킹들 및 상기 복수의 기존 레시피에 따라, 상기 복수의 식품 성분으로부터의 선택 식품 성분을 포함시키는 상기 타겟 식품에 대한 신규 레시피를 생성할 수 있다.

Description

신경망에 기초한 레시피 생성
관련 출원에 대한 상호 참조
본 출원은, 35 U.S. § 119(e)의 규정에 따라, 2018년 11월 3일에 출원된 미국 가출원 번호 62/760113[발명의 명칭: "PROVIDING PRECISE NUTRITION SOLUTIONS USING MACHINE LEARNING AND ORGANOLEPTIC TARGETING"]에 대한 우선권을 주장하고, 사실상 그 내용 전체가 인용에 의해 본 명세서에 포함된다.
기술분야
본 개시는 일반적으로 식품에 관한 것으로, 신경망에 기초하여 식품에 대한 레시피를 생성하기 위한 시스템 및 방법을 포함하지만 이에 제한되지는 않는다.
소비자의 71% 이상이 그들이 하루에 적어도 하나의 상온 보관 가능한(shelf-stable)(4주 이상의 유통 기한) 스낵을 먹는다고 말한다. 35세 미만의 사람들의 77%가 하루를 보내기 위해서는 스낵이 필요하다고 답했고, 모든 연령 그룹에 걸쳐, 설문조사를 받은 소비자들 중 대다수가 더 건강한 스낵 옵션들을 원했다. 식물 기반 스낵킹이 한층 더 널리 퍼지고 있고, 지난 4년 동안 미국에서만 채식주의가 600% 증가하여, 유사한 세계적인 추세를 반영하고 있다. 마찬가지로, 기능성 제품들에 대한 수요가 증가하고 있다. 이들 모든 변화들은 기능성 식품들이 상온 보관 가능한 제품들에 대한 시장 점유율을 더 많이 차지하기 시작하도록 요구한다.
유사하게, 다량의 가공 설탕이 심장병 및 당뇨병과 같은 만성 건강 문제로 이어질 수 있고, 특히 미국에서 증가하는 전염병인 비만에 기여할 수 있다. 경제 협력 개발 기구(Organization for Economic Cooperation and Development)가 발표한 2017년 비만 보고서에 따르면, 미국인의 38% 이상이 과체중 또는 비만으로, 국제 평균의 거의 두 배였다. 스낵킹 업계에서는, 특히 사람들이 원하는 스낵킹 및 주변 유형의 스낵들에 대한 추세가 변화하기 시작함에 따라, 운송하기 어려울 수 있는 신선한 과일과, 과일 스낵 같은 건강에 해로운 스낵 둘 다에 대한 건강하고 간편한 스낵킹 대체품들을 찾은 것이 절실히 필요하다.
일부 실시예들은 고객들이 기존 레시피들을 관리(예를 들어, 기존 레시피들을 포함할 수 있는 그들의 제품 포트폴리오를 업로드)하고 성분 통찰력을 활용하여 그들의 원하는 사양을 타겟으로 하는 신규 레시피들을 작성할 수 있는 인공 지능(AI) 기반 플랫폼을 포함한다. AI 기반 플랫폼은 영양 특성들 및/또는 기능적 이익들(집합적으로, 건강 기반 특징들)뿐만 아니라 식감, 상온 보관 안정성(shelf-stability), 경제성(affordability) 등의 주어진 입력들에 대한 식품 제제들을 생성할 수 있다. 일부 실시예들은 제품 선택을 분류 및/또는 간소화하는 데 도움이 되는 랭킹을 작성한다.
본 개시의 예시적인 양태는 레시피를 생성하는 방법이고, 이는 타겟 식품에 대한 복수의 식품 성분의 건강 기반 특징, 비용, 또는 보급률(prevalence) 중 적어도 하나에 따라 상기 복수의 식품 성분에 대한 랭킹들을 결정하는 단계, 신경망이 입력들로서, 상기 복수의 식품 성분의 랭킹들, 및 상기 타겟 식품과 동일한 카테고리 내의 식품들에 대한 복수의 기존 레시피를 수신하는 단계, 및 상기 신경망이 출력으로서, 상기 복수의 식품 성분의 랭킹들 및 상기 복수의 기존 레시피에 따라, 상기 복수의 식품 성분으로부터의 선택 식품 성분을 포함시키는 상기 타겟 식품에 대한 신규 레시피를 생성하는 단계를 포함한다.
본 개시의 다른 예시적인 양태는 레시피를 생성하기 위한 시스템이고, 이는 타겟 식품에 대한 복수의 식품 성분의 데이터베이스를 저장하도록 구성된 스토리지 디바이스, 상기 타겟 식품에 대한 복수의 식품 성분의 건강 기반 특징, 비용, 또는 보급률 중 적어도 하나에 따라 상기 복수의 식품 성분에 대한 랭킹들을 결정하도록 구성된 적어도 하나의 프로세서, 및 상기 적어도 하나의 프로세서에 의해 구현된 신경망을 포함한다. 상기 신경망은 입력들로서, 상기 복수의 식품 성분의 랭킹들, 및 상기 타겟 식품과 동일한 카테고리 내의 식품들에 대한 복수의 기존 레시피를 수신하고, 출력으로서, 상기 복수의 식품 성분의 랭킹들 및 상기 복수의 기존 레시피에 따라, 상기 복수의 식품 성분으로부터의 선택 식품 성분을 포함시키는 상기 타겟 식품에 대한 신규 레시피를 생성하도록 구성된다.
일부 실시예들에서, 이 시스템 및 방법은, 상기 신경망에 의해 다른 입력으로서, 상기 복수의 식품 성분 각각의 특성들을 수신하는 단계, 상기 신경망이, 상기 복수의 식품 성분의 랭킹들, 상기 복수의 기존 레시피 및 상기 복수의 식품 성분 각각의 특성들에 따라, 상기 신규 레시피를 생성하는 단계를 포함한다. 일부 실시예들에서, 상기 신규 레시피는, 상기 복수의 식품 성분 중 제1 식품 성분보다 낮은 랭킹을 갖는 제2 식품 성분보다 상기 제1 식품 성분을 상기 선택 식품 성분으로서 포함시킬 확률이 더 높다.
일부 실시예들에서, 상기 선택 식품 성분은 상기 복수의 식품 성분 중 적어도 하나의 식품 성분보다 낮은 랭킹을 갖는다. 일 실시예에서, 이 시스템 및 방법은 신규 레시피를 생성할 때 상기 신경망에 의해 상기 복수의 기존 레시피 중 제1 레시피로 수정의 유형을 제한하기 위해, 상기 제1 레시피를 태깅하는 단계를 포함한다.
일부 실시예들에서, 상기 타겟 식품은: 스낵, 구운 식품, 과자류, 합성 식물 기반 제품, 에너지 바, 음료, 식사 대용품, 식이 보충제, 슈퍼푸드, 음료, 상온 보관 가능한 식품, 냉동 또는 냉장 식품, 육류 기반 제품, 또는 유제품 중 적어도 하나를 포함한다. 일 실시예에서, 이 시스템 및 방법은, 상기 신경망이, 상기 복수의 식품 성분으로부터의 다수의 식품 성분을 포함시키는 상기 타겟 식품에 대한 신규 레시피를 생성하는 단계를 포함한다. 일 실시예에서, 이 시스템 및 방법은, 라벨 엔진이, 상기 신규 레시피에 대한 영양 서술(nutritional description)을 생성하는 단계를 포함한다.
일 실시예에서, 상기 랭킹들을 결정하는 단계는 복수의 식품 성분 각각의 적어도 하나의 건강 기반 특징에 따라 상기 복수의 식품 성분에 대한 제1 랭킹들을 결정하는 단계, 상기 복수의 식품 성분 각각의 비용에 따라 상기 복수의 식품 성분에 대한 제2 랭킹들을 결정하는 단계, 상기 복수의 식품 성분 각각의 보급률에 따라 상기 복수의 식품 성분에 대한 제3 랭킹들을 결정하는 단계, 및 상기 제1 랭킹들, 상기 제2 랭킹들 및 상기 제3 랭킹들에 따라 상기 복수의 식품 성분에 대한 랭킹들을 결정하는 단계를 포함한다.
전술한 요약 및 도면들 및 상세한 설명에 대한 다음의 설명은 둘 다 예시적이고 설명적이다. 이들은 본 발명의 개념들의 추가 세부 사항들을 제공하기 위해 의도된 것이고, 제한적인 것으로 해석되어서는 안 된다. 다른 목적들, 이점들, 및 새로운 특징들은 본 발명의 개념들에 대한 다음의 상세한 설명으로부터 본 기술 분야의 통상의 기술자들에게 쉽게 명백할 것이다.
첨부 도면들은 일정한 비율로 그려지도록 의도되어 있지 않다. 다양한 도면들에서 유사한 참조 번호들 및 명칭들은 유사한 요소들을 지시한다. 명료성을 위해, 모든 도면에서 모든 컴포넌트가 라벨링되는 것은 아닐 수 있다.
도 1은 본 개시의 예시적인 구현에 따른, 레시피들을 생성하기 위한 시스템의 블록도이다.
도 2a는 본 개시의 예시적인 구현에 따른, 특징 추출기(때때로 추천 엔진 또는 레시피 생성기로서, 그의 일부로서 지칭될 수 있음)의 신경망의 블록도이다.
도 2b는 본 개시의 예시적인 구현에 따른, 특징 추출기의 신경망을 훈련시키는 신경망 트레이너의 블록도이다.
도 3은 본 개시의 예시적인 구현에 따른, 예시적인 영양 서술을 도시한다.
도 4는 본 개시의 예시적인 구현에 따른, 레시피들을 생성하는 프로세스를 예시하는 흐름도이다.
도 5는 본 개시의 예시적인 구현에 따른, 컴퓨팅 환경의 블록도이다.
특정 실시예들을 상세하게 예시하는 도면들을 참조하기 전에, 본 개시는 설명에 기재되거나 도면들에 예시된 세부 사항들 또는 방법론에 제한되지 않는다는 것을 이해해야 한다. 본 명세서에서 사용되는 용어는 설명을 위한 것일 뿐이고 제한적인 것으로 간주되어서는 안 된다는 것도 이해해야 한다.
현재 시중에 나와 있는 대부분의 식품들은 식감과 맛을 위해 다량의 설탕과 첨가제를 사용한다. 더 건강한 식품 옵션들을 위한 레시피들을 생성하기 위한 솔루션들이 존재하지만 기존 솔루션들은 심각한 한계를 가지고 있다. 기존 솔루션들은 격리된 데이터 또는 이력적 데이터에 기초할 수 있어, 식품이 풍미 및 식감과 같은 식품 특성들에 대한 현재 시장 추세들과 일치할 가능성을 제한할 수 있다. 게다가, 기존 솔루션들은 식품들에 대한 레시피들의 수동 생성을 포함할 수 있어, 결과적으로 레시피를 생성하는 데, 그리고 궁극적으로, 식품들을 진열대에 더 빨리 가져오는 데 추가적인 지연을 야기할 수 있다. 따라서, 더 건강하고 풍미 있는 식품들을 위한 신규 레시피들의 탐구, 프로토타이핑 및/또는 생성을 자동화하는 기술적인 문제가 있다.
본 개시의 일부 실시예들은 이 기술적인 문제에 대한 기술적인 솔루션을 제공한다. 즉, 본 개시의 일부 실시예들은 인공 지능 또는 기계 학습(예를 들어, 신경망) 모델들을 사용하여 식품 레시피들을 생성하기 위한 시스템 및 방법이다. 일부 실시예들에서, 이 시스템 및 방법은 식품 성분들을 랭킹한다. 일부 실시예들에서, 식품 랭킹들은 성분 특성 및/또는 정의된 (예를 들어, 고객 또는 소비자) 선호도들에 기초한다. 일부 실시예들에서, 이 시스템 및 방법은 랭킹된 식품 성분들 및 기존 레시피들을 인공 지능 모델에 입력한다. 일부 실시예들에서, 인공 지능 모델은 랭킹된 식품 성분들 및 기존 레시피들에 기초하여 신규 레시피들을 생성한다.
