免費的開源的機器人客服，春松客服，在github上有詳細的專案介紹，可以瞭解一下，很不錯。華夏春松科技有限公司 微軟最具價值專家，前IBM高階架構師王海良的團隊。

春松客服：坐席工作臺、組織機構、賬號、語音渠道、系統配置和資料報表。

語音渠道：和語音閘道器整合，支援呼叫中心業務。

聊天服務：智慧問答引擎，語音識別服務和非結構化的文字資料分析服務

作為資深吃貨，面對各種看得見卻吃不著的美味，簡直無比痛苦！

不過，最近Facebook的AI研究組釋出了一項造福吃貨黨兼烹飪愛好者的黑科技——“反烹飪”系統（Inverse Cooking）：根據一張食物的照片，就能生成食譜。下次再看到美食，只要一張照片，就能按照自動生成的食譜自己學著做了！

這是一張Inverse Cooking根據食物影象自動生成的食譜，由標題（Title）、原料（Ingredients）和烹飪說明（Instructions）組成

Inverse Cooking透過一個新穎的架構預測食物的原料，並將食物原料作為集合，在不強加任何順序的情況下對其依賴性進行建模，然後透過同時處理影象及其推斷的原料來生成烹飪指令。

雖然影象識別領域已經有非常多很成熟的應用了，但Inverse Cooking是第一個直接從食物影象生成烹飪食譜的系統。從影象生成食譜之所以這麼難，是因為與對自然影象的理解相比，食物識別面對著額外的挑戰：

食物及其成分具有很高的類內變異性，並且在烹飪過程中會出現嚴重的變形。食材一般都裝在盤子裡，而盤子有各種顏色、形狀和質地，影響識別。視覺成分檢測（visual ingredient detection）需要高階推理和先驗知識（例如，蛋糕可能含有糖而不是鹽，而牛角麵包可能含有黃油）。

下圖展示了Inverse Cooking系統的工作原理：

Inverse Cooking系統以食物影象作為輸入，輸出一系列烹飪指令。這些指令由一個指令解碼器生成，該解碼器將兩個嵌入項作為輸入。第一個嵌入項是從影象中提取的視覺特徵，而第二個嵌入項則對從影象中提取的成分進行編碼。

用影象編碼器提取影象特徵eI ，用θi引數化。原料成分由θL預測，並用θe編碼到eL（ingredient embeddings）中。烹飪指令解碼器由θR引數化，透過參考影象嵌入eI、成分嵌入eL和之前預測的單詞（r0, ..., rt-1）生成食譜標題和一系列烹飪步驟。

以往，從影象生成食譜的問題被表示為一個檢索任務，根據嵌入空間中的影象相似度評分，從一個固定的資料集中檢索出接近的食譜。這種方法的效果很容易受到資料庫樣本量和多樣性的影響，也會受到嵌入式學習質量的影響。當資料庫中不存在匹配的食譜時，檢索就會失敗。

那這個採用了新架構的Inverse Cooking系統到底表現如何呢？

Ours表示用最新的Inverse Cooking系統生成的食譜，Retrieved表示用以往的檢索方法生成的食譜，Real則表示實際的食譜；Ours和Retrieved預測的成分如果存在於實際樣品中，則成分顯示為藍色，否則顯示為紅色。

可以看出，雖然Inverse Cooking系統還不能完全準確地預測出食物的食譜，但準確率已經很高了，並且明顯比檢索方法預測的結果更加準確。

甚至，有時Inverse Cooking系統生成的烹飪說明比實際的操作步驟更加詳細：

Inverse Cooking系統連“蓋好並搖勻”這樣的細節都沒有放過！

這個好玩的食譜生成專案已經在Github上開源了：Recipe Generation from Food Images，小夥伴們可以用自己儲備的美食照片試一試，按照Inverse Cooking的指導做一道美食，說不定還能發現自己在美食烹飪上的天分！

更多好玩的科技知識可關注