유리하게는, 본 개시의 일부 실시예들은 인공 지능(예를 들어, 훈련된 기계 학습 모델들)을 사용하여 현재 일반 대중이 이용할 수 있는 식품들보다 더 건강한 풍미 있는 식품들을 위한 신규 레시피들을 생성 및/또는 개발하는 시간을 단축시킨다. 또한, 본 개시의 일부 실시예들은 식품 성분들의 우선순위를 매기거나 랭킹하고 다양한 공급원들로부터의 현재 데이터에 기초하여 신규 레시피들을 생성하여, 신규 레시피들이 예를 들어 풍미 및/또는 식감에 관한 현재 시장 추세들을 정확하게 반영하도록 보장한다.
도 1은 본 개시의 예시적인 구현에 따른, 레시피들을 개발 및/또는 생성하기 위한 시스템(예를 들어, 레시피 생성기(100))의 블록도이다. 일부 실시예들에서, 레시피 생성기(100)는 도 1에 도시된 것보다 더 많은, 더 적은, 또는 그와 상이한 컴포넌트들을 포함한다. 그 컴포넌트들 각각은 하드웨어, 또는 하드웨어와 소프트웨어의 조합을 포함할 수 있다. 그 컴포넌트들 각각은 도 5의 컴퓨팅 시스템(514)의 하나 이상의 요소를 포함하거나 이를 사용하여 구현될 수 있고, 이들 요소(들)를 사용하여 본 명세서에서 기술된 다양한 동작들을 수행할 수 있다. 일부 실시예들에서, 레시피 생성기(100)는 랭킹 엔진(120), 특징 추출기(130), 및 라벨 엔진(140)(집합적으로, 레시피 생성 컴포넌트들)을 포함한다. 레시피 생성 컴포넌트들은 입력 데이터(150), 예를 들어, 성분들(예를 들어, 성분들의 목록), 성분 특성 데이터(예를 들어, 건강 기반 특징들, 측정치들, 일관성, 식감, 풍미, 맛, 일관성, 산도, 색상, 유통 기한, 열 또는 습도에 대한 반응, 비용 및/및 보급률과 같은 시장 데이터, 성분 카테고리 등을 나타내는 데이터), 기존 레시피 데이터, 고객/소비자/사용자 선호도 데이터(예를 들어, 태그들, 라벨들, 피드백으로부터의 데이터, 건강 기반 특징들과 연관된 선호도들, 비용, 및 보급률/이용가능성/인기), 및 시장 데이터(예를 들어, 연구 데이터, 웹 스크레이프로부터의 데이터, 비용과 연관된 데이터, 보급률/이용가능성/인기, 1일 권장 섭취량 등)를 수신하기 위해 함께 동작할 수 있다. 건강 기반 특징들은 기능적 특징들(예를 들어, 당뇨병 친화적인 것, 높은 섬유질, 불안 치료에 좋은 것 등과 연관된 것으로 알려지거나 믿어지는 기능들 및/또는 특성들을 가짐) 또는 영양 측정치들(예를 들어, 비타민, 미네랄, 칼로리, 지방, 콜레스테롤, 탄수화물, 단백질, 설탕, 나트륨 등에 대한 측정치들)을 포함할 수 있다. 레시피 생성 컴포넌트들은 출력 데이터(160)(예를 들어, 성분 랭킹들, 신규 레시피들, 영양 서술들 등)를 생성(예를 들어, 생성, 작성, 생산, 합성, 제공, 결정, 계산 등)하기 위해 함께 동작할 수 있다.
일부 실시예들에서, 시스템은 랭킹 엔진(120)을 포함한다. 랭킹 엔진(120)은, 하나 이상의 실시예에서, 입력 데이터(150)(예를 들어, 성분들, 성분 특성 데이터, 고객/소비자/사용자 선호도 데이터 등)를 수신한다. 성분 특성 데이터는 성분의 식별자 또는 이름, 하나 이상의 식품 유형 지표(예를 들어, 육류, 비육류 단백질, 유제품, 야채/채식주의자, 과일, 글루텐을 함유하지 않음, 견과를 함유하지 않음, 또는 이들의 조합), 하나 이상의 영양가(예를 들어, 비타민, 미네랄, 나트륨, 설탕, 지방, 콜레스테롤, 탄수화물, 단백질, 섬유질 등에 대한 값들, 예를 들어 서빙당 그램 또는 밀리그램 단위로, 1일 권장 값의 백분율 등으로 표현됨), 하나 이상의 기능적 이익 지표(예를 들어, 심장, 인지, 대사) 및/또는 하나 이상의 기능적 위험 지표(예를 들어, 심장, 인지, 대사)를 포함할 수 있다. 영양가들은 정규화된 단위 질량(예를 들어, 100g) 또는 중량(예를 들어, 1 온스)에 대한 것일 수 있다. 성분 특성 데이터뿐만 아니라, 고객/소비자/사용자 선호도 데이터, 시장 데이터, 또는 임의의 다른 데이터는 시스템(100)에 포함된 또는 그와 연관된 스토리지(예를 들어, 클라우드 스토리지, 로컬 스토리지, 객체 스토리지, 데이터베이스, 카탈로그, 관계형 데이터베이스, 연관 데이터베이스 등)에 저장될 수 있다.
일부 실시예들에서, 랭킹 엔진(120)은 고객/소비자/사용자 선호도 데이터에 기초하여 성분들로부터 성분들의 서브세트를 필터링(예를 들어, 필터링, 프루닝, 추출, 유지, 또는 달리 유지)한다. 비제한적인 예로서, 랭킹 엔진(120)은 육류 기반 성분들이 성분들의 서브세트로부터 제외되어야 함을 나타내는 태그(예를 들어, 고객 태그)를 수신할 수 있다. 태그는, 랭킹 엔진(120)을 구동 또는 제어하기 위한, 메모, 지시자, 명령, 안내, 제한, 수식어, 설정, 파라미터, 구성 등의 형태일 수 있다. 랭킹 엔진(120)은 육류의 존재 또는 사용을 나타내는 식품 유형 지표를 갖는 성분들을 제외한 성분들의 서브세트를 생성할 수 있다. 일부 실시예들에서, 태그는 문구, 문장, 단락 등의 형태로 제공될 수 있고, 랭킹 엔진(120)은 자연어 처리(예를 들어, 훈련된 신경망 또는 기계 학습 모델을 사용)를 사용하여 태그로부터 선호도 데이터를 추출한다. 일부 실시예들에서, 랭킹 엔진(120)은 성분들의 서브세트를 생성하는 대신, 시스템이 모든 성분을 사용하는 것을 가능하게 하도록 필터링을 우회한다.
일부 실시예들에서, 랭킹 엔진(120), 또는 특징 추출기(130)와 같은 다른 컴포넌트는 성분들을 상이한 성분 카테고리들(예를 들어, 카테고리들, 클래스들, 그룹들, 클러스터들 등)로 분류할 수 있다. 일부 실시예들에서, 동일한 성분 카테고리(예를 들어, 맛, 식감, 색상, 공급원, 유통 기한, 온도 또는 습도에 대한 반응 등, 또는 이들의 임의의 조합)의 성분들은 서로 교환될 수 있지만(예를 들어, 레시피에서), 상이한 성분 카테고리들의 성분들은 서로 교환될 수 없다. 일부 실시예들에서, 랭킹 엔진(120) 또는 특징 추출기(130)는 분류를 위해 알고리즘, 프로그램 및/또는 신경망 모델을 사용할 수 있다. 신경망 모델은 도 2a 및 도 2b에 관하여 기술된다. 일부 실시예들에서, 성분의 성분 카테고리가 결정되면, 랭킹 엔진(120), 또는 다른 컴포넌트는 성분 카테고리를 성분 특성 데이터에 추가한다.
일부 실시예들에서, 시스템은 랭킹 엔진(120)을 포함한다. 랭킹 엔진(120)은, 하나 이상의 실시예에서, 입력 데이터(150)에 기초하여 성분들의 서브세트의 성분 랭킹들을 생성한다. 일부 실시예들에서, 성분들의 서브세트에 대한 성분 랭킹들은 성분의 건강 기반 특징, 성분의 비용(예를 들어, 성분을 구입, 재배, 생산, 소싱, 운송, 보관, 유지, 사용 및/또는 가공하는 비용), 및/또는 성분의 보급률(예를 들어, 시장에서의 모든/유사 레시피들 및/또는 식품들에서 성분의 보급률, 사용/존재 수준 및/또는 인기, 및/또는 시장에서의 또는 공급원들로부터의 이용가능성, 희소성 또는 풍부함) 중 적어도 하나에 기초한다. 일부 실시예들에서, 랭킹 엔진(120)은 성분들 각각에 대한 성분 점수를 생성하고 성분 점수들에 따라 랭킹들을 생성한다(예를 들어, 성분들은 가장 높은 성분 점수에서 가장 낮은 성분 점수까지 랭킹된다). 일부 실시예들에서, 랭킹 엔진(120)은 성분의 각 특성 또는 다른 양태(예를 들어, 풍미, 식감, 비용)에 대한 하위 점수를 생성하고 하위 점수들을 조합하거나 집계(예를 들어, 집계, 합계, 가산)하여 성분에 대한 성분 점수에 도달한다. 일부 실시예들에서, 랭킹 엔진(120)은 특성이 미리 정의된 특성 임계 값을 초과하면 제1 점수 값을 할당하고, 또는 특성이 미리 정의된 특성 임계 값을 초과하지 않으면 제2 점수 값을 할당한다. 미리 정의된 특성 임계 값은 고객/소비자/사용자 선호도 데이터에 의해 정의될 수 있다. 일부 실시예들에서, 미리 정의된 특성 임계 값은 성분에 대한 특정 임계 값이다. 일부 실시예들에서, 미리 정의된 특성 임계 값은 성분과 동일한 성분 카테고리 내의 임의의 성분에 대한 임계 값이다. 예를 들어, 랭킹 엔진(120)은 성분인 사과에 의해 제공되는 비타민 C의 양이 고객/소비자/사용자가 임의의 과일 성분에 대해 선호하는 비타민 C의 양보다 크다고 결정할 수 있다. 랭킹 엔진(120)은 예를 들어, 특성 데이터가 고객/소비자/사용자 선호도 데이터를 초과하는 것에 기초하여 성분인 사과에 1의 점수 값을 할당할 수 있다.
일부 실시예들에서, 하위 점수들은 고객/소비자/사용자 선호도들을 나타내는 데이터에 의해 가중될 수 있다(예를 들어, 가중, 수정, 증가, 곱셈 등). 예를 들어, 제1 고객/소비자/사용자 선호도 데이터는 풍미 특성이 다른 특성들(예를 들어, 식감 및 비용)의 가중치의 두 배를 갖는 것을 나타낼 수 있다. 일부 실시예들에서, 가중된 하위 점수들은 집계되거나 달리 조합되어 성분 점수에 도달한다. 일부 실시예들에서, 각 고객/소비자/사용자 선호도 데이터 요소에 대해, 랭킹 엔진(120)은 고객/소비자/사용자 선호도 데이터 요소가 연관된 성분 데이터 또는 시장 데이터 요소를 얼마나 초과하는지에 기초하여 값 점수를 할당할 수 있다.
일부 실시예들에서, 랭킹 엔진(120)은 성분들의 서브세트 각각의 적어도 하나의 건강 기반 특징에 따라 성분들의 서브세트에 대한 제1 랭킹들, 성분들의 서브세트 각각의 비용에 따라 성분들의 서브세트에 대한 제2 랭킹들, 성분들의 서브세트 각각의 보급률에 따라 성분들의 서브세트에 대한 제3 랭킹들을 결정한다. 일부 실시예들에서, 랭킹 엔진(120)은 제1 랭킹, 제2 랭킹 및/또는 제3 랭킹에 따라 성분들의 서브세트에 대한 랭킹들을 결정한다. 일부 실시예들에서, 랭킹 엔진(120)은 성분의 제1 랭킹, 제2 랭킹, 및/또는 제3 랭킹의 함수(예를 들어, 평균, 가중 평균 등)를 결정하는 것에 의해 성분에 대한 랭킹을 결정한다.
일부 실시예들에서, 랭킹 엔진(120)은 각각의 할당된 점수들에 기초하여 성분들을 필터링 및/또는 랭킹한다. 일부 실시예들에서, 랭킹 엔진(120)에 의해 수행되는 동작들의 순서는, 예를 들어, 스코어링, 필터링, 및 랭킹이다. 즉, 랭킹 엔진(120)은, 일부 실시예들에서, 미리 정의된 임계 점수보다 큰 성분 점수를 갖는 성분들을 필터링한다. 그 후 랭킹 엔진은 필터링된 성분들을 랭킹할 수 있다. 일부 실시예들에서, 랭킹 엔진(120)에 의해 수행되는 동작들의 순서는, 예를 들어, 스코어링, 랭킹, 및 필터링이다. 즉, 랭킹 엔진(120)은 점수들이 할당된 성분들을 랭킹한다. 그 후 랭킹 엔진은 랭킹된 성분들을 필터링하여, 임계 랭크보다 큰 랭크를 갖는 성분들을 식별할 수 있다. 예로서, 랭킹 엔진은, 일부 실시예들에서, 미리 정의된 임계 점수보다 낮은 가장 높은 성분 점수와 연관된 랭크로서 임계 랭크를 결정한다.
특징 추출기(130)는, 하나 이상의 실시예에서, 입력 데이터(150)(예를 들어, 기존 레시피들, 성분 특성 데이터, 고객/소비자/사용자 선호도 데이터, 시장 데이터 등) 및/또는 랭킹 엔진(120)의 성분 랭킹들을 수신하는 컴포넌트를 포함하거나 그것에 대응한다. 일부 실시예들에서, 기존 레시피들은 타겟 식품과 동일한 카테고리에 있다(예를 들어 레시피들의 데이터베이스로부터 선택되고, 있도록 선택된다). 타겟 식품은 스낵(예를 들어, 짭짤한 또는 단맛), 구운 식품, 과자류, 합성 식물 기반 제품, 에너지 바, 음료, 식사 대용품,식이 보충제, 슈퍼푸드, 베이커리 신선한 제품, 베이커리 컴포넌트(들)/성분(들), 마른 베이커리 제품, 음료, 조미료/소스, 상온 보관 가능한 디저트, 유제품(예를 들어, 밀크 제품, 요구르트, 치즈, 또는 스프레더블), 디저트(신선, 냉장, 또는 냉동), 델리 육류 제품, 과일/야채/생산(예를 들어, 신선, 냉장, 또는 냉동) 제품/블렌드/샐러드/칵테일/살사/소스, 조리된 식품 또는 앙트레(예를 들어, 냉동 또는 냉장), 육류/달걀/해산물(예를 들어, 신선, 냉장, 또는 냉동), 상온 보관 가능한 조리된 식품 또는 앙트레, 팅크, 알약 또는 보충제, 브레딩, 과일 스낵, 바, 칩, 크래커, 쿠키, 아이스크림, 팝콘 제품, 푸딩, 파스타, 시리얼 제품, 시럽, 청량 음료, 비스킷, 또띠아, 반죽, 사탕(예를 들어, 초콜릿 또는 비-초콜릿), 두부 제품, 드링크 믹스, 샐러드 드레싱, 머핀, 와플, 국수 제품, 버거 패티, 타코, 잼 또는 스프레드, 소스, 마른 베이커리 블렌드, 젖은 베이커리 블렌드, 육류 대체품, 유제품 대체품, 알코올성 음료, 퀵 브레드, 조리된 곡물, 잡채, 비육류 잡채, 분말, 스낵 바, 단백질 바, 반죽, 딥, 또는 소비에 적합한 임의의 식품 중 적어도 하나를 포함할 수 있다.
일부 실시예들에서, 특징 추출기(130)는 성분 랭킹들 및/또는 입력 데이터(150)에 따라 타겟 식품에 대한 신규(예를 들어, 개선된, 조정된, 상이한, 오리지널) 레시피를 생성한다. 일부 실시예들에서, 특징 추출기(130)는 기존 또는 이용가능 레시피로부터의 오리지널 성분과 관련하여 선택 성분을 포함(예를 들어, 대체, 교환, 교체, 포함, 추가, 보충, 조합 또는 달리 사용)한다. 일부 실시예들에서, 선택 성분 및 오리지널 성분은 동일한 성분 카테고리에 있다. 일부 실시예들에서, 특징 추출기(130)는 선택 성분이 오리지널 성분과 매칭하거나, 유사하거나, 그것을 보완하거나 개선하는 하나 이상의 특성을 갖는다고 결정하고/하거나, 선택 성분이 교체/교환/제거되는 오리지널 성분보다 더 높거나/그와 유사한 성분 랭킹을 갖는다고 결정한다. 일부 실시예들에서, 특징 추출기(130)는 매칭하는/유사한/개선된 특성들 및 각각의 성분 랭킹들에 기초하여 오리지널 성분을 선택 성분으로 대체한다.
특징 추출기(130)는 랭킹되는 성분들에 포함된 성분들로부터 하나 이상의 선택 성분을 신규 레시피에 포함시킬 수 있다. 일부 실시예들에서, 특징 추출기(130)는 제1 식품 성분보다 낮은 랭킹을 갖는 제2 식품 성분보다 제1 식품 성분을 선택 식품 성분으로서 포함시킬 확률이 더 높다. 일부 실시예들에서, 선택 성분(들)은 다른 모든 랭킹된 성분들보다 높은 랭킹을 갖는 성분을 포함한다. 일부 실시예들에서, 선택 성분(들)은 랭킹된 성분들에 포함된 적어도 하나의 성분보다 낮은 랭킹을 갖는 성분을 포함한다. 예를 들어, 선택 성분이 다른 성분보다 낮은 랭킹을 가질 수 있지만, AI 기반 플랫폼은 특정 인자들, 제한 및/또는 고려 사항들 때문에 선택 성분이 신규 레시피에 더 적합하다고 결정할 수 있다.
일부 실시예들에서, 고객/소비자/사용자 선호도 데이터는 기존 레시피 내의 적어도 하나의 성분이 신규 레시피에 포함되거나 제외되어야 한다는 표시를 포함한다. 예를 들어, 제1 레시피는 페이스트(예를 들어, 날짜 페이스트)를 포함할 수 있다. 페이스트가 최종 레시피에 포함되어야 함을 AI 기반 플랫폼(예를 들어, 특징 추출기(130))에 나타내기 위해 태그(예를 들어, 지시자, 명령, 안내, 제한, 수식어, 설정, 파라미터, 구성)가 사용될 수 있다(예를 들어, 페이스트의 일관성 때문에 그리고/또는 페이스트가 다른 성분들을 함께 보유하기 때문에). 일부 실시예들에서, 특징 추출기(130)는 기존 레시피의 일부로서 태그를 수신한다. 일부 실시예들에서, 특징 추출기(130)는 기존 레시피와는 별도로 태그를 수신하고, 기존 레시피가 태그로 태깅(예를 들어, 태깅, 링킹, 매핑, 또는 달리 연관)되어야 한다고 결정하고, 태그로 기존 레시피를 태깅한다. 일부 실시예들에서, 특징 추출기(130)는 교체/제거될 기존 레시피 내의 성분(예를 들어, 페이스트)과 매칭하는, 또는 랭킹된 성분들의 후보 목록으로부터의 성분과 매칭하는 태그에서 특정된 성분(또는 성분을 교체/제거/사용/선택하는 데 있어서 특정 요건들, 타겟들 또는 특성들)을 식별하는 것에 의해 태그가 기존 레시피에 적용되어야 한다고 결정한다.
일부 실시예들에서, 특징 추출기(130)는 한 번에 또는 일정 기간에 걸쳐 하나 이상의 신규 레시피를 생성한다. 비제한적인 예로서, 특징 추출기(130)는 제1 신규 레시피를 생성(예를 들어, 공식화, 제안)할 수 있다. 특징 추출기(130)는 사용자/고객(예를 들어, 사용자/고객 디바이스)에게 제1 신규 레시피를 전송할 수 있다(예를 들어, 컴퓨터 네트워크를 통해). 특징 추출기(130)는 제1 신규 레시피에 응답하여 하나 이상의 태그를 수신할 수 있다. 특징 추출기(130)는 제1 신규 레시피에 응답하여 수신된 하나 이상의 태그를 포함하는 입력 데이터(150)에 기초하여 제2 신규 레시피를 생성할 수 있다.
일부 실시예들에서, 기존 레시피들 및/또는 신규 레시피는 선택 성분(들), 각 선택 성분의 양, 선택 성분(들)을 추가/포함시키는 단계들의 순서 및/또는 프로세스, 적어도 하나의 선택 성분에 대해 취하는 단계(들)(예를 들어, 조리, 굽기, 튀기기, 얼리기, 썰기, 껍질 벗기기 등)를 포함하거나, 특정하거나 또는 기술할 수 있다. 기존 레시피들 및/또는 신규 레시피(들)는 파일(예를 들어, 엑셀 파일, JPEG 파일, PDF 파일)로, 메모리에, 데이터 구조로, 또는 기존 레시피들 및/또는 신규 레시피(들)를 표현, 저장, 기술 또는 액세스하기 위한 임의의 적합한 포맷으로 생성, 표현, 저장, 기술 또는 액세스될 수 있다.
일부 실시예들에서, 특징 추출기(130)는 휴리스틱 또는 규칙 기반 시스템들, 사용자(예를 들어, 고객, 개발자, 소비자) 피드백, 클러스터링(예를 들어, k-평균 클러스터링) 및/또는 다른 알고리즘들, 의사 결정 트리들, 지도 기계 학습(예를 들어, 서포트-벡터 머신), 및/또는 신경망(예를 들어, 합성곱 신경망)을 포함하거나 이를 사용한다. 신경망은 도 2a 및 도 2b에 관하여 아래에 기술된다. 일부 실시예들에서, 신경망은 훈련 단계(training phase)와 런 타임 단계(run time phase)의 2개의 단계로 동작한다. 훈련 단계는 도 2b에 관하여 기술되고 런 타임 단계는 도 2a에 관하여 기술된다.
도 2a는 본 개시의 예시적인 구현에 따른, 특징 추출기(130)의 신경망(210)의 블록도이다. 일부 실시예들에서, 특징 추출기(130)는 도 2a에 도시된 것보다 더 많은, 더 적은, 또는 그와 상이한 컴포넌트들을 포함한다. 일부 실시예들에서, 신경망(210)은 입력들(예를 들어, 성분 랭킹들(220), 기존 레시피들(230), 성분 특성 데이터, 고객/소비자/사용자 선호도 데이터, 및/또는 시장 데이터)을 수신한다. 일부 실시예들에서, 신경망(210)은, 구성(240)에 의해 표시된, 신경망(210)에서의 레이어(들)의 노드들의 가중치들 및/또는 바이어스들에 따라 입력들로부터 신규 레시피(250)를 생성한다(예를 들어, 런타임 단계 동안).
도 2b는 본 개시의 예시적인 구현에 따른, 특징 추출기(130)의 신경망(210)을 훈련시키는 신경망 트레이너(260)의 블록도이다. 일부 실시예들에서, 특징 추출기(130)는 도 2b에 도시된 것보다 더 많은, 더 적은, 또는 그와 상이한 컴포넌트들을 포함한다. 도 2b의 신경망(210)은 도 2a의 신경망(210)과 유사할 수 있다. 신경망(210)에 대한 훈련 단계에서, 신경망 트레이너(260)는 신경망(210)으로부터 출력 또는 신규 레시피(250)를 수신할 수 있다. 게다가, 신경망 트레이너(260)는, 입력들(예를 들어, 성분 랭킹들(220), 기존 레시피들(230), 성분 특성 데이터, 고객/소비자/사용자 선호도 데이터 및/또는 시장 데이터)에 대응할 수 있는, 타겟 레시피(270)(예를 들어, 신경망을 훈련시키기 위한)를 수신할 수 있다. 타겟 레시피(270)는 신경망(210)에 의해 수신된 입력들에 대응하는 기준, 타겟 출력 또는 지상 실측 정보(ground truth)를 제공할 수 있다. 신경망 트레이너(260)는 신규 레시피(250)를 타겟 레시피(270)와 비교하고, 비교에 따라 신경망(210)의 구성(240)(예를 들어, 가중치들, 바이어스들 등)을 조정하여, 신규 레시피(250)와 타겟 레시피(270) 간의 오차들 또는 차이들을 줄일 수 있다. 신경망 트레이너(260)는, 대응하는 타겟 레시피(270)에 관하여 신경망(210)에 의해 출력된 신규 레시피(들)(250)의 오차들이 미리 결정된 임계 값 미만(예를 들어, 1% 미만)이 될 때까지, 구성(240)을 조정하기 위해, 예를 들어, 동일한 입력들로 또는 상이한 입력들, 및 대응하는 타겟 레시피(270)로 프로세스를 반복하는 것에 의해, 계속해서 신경망을 훈련, 구성, 튜닝 및/또는 최적화할 수 있다.
오차들이 미리 결정된 임계 값 미만이 되면, 신경망 트레이너(260)는 런 타임 단계 동안 사용하기 위해 훈련 단계 동안 생성된 조정된 구성(240)을 저장할 수 있다. 일부 실시예들에서, 신경망(210)은 Tensorflow/Keras 기반 모델, pytorch 기반 모델, 또는 다른 모델들에 기초하여 구현된다. 신경망 트레이너(260)는, 예를 들어, TPOT(Tree-based Pipeline Optimization Tool)를 사용하여 구현될 수 있다.
훈련 단계에서 수신된 데이터는 훈련 데이터라고 지칭될 수 있다. 일부 실시예들에서, 훈련 데이터는 알려진 성분 랭킹들(220), 알려진 기존 레시피들(230) 및/또는 알려진 타겟 레시피(270)를 포함한다. 그 후, 런 타임 단계에서, 상이한 성분 랭킹들(220) 및 상이한 기존 레시피들(230)을 적용하여 신규 레시피(250)를 생성 또는 출력한다. 일부 실시예들에서, 훈련 데이터는 하나 이상의 입력 성분, 알려진 랭킹된 성분들(220), 및 하나 이상의 타겟 성분을 포함한다. 하나 이상의 타겟 성분 각각은 하나 이상의 입력 성분 중 고유한 성분에 대응할 수 있다. 그 후, 런 타임 단계에서, 기존 레시피(230)를 적용하여 신규 레시피(250)를 생성한다.
다시 도 1을 참조하면, 시스템은 라벨 엔진(140)을 포함할 수 있다. 일부 실시예들에서, 라벨 엔진(140)은, 하나 이상의 실시예에서, 신규 레시피 및 성분 특성 데이터를 수신한다. 라벨 엔진(140)은, 하나 이상의 실시예에서, 신규 레시피에 대한 영양 서술(예를 들어, 영양 라벨 또는 다른 서술)을 생성한다. 일부 실시예들에서, 영양 서술은 신규 레시피 및 성분 특성 데이터에 기초한다. 일부 실시예들에서, 라벨 엔진(140)은 신규 레시피에 포함된 성분들(예를 들어, 선택 성분(들) 및 임의의 다른 성분들)을 결정한다. 라벨 엔진(140)은 타겟 식품에 대한 서빙 크기를 결정할 수 있다(예를 들어, 타겟 식품에 대해 생성된 신규 레시피에 특정된 바와 같이, 라벨 엔진(140)에 대한 입력으로서, 또는 구성의 일부로서). 일부 실시예들에서, 라벨 엔진(140)은 타겟 식품의 1회 서빙(one serving)에서의 각 성분의 양을 결정한다. 라벨 엔진(140)은, 1회 서빙에서의 대응하는 성분의 양과 성분 특성 데이터에 기초하여, 신규 레시피를 위한 각 성분에서의 영양소들(예를 들어, 비타민, 미네랄, 소금/나트륨, 콜레스테롤, 탄수화물, 지방, 단백질, 섬유, 아미노산 등과 같은 영양 성분들)의 양을 결정할 수 있다(예를 들어, 명목량(nominal amount) 당 성분 영양소를, 명목량과 서빙량의 비율과 곱한다). 성분 특성 데이터는 각 성분에서의 영양소들의 양을 특정하거나 제공할 수 있다. 각 영양소에 대해, 라벨 엔진(140)은, 성분 특성 데이터에 따라, 각 성분으로부터의 영양소의 양을 가산하는 것에 의해 영양소의 총량을 결정할 수 있다. 일부 실시예들에서, 라벨 엔진(140)은 각 영양소 및 신규 레시피의 1회 서빙에서의 영양소의 총량(또는 1일 권장 섭취량의 백분율)에 기초하여 영양 서술을 생성한다.
도 3은 본 개시의 예시적인 구현에 따른, 예시적인 영양 서술(300)을 도시한다. 영양 서술(300)은 예를 들어 각 영양소 및 영양소의 1일 권장 섭취량의 양 또는 백분율을 포함할 수 있다. 라벨 엔진(140)은 엑셀 파일, JPEG 파일, PDF 파일 등과 같은 영양 서술(300)의 인간 판독가능한 표현을 생성할 수 있다. 영양 서술(300)은 모바일 디바이스, 데스크톱 디바이스, 또는 임의의 적합한 컴퓨터 디바이스 상에 디스플레이될 수 있다.
도 4는 본 개시의 예시적인 구현에 따른, 레시피(들)를 생성하는 프로세스(400)를 예시하는 흐름도이다. 일부 실시예들에서, 프로세스(400)는 레시피 생성기(100)에 의해 수행된다. 일부 실시예들에서, 프로세스(400)는 다른 엔티티들에 의해 수행된다. 일부 실시예들에서, 프로세스(400)는 도 4에 도시된 것보다 더 많은, 더 적은, 또는 그와 상이한 단계들을 포함한다. 간략한 개요에서, 레시피 생성기는 하나 이상의 특징에 따라 타겟 식품에 대한 식품 성분들에 대한 랭킹들을 결정한다(410). 레시피 생성기는 식품들에 대한 식품 성분들의 랭킹들과 기존 식품 레시피들을 수신한다(420). 레시피 생성기는, 식품 성분들의 랭킹들과 기존 레시피들에 따라, 타겟 식품에 대한 신규 레시피를 생성한다(430).
일부 실시예들에서, 레시피 생성기(100)와 같은 레시피 생성기가, 성분들의 초기 세트로부터의 성분들을 필터링한다. 레시피 생성기는 고객/소비자/사용자 선호도 데이터(예를 들어, 성분 태그들 또는 고객/사용자 정의 카테고리들)에 기초하여 성분들을 필터링할 수 있다. 일부 실시예들에서, 레시피 생성기는 성분들을 필터링하여 타겟 식품과 동일한 카테고리에 있는 성분들을 유지하거나 획득한다. 일부 실시예들에서, 레시피 생성기는 필터링된 성분들의 총수가 미리 정의된 임계 값 미만이 되도록 성분들을 필터링한다.
일부 실시예들에서, 레시피 생성기는 하나 이상의 특징에 따라 타겟 식품에 대한 식품 성분들의 랭킹을 결정한다(410). 특징들은 건강 기반 특징(예를 들어, 기능적 특징들 또는 영양 측정치들), 성분의 비용(예를 들어, 성분을 구입, 재배, 생산, 소싱, 운송, 보관, 유지, 사용 및/또는 가공하는 비용), 및/또는 식품 성분들의 보급률(예를 들어, 시장에서의 모든/유사 레시피들 및/또는 식품들에서 성분의 보급률, 사용/존재 수준 및/또는 인기, 및/또는 시장에서의 또는 공급원들로부터의 이용가능성, 희소성 또는 풍부함)을 포함할 수 있다. 일부 실시예들에서, 레시피 생성기는 식품 성분들 각각에 대한 성분 점수를 생성하고 식품 성분들의 성분 점수들에 따라 랭킹들을 생성한다. 일부 실시예들에서, 레시피 생성기는 식품 성분의 특징들 중 하나가 미리 정의된 임계 값을 초과하면 제1 점수 성분(예를 들어, 1의 값)을 할당하고, 또는 그 특징들 중 하나가 미리 정의된 임계 값을 초과하지 않으면 제2 점수 성분(예를 들어, 0의 값 또는 1 미만의 값)을 할당한다. 일부 실시예들에서, 랭킹 엔진(120)은 식품 성분의 특징들에 대한 점수 성분들을 집계하여 식품 성분의 성분 점수를 결정한다.
일부 실시예들에서, 레시피 생성기는 식품 성분들 각각의 적어도 하나의 건강 기반 특징에 따라 식품 성분들에 대한 제1 랭킹을 결정하고, 식품 성분들 각각의 비용에 따라 성분들의 서브세트에 대한 제2 랭킹을 결정하고/하거나, 식품 성분들 각각의 보급률에 따라 식품 성분들에 대한 제3 랭킹들을 결정한다. 일부 실시예들에서, 레시피 생성기는 제1 랭킹, 제2 랭킹 및/또는 제3 랭킹에 따라 식품 성분들에 대한 랭킹들을 결정한다. 일부 실시예들에서, 레시피 생성기는 식품 성분들의 제1 랭킹, 제2 랭킹, 및/또는 제3 랭킹의 함수(예를 들어, 평균, 가중 평균 등)를 결정하는 것에 의해 성분에 대한 랭킹을 결정한다.
일부 실시예들에서, 레시피 생성기는, 신경망(210)과 같은 신경망에서, 식품 성분들의 랭킹들 및 식품들에 대한 기존 식품 레시피들을, 입력들로서 수신한다(420). 일부 실시예들에서, 기존 레시피들은 타겟 식품과 동일한 카테고리에 있다(있도록 선택된다). 일부 실시예들에서, 레시피 생성기는, 일관성, 식감, 풍미, 맛, 색상, 유통 기한, 열에 대한 반응 등을 포함하여, 식품 성분들(타겟 식품에 대한 후보 성분들, 및/또는 기존 레시피들에서의 성분들을 포함할 수 있음) 각각의 특성들을 추가로 수신한다. 일부 실시예들에서, 레시피 생성기는 후보 성분들의 특성들과 기존 식품 레시피들에서의 오리지널 성분들의 특성들을 비교한다. 레시피 생성기가 후보 성분(들)과 오리지널 성분(들) 사이의 매칭, 유사성, 및/또는 보완적인 특성들을 발견하면, 레시피 생성기는 기존 레시피들을 조정하거나, 수정하거나, 개선하거나 또는 달리 사용하여, 신규 레시피를 생성할 수 있다. 일부 실시예들에서, 레시피 생성기는 예를 들어 후보 성분(들)의 성분 랭킹들과 오리지널 성분(들)의 성분 랭킹들을 비교할 수 있다. 일부 실시예들에서, 레시피 생성기는 후보 성분이 오리지널 성분보다 더 높은 성분 랭킹을 갖는 것에 응답하여, 그리고/또는 후보 성분이 오리지널 성분과 매칭하는(또는 유사한) 적어도 하나의 식품 특성을 갖는 것에 응답하여 오리지널 성분을 후보 성분으로 대체한다.
레시피 생성기는, 식품 성분들의 랭킹들과 기존 레시피들에 따라, 타겟 식품에 대한 신규 레시피를 생성한다(430). 레시피 생성기는, 신규 레시피에, 식품 성분들(예를 들어, 랭킹된/후보 성분들)로부터의 하나 이상의 선택 성분들을 포함시킬 수 있다. 일부 실시예들에서, 레시피 생성기는 제1 식품 성분보다 낮은 랭킹을 갖는 제2 식품 성분보다 제1 식품 성분을 선택 식품 성분으로서 포함시킬 확률이 더 높다. 일부 실시예들에서, 선택 성분은 다른 모든 랭킹된 성분들보다 높은 랭킹을 갖는 성분을 포함한다. 일부 실시예들에서, 선택 성분은 랭킹된 성분들에 포함된 적어도 하나의 성분보다 낮은 랭킹을 갖는 성분을 포함한다. 레시피 생성기는 하나 이상의 신규 레시피를 생성할 수 있다. 각각의 신규 레시피는 대응하는 성분들(예를 들어, 성분의 이름, 양, 형태 또는 준비(예를 들어, 분말로 만든, 갈린, 잘린, 말린, 퓌레로 만든, 끓인, 농축된, 용해된, 희석된)), 준비/조리 프로세스, 순서 또는 단계들, 및/또는 준비/조리 조건 또는 미기후(microclimate)(예를 들어, 온도 수준, 습도, 적용가능한 지속기간)을 포함하거나 특정할 수 있다.
일부 실시예들에서, 레시피 생성기는 신규 레시피 및 성분 특성 데이터에 기초하여 신규 레시피에 대한 영양 서술(예를 들어, 영양 라벨 또는 다른 서술)을 생성한다. 일부 실시예들에서, 레시피 생성기는 신규 레시피의 성분들, 신규 레시피에 따른 타겟 식품의 서빙 크기, 및 타겟 식품의 1회 서빙에서의 성분들 각각의 양을 결정한다.
레시피 생성기는 타겟 식품에서의 영양소들(예를 들어, 비타민, 미네랄, 소금/나트륨, 콜레스테롤, 탄수화물, 지방, 단백질, 섬유, 아미노산 등과 같은 영양 성분들)를 결정할 수 있다. 레시피 생성기는 타겟 식품의 1회 서빙에서의 각 영양소의 총량을 결정할 수 있고, 중량(예를 들어, 밀리그램), 서빙에 대한 기여도(예를 들어, 서빙의 총 중량에 대한 영양소의 중량에 의한 백분율), 1일 권장 소비 값들의 백분율, 또는 이들의 임의의 조합을 통해 대응하는 영양소의 존재 또는 영양 기여도를 나타낼 수 있다. 레시피 생성기는 전술한 정보에 따라 영양 서술을 생성할 수 있다.
본 명세서에서 기술된 실시예들에 따르면, 레시피 생성기는 큐레이트된(예를 들어, 필터링된 및/또는 랭킹된) 성분들의 목록(예를 들어, 건강 기반 특징들, 비용, 보급률 및/또는 다른 인자들 때문에 선택되거나 선호되는)을 사용하여 신규 레시피들의 신속한 개발 및/또는 프로토타이핑을 용이하게 할 수 있고, 또한 자동으로 그리고/또는 편리하게 신규 레시피들 각각의 대응하는 영양 서술을 제공할 수 있다(예를 들어, 검토, 평가를 용이하게 하고/하거나 제품 라벨링 요건들을 충족시키기 위해).
본 명세서에서 기술된 다양한 동작들은 컴퓨터 시스템들에서 구현될 수 있다. 도 5는 본 개시를 구현하기 위해 사용가능한 대표적인 컴퓨팅 시스템(514)의 블록도를 도시한다. 일부 실시예들에서, 시스템(100)은 컴퓨팅 시스템(514)에 의해 구현된다. 컴퓨팅 시스템(514)은, 예를 들어, 스마트폰, 다른 휴대폰, 태블릿 컴퓨터, 웨어러블 컴퓨팅 디바이스(예를 들어, 스마트 시계, 안경, 헤드 마운트 디스플레이), 데스크톱 컴퓨터, 랩톱 컴퓨터, 클라우드 컴퓨팅 서비스와 같은 소비자 디바이스로서 구현되거나 분산 컴퓨팅 디바이스들로 구현된다. 일부 실시예들에서, 컴퓨팅 시스템(514)은 프로세서들(516), 스토리지 디바이스(518), 네트워크 인터페이스(520), 사용자 입력 디바이스(522), 및 사용자 출력 디바이스(524)와 같은 컴퓨터 컴포넌트들을 포함할 수 있다.
네트워크 인터페이스(520)는 원격 서버 시스템의 WAN 인터페이스가 또한 연결되는 광역 네트워크(예를 들어, 인터넷)에 대한 연결을 제공할 수 있다. 네트워크 인터페이스(520)는 유선 인터페이스(예를 들어, 이더넷) 및/또는 Wi-Fi, 블루투스, 또는 셀룰러 데이터 네트워크 표준들(예를 들어, 3G, 4G, 5G, 60 GHz, LTE 등)과 같은 다양한 RF 데이터 통신 표준들을 구현하는 무선 인터페이스를 포함할 수 있다.
사용자 입력 디바이스(522)는 사용자가 컴퓨팅 시스템(514)에 신호들을 제공할 수 있는 임의의 디바이스(또는 디바이스들)를 포함할 수 있고; 컴퓨팅 시스템(514)은 그 신호들을 특정 사용자 요청들 또는 정보를 나타내는 것으로 해석할 수 있다. 사용자 입력 디바이스(522)는 키보드, 터치 패드, 터치 스크린, 마우스 또는 다른 포인팅 디바이스, 스크롤 휠, 클릭 휠, 다이얼, 버튼, 스위치, 키패드, 마이크, 센서들(예를 들어, 모션 센서, 시선 추적 센서 등) 등 중 임의의 것 또는 이들 모두를 포함할 수 있다.
사용자 출력 디바이스(524)는 컴퓨팅 시스템(514)이 사용자에게 정보를 제공할 수 있는 임의의 디바이스를 포함할 수 있다. 예를 들어, 사용자 출력 디바이스(524)는 컴퓨팅 시스템(514)에 의해 생성되거나 컴퓨팅 시스템에 전달된 이미지들을 디스플레이하기 위한 디스플레이를 포함할 수 있다. 디스플레이는 다양한 이미지 생성 기술들, 예를 들어, 액정 디스플레이(LCD), 유기 발광 다이오드들(OLED)을 포함하는 발광 다이오드(LED), 프로젝션 시스템, 음극선관(CRT) 등과 함께, 지원 전자 장치들(예를 들어, 디지털-아날로그 또는 아날로그-디지털 변환기, 신호 프로세서 등)을 포함할 수 있다. 입력 및 출력 디바이스 양쪽 모두로서의 기능을 하는 터치스크린과 같은 디바이스가 사용될 수 있다. 출력 디바이스들(524)은 디스플레이에 더하여 또는 그 대신에 제공될 수 있다. 예들은 지시등, 스피커, 촉각 "디스플레이" 디바이스, 프린터 등을 포함한다.
일부 구현들은, 마이크로프로세서, 비일시적 컴퓨터 판독가능 스토리지 매체에 컴퓨터 프로그램 명령어들을 저장하는 스토리지 및 메모리와 같은, 전자 컴포넌트들을 포함한다. 본 명세서에서 기술된 특징들 중 다수는 컴퓨터 판독가능 스토리지 매체 상에 인코딩된 프로그램 명령어들의 세트로서 특정되는 프로세스들로서 구현될 수 있다. 이들 프로그램 명령어가 하나 이상의 프로세서에 의해 실행될 때, 그것들은 프로세서들이 프로그램 명령어들에서 지시된 다양한 동작들을 수행하게 한다. 프로그램 명령어들 또는 컴퓨터 코드의 예들은, 컴파일러에 의해 생성된 것과 같은 머신 코드, 및 컴퓨터, 전자 컴포넌트, 또는 인터프리터를 사용하는 마이크로프로세서에 의해 실행되는 상위 레벨 코드를 포함하는 파일들을 포함한다. 적합한 프로그래밍을 통해, 프로세서(516)는, 서버 또는 클라이언트에 의해 수행되는 것으로 본 명세서에서 기술된 기능성, 또는 메시지 관리 서비스들과 연관된 다른 기능성 중 임의의 것을 포함하는, 컴퓨팅 시스템(514)을 위한 다양한 기능성을 제공할 수 있다.
컴퓨팅 시스템(514)은 예시적이고 변형 및 수정이 가능하다는 것을 알 것이다. 본 개시와 관련하여 사용되는 컴퓨터 시스템들은 여기에 구체적으로 기술되지 않은 다른 능력들을 가질 수 있다. 또한, 컴퓨팅 시스템(514)이 특정 블록들에 관련하여 기술되지만, 이들 블록은 설명의 편의를 위해 정의되고 컴포넌트 부분들의 특정 물리적 배열을 암시하기 위해 의도된 것은 아님을 이해해야 한다. 예를 들어, 동일한 설비에, 동일한 서버 랙에, 또는 동일한 마더보드 상에 상이한 블록들이 위치할 수 있다. 또한, 그 블록들은 물리적으로 별개의 컴포넌트들에 대응할 필요가 없다. 블록들은, 예를 들어, 프로세서를 프로그래밍하는 것 또는 적절한 제어 회로를 제공하는 것에 의해 다양한 동작들을 수행하도록 구성될 수 있고, 다양한 블록들은 초기 구성이 어떻게 획득되는지에 따라 재구성 가능할 수도 있고 그렇지 않을 수도 있다. 본 개시의 구현들은 회로와 소프트웨어의 임의의 조합을 사용하여 구현된 전자 디바이스들을 포함하는 다양한 장치들에서 실현될 수 있다.
이제 일부 예시적인 구현들을 기술하였지만, 전술한 내용은 예시적인 것이고 제한적인 것이 아니라, 예로서 제시된 것임이 명백하다. 특히, 본 명세서에서 제시된 예들 중 다수가 방법 동작들 또는 시스템 요소들의 특정 조합들을 수반하지만, 해당 동작들 및 해당 요소들은 동일한 목적을 달성하기 위해 다른 방식으로 조합될 수 있다. 하나의 구현과 관련하여 논의된 동작들, 요소들 및 특징들이 다른 구현들 또는 구현들에서의 유사한 역할로부터 제외되도록 의도된 것은 아니다.
일부 실시예들에서, 랭킹 엔진(120), 특징 추출기(130), 라벨 엔진(140), 신경망(210), 신경망 트레이너(260), 또는 이들의 임의의 조합은 하드웨어, 소프트웨어, 또는 이들의 조합으로 구현된다. 본 명세서에서 개시된 실시예들과 관련하여 기술된 다양한 프로세스들, 동작들, 예시적인 로직들, 논리 블록들, 모듈들 및 회로들을 구현하기 위해 사용되는 하드웨어 및 데이터 처리 컴포넌트들은 본 명세서에서 기술된 기능들을 수행하도록 설계된 신경망 칩, 범용 싱글- 또는 멀티-칩 프로세서, 디지털 신호 프로세서(DSP), 주문형 집적 회로(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 또는 다른 프로그래머블 로직 디바이스, 개별 게이트 또는 트랜지스터 로직, 개별 하드웨어 컴포넌트들, 또는 이들의 임의의 조합으로 구현되거나 수행될 수 있다. 범용 프로세서는 마이크로프로세서, 또는 임의의 종래의 프로세서, 컨트롤러, 마이크로컨트롤러, 또는 상태 머신일 수 있다. 프로세서는 또한, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서, DSP 코어와 관련된 하나 이상의 마이크로프로세서, 또는 임의의 다른 그러한 구성과 같은, 컴퓨팅 디바이스들의 조합으로 구현될 수 있다. 일부 실시예들에서, 특정 프로세스들 및 방법들은 주어진 기능에 특정한 회로에 의해 수행될 수 있다. 메모리(예를 들어, 메모리, 메모리 유닛, 스토리지 디바이스 등)는 본 개시에서 기술된 다양한 프로세스들, 레이어들 및 모듈들을 완성하거나 용이하게 하기 위한 컴퓨터 코드 및/또는 데이터를 저장하기 위한 하나 이상의 디바이스(예를 들어, RAM, ROM, 플래시 메모리, 하드 디스크 스토리지 등)를 포함할 수 있다. 메모리는 휘발성 메모리 또는 비휘발성 메모리이거나 이를 포함할 수 있고, 데이터베이스 컴포넌트들, 객체 코드 컴포넌트들, 스크립트 컴포넌트들, 또는 본 개시에서 기술된 다양한 활동들 및 정보 구조들을 지원하기 위한 임의의 다른 유형의 정보 구조를 포함할 수 있다. 예시적인 실시예에 따르면, 메모리는 처리 회로를 통해 프로세서에 통신가능하게 연결되고 본 명세서에서 기술된 하나 이상의 프로세스를 실행하기 위한(예를 들어, 처리 회로 및/또는 프로세서에 의해) 컴퓨터 코드를 포함한다.
본 개시는 다양한 동작들을 달성하기 위한 임의의 머신 판독가능 매체 상의 방법들, 시스템들 및 프로그램 제품들을 고려한다. 본 개시의 실시예들은 기존의 컴퓨터 프로세서들을 사용하여, 또는 이러한 또는 다른 목적을 위해 통합된, 적절한 시스템을 위한 특수 목적 컴퓨터 프로세서에 의해, 또는 하드와이어드 시스템에 의해 구현될 수 있다. 본 개시의 범위 내의 실시예들은 머신 실행가능 명령어들 또는 데이터 구조들이 수록되거나 그 위에 저장되어 있는 머신 판독가능 매체를 포함하는 프로그램 제품들을 포함한다. 그러한 머신 판독가능 매체는 범용 또는 특수 목적 컴퓨터 또는 프로세서를 구비한 다른 머신에 의해 액세스될 수 있는 임의의 이용가능한 매체일 수 있다. 예로서, 그러한 머신 판독가능 매체는 RAM, ROM, EPROM, EEPROM 또는 다른 광 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 머신 실행가능 명령어들 또는 데이터 구조들의 형태로 원하는 프로그램 코드를 수록하거나 저장하기 위해 사용될 수 있고 범용 또는 특수 목적 컴퓨터 또는 프로세서를 구비한 다른 머신에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 상기한 것의 조합들도 머신 판독가능 매체의 범위 내에 포함된다. 머신 실행가능 명령어들은, 예를 들어, 범용 컴퓨터, 특수 목적 컴퓨터, 또는 특수 목적 처리 머신이 특정 기능 또는 기능 그룹을 수행하게 하는 명령어들 및 데이터를 포함한다.
본 명세서에서 사용되는 어구 및 용어는 설명을 위한 것이고 제한적인 것으로 간주되어서는 안 된다. 본 명세서에서 "포함하는(including)", "포함하는(comprising)", "갖는(having)", "함유하는(containing)", "수반하는(involving)", "특징으로 하는(characterized by)", "특징으로 하는(characterized in that)" 및 이들의 변형의 사용은 그 후에 열거된 항목들, 이들의 등가물들, 및 추가적인 항목들뿐만 아니라, 배타적으로 그 후에 열거된 항목들로 구성된 대체 구현들도 포괄하도록 의도된다. 일 구현에서, 본 명세서에서 기술된 시스템들 및 방법들은 기술된 요소들, 동작들, 또는 컴포넌트들 중 하나, 둘 이상의 각 조합, 또는 이들 모두로 구성된다.
본 명세서에서 단수로 언급된 시스템들 및 방법들의 구현들 또는 요소들 또는 동작들에 대한 임의의 언급들은 복수의 이들 요소를 포함하는 구현들도 포괄할 수 있고, 본 명세서의 임의의 구현 또는 요소 또는 동작에 대한 복수의 임의의 언급은 단일 요소만을 포함하는 구현들도 포괄할 수 있다. 단수 또는 복수 형식의 언급들은 현재 개시된 시스템들 또는 방법들, 이들의 컴포넌트들, 동작들, 또는 요소들을 단일 또는 복수 구성들로 제한하기 위해 의도된 것은 아니다. 임의의 정보, 동작 또는 요소에 기초하는 임의의 동작 또는 요소에 대한 언급들은 그 동작 또는 요소가 임의의 정보, 동작, 또는 요소에 적어도 부분적으로 기초하는 구현들을 포함할 수 있다.
본 명세서에서 개시된 임의의 구현은 임의의 다른 구현 또는 실시예와 조합될 수 있고, "구현", "일부 구현들", "일 구현" 등에 대한 언급들은 반드시 상호 배타적인 것은 아니며 그 구현과 관련하여 기술된 특정 특징, 구조, 또는 특성은 적어도 하나의 구현 또는 실시예에 포함될 수 있다는 것을 나타내도록 의도되어 있다. 본 명세서에서 사용되는 그러한 용어들은 반드시 모두 동일한 구현을 지칭하는 것은 아니다. 임의의 구현이 본 명세서에서 개시된 양태들 및 구현들과 일관된 임의의 방식으로, 포괄적으로 또는 배타적으로, 임의의 다른 구현과 조합될 수 있다.
도면, 상세한 설명 또는 임의의 청구항에서의 기술적 특징들 다음에 참조 부호들이 있는 경우, 참조 부호들은 도면, 상세한 설명 및 청구항들의 이해도를 높이기 위해 포함되었다. 따라서, 참조 부호도 그의 부재도 임의의 청구항 요소들의 범위에 어떠한 제한적인 영향도 미치지 않는다. 본 명세서에서 사용되는 기술적 및 과학적 용어들은, 달리 정의되지 않는 한, 본 기술 분야의 통상의 기술자에 의해 통상적으로 이해되는 의미를 갖는다. 본 기술 분야의 통상의 기술자들에게 알려진 임의의 적합한 재료들 및/또는 방법론들이 본 명세서에서 기술된 방법들을 수행하는 데 이용될 수 있다.
본 명세서에서 기술된 시스템들 및 방법들은 그의 특성들을 벗어나지 않고 다른 특정 형태들로 구현될 수 있다. 본 명세서에서 사용되는, "대략", "약", "실질적으로" 또는 다른 정도의 용어들은 본 기술 분야의 통상의 기술자들에 의해 이해될 것이고 그것이 사용되는 맥락에서 어느 정도는 달라질 것이다. 그것이 사용되는 맥락을 고려하여 본 기술 분야의 통상의 기술자들에게 명확하지 않은 용어의 사용이 있다면, "대략", "약", "실질적으로" 또는 다른 정도의 용어들에 대한 언급들은 달리 명시적으로 언급되지 않는 한 주어진 측정치로부터 +/-10%의 변화들을 포함해야 한다.
조합된 요소들은 전기적으로, 기계적으로, 또는 물리적으로 서로 직접 또는 개재하는 요소들과 결합될 수 있다. 따라서 본 명세서에서 기술된 시스템들 및 방법들의 범위는, 전술한 설명이 아니라, 첨부된 청구항들에 의해 지시되고, 청구항들의 등가의 의미 및 범위 내에 있는 변경들이 그 안에 포함된다.
용어 "결합된" 및 그의 변형들은 2개의 부재를 서로 직접 또는 간접적으로 결합하는 것을 포함한다. 그러한 결합은 고정(예를 들어, 영구 또는 고정) 또는 이동 가능(예를 들어, 제거 가능 또는 해제 가능)일 수 있다. 그러한 결합은 2개의 부재가 서로 직접 또는 간접적으로 결합되는 것, 2개의 부재가 별도의 개재하는 부재 및 서로 결합된 임의의 추가적인 중간 부재들을 사용하여 서로 결합되는 것, 또는 2개의 부재가 그 2개의 부재 중 하나와 단일체로서 일체로 형성되는 개재하는 부재를 사용하여 서로 결합되는 것으로 달성될 수 있다. "결합된" 또는 그의 변형들이 추가적인 용어에 의해 수정되면(예를 들어, 직접 결합된), 위에 제공된 "결합된"의 일반 정의는 추가적인 용어의 일반 언어 의미에 의해 수정되어(예를 들어, "직접 결합된"은 어떠한 별도의 개재하는 부재 없이 2개의 부재의 결합을 의미함), 결과적으로 위에 제공된 "결합된"의 일반 정의보다 더 좁은 정의가 된다. 그러한 결합은 기계적, 전기적 또는 유체적일 수 있다.
"또는"에 대한 언급들은 "또는"을 사용하여 기술된 임의의 용어들이 기술된 용어들 중 하나, 둘 이상, 및 이들 모두를 나타낼 수 있도록 포괄적인 것으로 해석될 수 있다. "'A'와 'B'중 적어도 하나"에 대한 언급은 'A'만, 'B'만뿐만 아니라, 'A'와 'B' 양쪽 모두를 포함할 수 있다. "포함하는" 또는 다른 개방형 용어와 함께 사용되는 그러한 언급들은 추가적인 항목들을 포함할 수 있다.
다양한 요소들의 크기, 치수, 구조, 형상 및 비율, 파라미터들의 값, 장착 배열, 재료들의 사용, 색상, 방향의 변화들과 같은 기술된 요소들 및 동작들의 수정들은 본 명세서에서 개시된 주제의 교시 내용들 및 이점들을 실질적으로 벗어나지 않고 발생할 수 있다. 예를 들어, 일체로 형성된 것으로 도시된 요소들은 다수의 부분들 또는 요소들로 구성될 수 있고, 요소들의 위치는 반전되거나 달리 달라질 수 있고, 개별 요소들 또는 위치들의 특성 또는 수는 변경되거나 달라질 수 있다. 본 개시의 범위를 벗어나지 않고 개시된 요소들 및 동작들의 설계, 동작 조건들 및 배열에서 다른 대체들, 수정들, 변경들 및 생략들이 또한 이루어질 수 있다.
본 명세서에서 요소들의 위치들에 대한 언급들(예를 들어, "상부", "하부", "위", "아래")은 단지 도면들에서의 다양한 요소들의 방향을 기술하기 위해 사용된다. 다양한 요소들의 방향은 다른 예시적인 실시예들에 따라 다를 수 있고, 그러한 변형들은 본 개시에 포함되도록 의도된다.
* * * *
특정 실시예들이 예시되고 기술되었지만, 다음의 청구항들에서 정의된 바와 같은 더 넓은 양태들에서 본 기술을 벗어나지 않고 본 기술 분야의 통상의 기술자에 따라 변경들 및 수정들이 이루어질 수 있음을 이해해야 한다.
본 명세서에서 예시적으로 기술된 실시예들은, 본 명세서에서 구체적으로 개시되지 않은, 임의의 요소 또는 요소들, 제한 또는 제한들의 부재 시에 적합하게 실시될 수 있다. 따라서, 예를 들어, "포함하는", "포함하는", "함유하는" 등의 용어들은 제한없이 광범위하게 해석되어야 한다. 추가적으로, 본 명세서에서 이용된 용어들 및 표현들은 제한이 아닌 설명의 용어들로서 사용되었고, 그러한 용어들 및 표현들의 사용에서 도시되고 기술된 특징들의 임의의 등가물들 또는 그의 부분들을 제외하려는 의도는 없고, 청구된 기술의 범위 내에서 다양한 수정들이 가능하다는 것이 인식된다. 추가적으로, "본질적으로 구성된(consisting essentially of)"이라는 문구는 구체적으로 언급된 요소들 및 청구된 기술의 기본적인 그리고 신규한 특성들에 실질적으로 영향을 미치지 않는 추가적인 요소들을 포함하는 것으로 이해될 것이다. "구성된(consisting of)"이라는 문구는 특정되지 않은 임의의 요소를 제외한다.
본 개시는 본 출원에서 기술된 특정 실시예들의 관점에서 제한되지 않는다. 본 기술 분야의 통상의 기술자들에게 명백한 바와 같이, 그 정신 및 범위를 벗어나지 않고 많은 수정들 및 변형들이 이루어질 수 있다. 본 명세서에 열거된 것들에 더하여, 본 개시의 범위 내에서 기능적으로 동등한 방법들 및 조성물들은 전술한 설명들로부터 본 기술 분야의 통상의 기술자들에게 명백할 것이다. 그러한 수정들 및 변형들은 첨부된 청구항들의 범위 내에 속하도록 의도된다. 본 개시는 첨부된 청구항들과 함께, 그러한 청구항들의 자격이 있는 등가물들의 전체 범위에 의해서만 제한되어야 한다. 본 개시는, 물론 달라질 수 있는, 특정 방법들로 제한되지 않는다는 것을 이해해야 한다. 본 명세서에서 사용된 용어는 특정 실시예들을 기술하기 위한 것일 뿐이고, 제한하려는 의도는 아니라는 것도 이해해야 한다.
또한, 본 개시의 특징들 또는 양태들이 마쿠쉬 그룹들의 관점에서 기술되는 경우, 본 기술 분야의 통상의 기술자들은 본 개시가 또한 그에 의해 마쿠쉬 그룹의 임의의 개별 구성원 또는 구성원들의 하위 그룹의 관점에서 기술된다는 것을 인식할 것이다.
본 기술 분야의 통상의 기술자에 의해 이해되는 바와 같이, 사실상, 특히 서면 설명을 제공하는 관점에서, 본 명세서에서 개시된 모든 범위들은 또한, 종점들을 포함하여, 임의의 그리고 모든 가능한 하위 범위들 및 그의 하위 범위들의 조합들을 포함한다. 열거된 임의의 범위는 동일한 범위가 적어도 동등한 2분의 1들, 3분의 1들, 4분의 1들, 5분의 1들, 10분의 1들 등으로 나누어지는 것을 충분히 기술하고 가능하게 하는 것으로 쉽게 인식될 수 있다. 비제한적인 예로서, 본 명세서에서 논의된 각 범위는 하부 1/3, 중간 1/3 및 상부 1/3 등으로 쉽게 나누어질 수 있다. 또한 본 기술 분야의 통상의 기술자에 의해 이해되는 바와 같이, "까지(up to)", "적어도", "보다 큰", "보다 작은" 등과 같은 모든 표현은 언급된 숫자를 포함하고 위에 논의된 바와 같이 나중에 하위 범위들로 나누어질 수 있는 범위들을 지칭한다. 마지막으로, 본 기술 분야의 통상의 기술자에 의해 이해되는 바와 같이, 범위는 각각의 개별 구성원을 포함한다.
본 명세서에서 언급된 모든 간행물들, 특허 출원들, 발행된 특허들, 및 다른 문서들은 마치 각 개별 간행물, 특허 출원, 발행된 특허, 또는 다른 문서가 그 전체가 인용에 의해 포함되는 것으로 구체적으로 그리고 개별적으로 지시된 것처럼 인용에 의해 본 명세서에 포함된다. 인용에 의해 포함된 본문에 포함된 정의들은 그것들이 본 개시에서의 정의들과 모순되는 한은 제외된다.
다른 실시예들이 다음의 청구항들에서 제시된다.

Claims (20)

  1. 레시피를 생성하는 방법에 있어서,
    타겟 식품에 대한 복수의 식품 성분의 건강 기반 특징(feature), 비용, 또는 보급률 중 적어도 하나에 따라 상기 복수의 식품 성분에 대한 랭킹들을 결정하는 단계;
    신경망에 의해 입력들로서, 상기 복수의 식품 성분의 랭킹들, 및 상기 타겟 식품과 동일한 카테고리 내의 식품들에 대한 복수의 기존 레시피를 수신하는 단계; 및
    상기 신경망에 의해 출력으로서, 상기 복수의 식품 성분의 랭킹들 및 상기 복수의 기존 레시피에 따라, 상기 복수의 식품 성분으로부터의 선택 식품 성분을 포함시키는 상기 타겟 식품에 대한 신규 레시피를 생성하는 단계를 포함하는, 레시피를 생성하는 방법.
  2. 제1항에 있어서,
    상기 신경망에 의해 다른 입력으로서, 상기 복수의 식품 성분 각각의 특성들을 수신하는 단계; 및
    상기 신경망에 의해, 상기 복수의 식품 성분의 랭킹들, 상기 복수의 기존 레시피 및 상기 복수의 식품 성분 각각의 특성들에 따라, 상기 신규 레시피를 생성하는 단계를 더 포함하는, 레시피를 생성하는 방법.
  3. 제1항에 있어서, 상기 신규 레시피는, 상기 복수의 식품 성분 중 제1 식품 성분보다 낮은 랭킹을 갖는 제2 식품 성분보다 상기 제1 식품 성분을 상기 선택 식품 성분으로서 포함시킬 확률이 더 높은 것인, 레시피를 생성하는 방법.
  4. 제3항에 있어서, 상기 선택 식품 성분은 상기 복수의 식품 성분 중 적어도 하나의 식품 성분보다 낮은 랭킹을 갖는 것인, 레시피를 생성하는 방법.
  5. 제1항에 있어서, 상기 신규 레시피를 생성할 때 상기 신경망에 의해 상기 복수의 기존 레시피 중 제1 레시피로 수정의 유형을 제한하기 위해 상기 제1 레시피를 태깅하는 단계를 더 포함하는, 레시피를 생성하는 방법.
  6. 제1항에 있어서, 상기 타겟 식품은: 스낵, 구운 식품, 과자류, 합성 식물 기반 제품, 에너지 바, 음료, 식사 대용품, 식이 보충제, 슈퍼푸드, 음료, 상온 보관 가능한 식품, 냉동 또는 냉장 식품, 육류 제품, 또는 유제품 중 적어도 하나를 포함하는 것인, 레시피를 생성하는 방법.
  7. 제1항에 있어서, 상기 신경망이, 상기 복수의 식품 성분으로부터의 다수의 식품 성분을 포함시키는 상기 타겟 식품에 대한 신규 레시피를 생성하는 단계를 더 포함하는, 레시피를 생성하는 방법.
  8. 제1항에 있어서, 라벨 엔진에 의해, 상기 신규 레시피에 대한 영양 서술(nutritional description)을 생성하는 단계를 더 포함하는, 레시피를 생성하는 방법.
  9. 제1항에 있어서, 상기 랭킹들을 결정하는 단계는:
    상기 복수의 식품 성분 각각의 적어도 하나의 건강 기반 특징에 따라 상기 복수의 식품 성분에 대한 제1 랭킹들을 결정하는 단계;
    상기 복수의 식품 성분 각각의 비용에 따라 상기 복수의 식품 성분에 대한 제2 랭킹들을 결정하는 단계;
    상기 복수의 식품 성분 각각의 보급률에 따라 상기 복수의 식품 성분에 대한 제3 랭킹들을 결정하는 단계; 및
    상기 제1 랭킹들, 상기 제2 랭킹들 및 상기 제3 랭킹들에 따라 상기 복수의 식품 성분에 대한 랭킹들을 결정하는 단계를 포함하는 것인, 레시피를 생성하는 방법.
  10. 제1항에 있어서, 상기 복수의 식품 성분의 건강 기반 특징은 상기 복수의 식품 성분 중 하나의 영양 측정치를 포함하는 것인, 레시피를 생성하는 방법.
  11. 레시피를 생성하기 위한 시스템에 있어서,
    타겟 식품에 대한 복수의 식품 성분의 데이터베이스를 저장하도록 구성된 스토리지 디바이스;
    상기 타겟 식품에 대한 복수의 식품 성분의 건강 기반 특징, 비용, 또는 보급률 중 적어도 하나에 따라 상기 복수의 식품 성분에 대한 랭킹들을 결정하도록 구성된 적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 의해 구현된 신경망을 포함하고, 상기 신경망은:
    입력들로서, 상기 복수의 식품 성분의 랭킹들, 및 상기 타겟 식품과 동일한 카테고리 내의 식품들에 대한 복수의 기존 레시피를 수신하고;
    출력으로서, 상기 복수의 식품 성분의 랭킹들 및 상기 복수의 기존 레시피에 따라, 상기 복수의 식품 성분으로부터의 선택 식품 성분을 포함시키는 상기 타겟 식품에 대한 신규 레시피를 생성하도록 구성되는 것인, 레시피를 생성하기 위한 시스템.
  12. 제11항에 있어서, 상기 신경망은:
    상기 복수의 식품 성분 각각의 특성들을 수신하고;
    상기 복수의 식품 성분의 랭킹들, 상기 복수의 기존 레시피 및 상기 복수의 식품 성분 각각의 특성들에 따라, 상기 신규 레시피를 생성하도록 구성되는것인, 레시피를 생성하기 위한 시스템.
  13. 제11항에 있어서, 상기 신규 레시피는, 상기 복수의 식품 성분 중 제1 식품 성분보다 낮은 랭킹을 갖는 제2 식품 성분보다 상기 제1 식품 성분을 상기 선택 식품 성분으로서 포함시킬 확률이 더 높은 것인, 레시피를 생성하기 위한 시스템.
  14. 제13항에 있어서, 상기 선택 식품 성분은 상기 복수의 식품 성분 중 적어도 하나의 식품 성분보다 낮은 랭킹을 갖는 것인, 레시피를 생성하기 위한 시스템.
  15. 제11항에 있어서, 상기 적어도 하나의 프로세서는 상기 신규 레시피를 생성할 때 상기 신경망에 의해 상기 복수의 기존 레시피 중 제1 레시피로 수정의 유형을 제한하기 위해 상기 제1 레시피를 태깅하도록 구성되는 것인, 레시피를 생성하기 위한 시스템.
  16. 제11항에 있어서, 상기 타겟 식품은: 스낵, 구운 식품, 과자류, 합성 식물 기반 제품, 에너지 바, 음료, 식사 대용품, 식이 보충제, 슈퍼푸드, 음료, 상온 보관 가능한 식품, 냉동 또는 냉장 식품, 육류 제품, 또는 유제품 중 적어도 하나를 포함하는 것인, 레시피를 생성하기 위한 시스템.
  17. 제11항에 있어서, 상기 신경망은 상기 복수의 식품 성분으로부터의 다수의 식품 성분을 포함시키는 상기 신규 레시피를 생성하도록 구성되는 것인, 레시피를 생성하기 위한 시스템.
  18. 제11항에 있어서, 상기 신규 레시피에 대한 영양 서술을 생성하도록 구성된, 상기 적어도 하나의 프로세서에 의해 구현된 라벨 엔진을 더 포함하는, 레시피를 생성하기 위한 시스템.
  19. 제11항에 있어서, 상기 적어도 하나의 프로세서는:
    상기 복수의 식품 성분 각각의 적어도 하나의 건강 기반 특징에 따라 상기 복수의 식품 성분에 대한 제1 랭킹들을 결정하고;
    상기 복수의 식품 성분 각각의 비용에 따라 상기 복수의 식품 성분에 대한 제2 랭킹들을 결정하고;
    상기 복수의 식품 성분 각각의 보급률에 따라 상기 복수의 식품 성분에 대한 제3 랭킹들을 결정하고;
    상기 제1 랭킹들, 상기 제2 랭킹들 및 상기 제3 랭킹들에 따라 상기 복수의 식품 성분에 대한 랭킹들을 결정하도록 구성되는 것인, 레시피를 생성하기 위한 시스템.
  20. 제11항에 있어서, 상기 복수의 식품 성분의 건강 기반 특징은 상기 복수의 식품 성분 중 하나의 영양 측정치를 포함하는 것인, 레시피를 생성하기 위한 시스템.
KR1020217017584A 2018-11-13 2019-11-01 신경망에 기초한 레시피 생성 KR20210114384A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862760113P 2018-11-13 2018-11-13
US62/760,113 2018-11-13
PCT/US2019/059467 WO2020101919A1 (en) 2018-11-13 2019-11-01 Recipe generation based on neural network

Publications (1)

Publication Number Publication Date
KR20210114384A true KR20210114384A (ko) 2021-09-23

Family

ID=70730283

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217017584A KR20210114384A (ko) 2018-11-13 2019-11-01 신경망에 기초한 레시피 생성

Country Status (8)

Country Link
US (1) US11521734B2 (ko)
EP (1) EP3881244A4 (ko)
JP (1) JP2022514185A (ko)
KR (1) KR20210114384A (ko)
CN (1) CN113711240A (ko)
CA (1) CA3119180A1 (ko)
MX (1) MX2021005545A (ko)
WO (1) WO2020101919A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102476991B1 (ko) * 2021-11-09 2022-12-14 강요한 뉴럴 네트워크를 이용한 레시피 및 식재료를 중개하는 서버

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11631010B1 (en) 2019-01-06 2023-04-18 Adaptics Limited System and method for use with connected kitchen appliances
KR20210020702A (ko) * 2019-08-16 2021-02-24 엘지전자 주식회사 인공지능 서버
JP6895008B1 (ja) * 2020-08-06 2021-06-30 クックパッド株式会社 調理支援装置、調理支援方法、及び調理支援プログラム
IT202100021899A1 (it) * 2021-08-13 2023-02-13 Arcanum Distillery S R L Sistema per la produzione di un prodotto distillato
KR102535336B1 (ko) * 2022-03-29 2023-05-26 휴젠 지에프씨 아이엔씨 사용자 맞춤형 커피 레시피 및 그에 대응하는 커피를 제공하기 위한 방법 및 장치
US20230410239A1 (en) * 2022-06-19 2023-12-21 Sin Ying Barbara Fok Proportional control systems and methods for innovation cross-subsidies
US11878073B1 (en) * 2022-09-20 2024-01-23 Entrinsic, LLC Generation of hydration-targeted formulations and methods of use therein

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6804390B2 (en) * 2001-02-07 2004-10-12 Basf Corporation Computer-implemented neural network color matching formulation applications
CN101410866A (zh) * 2006-03-28 2009-04-15 皇家飞利浦电子股份有限公司 推荐食谱的系统和方法
US8647121B1 (en) * 2008-10-17 2014-02-11 Yottamark, Inc. Food item grading
US20110123964A1 (en) * 2009-11-26 2011-05-26 Logi-Diet Ltd. Computerized aid for planning a nutritionally balanaced menu
US20130149679A1 (en) * 2011-12-12 2013-06-13 Yukie J. Tokuda System and methods for virtual cooking with recipe optimization
US20140322678A1 (en) * 2013-04-24 2014-10-30 Kitchology Inc. Presentation of food information on a personal and selective dynamic basis and associated services
US20140244526A1 (en) * 2013-02-28 2014-08-28 Ncr Corporation Methods of printing food labels for restaurant food items
US20160103834A1 (en) * 2014-10-14 2016-04-14 International Business Machines Corporation Food recipe scoring and ranking system
US9519620B1 (en) * 2016-01-29 2016-12-13 International Business Machines Corporation Identifying substitute ingredients using a natural language processing system
US10817778B2 (en) * 2016-06-27 2020-10-27 International Business Machines Corporation Customized cooking utilizing deep learning neuromorphic computing of hyperspectral input

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102476991B1 (ko) * 2021-11-09 2022-12-14 강요한 뉴럴 네트워크를 이용한 레시피 및 식재료를 중개하는 서버

Also Published As

Publication number Publication date
EP3881244A4 (en) 2022-08-10
CN113711240A (zh) 2021-11-26
MX2021005545A (es) 2021-09-10
JP2022514185A (ja) 2022-02-10
US20210265036A1 (en) 2021-08-26
EP3881244A1 (en) 2021-09-22
US11521734B2 (en) 2022-12-06
WO2020101919A1 (en) 2020-05-22
CA3119180A1 (en) 2020-05-22

Similar Documents

Publication Publication Date Title
US11521734B2 (en) Recipe generation based on neural network
US9977980B2 (en) Food logging from images
Clark et al. Exporting obesity: US farm and trade policy and the transformation of the Mexican consumer food environment
US10942932B2 (en) System and method for grading and scoring food
US9902511B2 (en) Transformation system for optimization of nutritional substances at consumption
US9619781B2 (en) Conditioning system for nutritional substances
KR102221784B1 (ko) 개인 맞춤형 자동화 식단 제공방법
CN110504019A (zh) 用户个性化饮食推荐方法、装置、电子设备及存储介质
US20150235566A1 (en) Information system for nutritional substances
US20150269867A1 (en) Information system for nutritional substances
US20160103839A1 (en) Food recipe scoring and ranking system
EP2678677A1 (en) Transformation system for optimization of nutritional substances at consumption
US10861076B1 (en) Methods, systems, and devices for generating a refreshment instruction set based on individual preferences
US20190228039A1 (en) System and method for providing food-related information
US10217376B2 (en) Nutritional value of food
Giuntini et al. 12th IFDC 2017 Special issue–Brazilian Nutrient Intake Evaluation Database: an essential tool for estimating nutrient intake data
Noever et al. The multimodal and modular ai chef: Complex recipe generation from imagery
US20210375430A1 (en) Methods, systems, and devices for generating a refreshment instruction set based on individual preferences
WO2019173629A1 (en) System and method for grading and scoring food
US20210374165A1 (en) Methods and systems for displaying refreshment outlooks
US20230409972A1 (en) Methods and systems for multi-factorial physiologically informed refreshment selection using artificial intelligence
US11776020B2 (en) Methods and systems for multi-factorial physiologically informed refreshment selection using artificial intelligence
WO2019143846A1 (en) System and method for providing food-related information
Thompson et al. LiveWell for LIFE
Little Nutrition and Technology in the Management of Diet-Related Chronic Diseases: Providing Evidence-Based Nutrition Recommendations in the Collaborative Development of a Nutrition Optimization Tool for Physicians at Grady Health Systems

Legal Events

Date Code Title Description
A201 Request for examination