Epicure : trois modèles d’IA cartographient la chimie et la culture de la cuisine

Résumé

La start-up londonienne Kaikaku.AI dévoile « Epicure », une famille de trois modèles d’IA qui distinguent pour la première fois deux notions souvent confondues : les ingrédients qui vont ensemble dans les recettes et ceux qui sont chimiquement proches. En jouant sur la provenance des données d’entraînement, les modèles livrent des recommandations radicalement différentes et révèlent la structure chimique et culturelle de la cuisine.

Les faits

La start-up londonienne Kaikaku.AI présente « Epicure », une série de trois modèles d’IA conçus pour distinguer deux dimensions culinaires : la compatibilité en recette et la proximité chimique entre ingrédients. Selon l’article, ces modèles sont « les premiers à clairement distinguer si un ingrédient convient à une recette ou est lié chimiquement ». Ils sont entraînés sur 4,14 millions de recettes en sept langues et sur la base de données FlavorDB, chaque variante produisant ainsi des recommandations différentes. Les trois modèles, baptisés « Cooc », « Chem » et « Core », partagent la même architecture et ne se distinguent que par leurs données d’entraînement. « Cooc » n’observe que les cooccurrences d’ingrédients dans des recettes réelles, tandis que « Chem » se concentre uniquement sur les molécules aromatiques communes, en s’appuyant sur la base de chimie FlavorDB. « Core » combine ces deux sources. Cette différence apparaît nettement dans les requêtes concrètes. Pour « chicken », Cooc propose ail, oignon et poivre noir, des ingrédients qui l’accompagnent fréquemment en cuisine, quand Chem renvoie plutôt bœuf ou porc, des ingrédients au profil aromatique proche. Pour « basil », Cooc propose persil, huile d’olive et parmesan, typiques d’un garde-manger pour pâtes, tandis que Chem privilégie origan, estragon et romarin, des herbes apparentées. Les auteurs soulignent que le modèle chimique surpasse ses homologues dans des domaines où il ne devrait pourtant disposer d’aucune information directe. Des notions comme le sucré, l’amer ou l’acide, ou encore des valeurs nutritionnelles telles que la teneur en protéines ou en lipides, ne sont pas codées explicitement dans les données d’entraînement. Pourtant, « Chem classe les ingrédients selon ces axes plus clairement que les autres variantes ». Les relations chimiques semblent ainsi servir de raccourci qui structure aussi le modèle autour d’autres concepts culinaires. L’article présente Epicure comme « le modèle d’ingrédients public le plus complet à ce jour ». Là où FlavorGraph repose sur un corpus de recettes en anglais, Epicure traite 4,14 millions de recettes issues de onze sources et de sept langues, dont le chinois, le russe, le vietnamien, le turc, l’indonésien et l’allemand. Une chaîne de traitement construite sur des embeddings Claude et Gemini permet de traduire et de normaliser près de 200 000 termes bruts — variations orthographiques, marques, mentions de préparation — en 1 790 ingrédients unifiés. Le corpus reste toutefois très déséquilibré : environ la moitié du matériau provient de sources d’Asie de l’Est, tandis que les cuisines d’Amérique latine, d’Europe de l’Est et d’Asie du Sud contribuent chacune à un pourcentage à un chiffre. À peine un tiers des ingrédients sont directement reliés à la base chimique; les autres héritent de ce signal de manière indirecte via des ingrédients apparentés. Sur le plan fonctionnel, Epicure fonctionne en deux modes. Le premier est une recherche de voisins la plus simple : il s’agit d’identifier les ingrédients les plus proches d’un ingrédient donné dans l’espace du modèle. Le second permet à l’utilisateur de « déplacer » un ingrédient de départ selon un angle ajustable vers une direction cible. À zéro degré, l’ingrédient reste inchangé; à soixante degrés, le voisinage de la cible prend le dessus. L’article donne plusieurs exemples : en orientant légèrement « rice » vers l’Asie du Sud, apparaissent des ingrédients comme les feuilles de curry, l’urad dal, le chana dal ou les graines de fenugrec. En orientant « chicken » vers une cuisine occidentale atlantique transformée, le modèle propose crème de soupe de poulet, pâtes en croissant et sauce ranch, des classiques de la cuisine familiale américaine.

Pourquoi c’est important

Epicure illustre une manière nouvelle de concevoir les modèles d’IA culinaires : au lieu de mélanger implicitement usages culturels et proximités chimiques, Kaikaku.AI dissocie explicitement ces deux dimensions et montre qu’un entraînement purement chimique peut mieux capturer des concepts gustatifs et nutritionnels qui ne lui sont jamais fournis directement. Cette approche ouvre la voie à des systèmes de recommandation gastronomique plus interprétables et plus fins, capables de répondre différemment selon que l’on cherche des associations de recettes ou des « cousins » aromatiques. En s’appuyant sur un corpus multilingue et une normalisation poussée de près de 200 000 termes vers 1 790 ingrédients, Epicure cartographie la cuisine mondiale à la fois comme un phénomène culturel et comme un espace chimique. Les modes de navigation par recherche de voisins ou par « rotation » vers une direction culinaire spécifique esquissent des interfaces nouvelles pour explorer les cuisines régionales, inventer des variations de plats ou adapter des recettes à des préférences ou contraintes tout en restant cohérent gustativement.

Questions fréquentes

Qu’est-ce que le projet Epicure de Kaikaku.AI ?

Epicure est une famille de trois modèles d’IA qui distinguent la compatibilité en recette et la proximité chimique des ingrédients, entraînés sur 4,14 millions de recettes multilingues et la base FlavorDB.

En quoi les modèles Cooc, Chem et Core sont-ils différents ?

Cooc n’utilise que les cooccurrences d’ingrédients dans les recettes, Chem uniquement la similarité de molécules aromatiques issue de FlavorDB, et Core combine ces deux types de données.

Comment Epicure répond-il à une requête sur le poulet ?

Pour « chicken », Cooc propose ail, oignon et poivre noir, souvent associés en cuisine, tandis que Chem renvoie bœuf ou porc, jugés proches sur le plan aromatique.

Quel volume de données alimente Epicure ?

Epicure est entraîné sur 4,14 millions de recettes provenant de onze sources et de sept langues, normalisées en 1 790 ingrédients à partir d’environ 200 000 termes bruts.

Quels sont les modes d’utilisation d’Epicure ?

Epicure propose un mode de recherche des ingrédients les plus proches et un mode de « rotation » qui déplace un ingrédient vers une direction culinaire cible selon un angle ajustable.

Source

Auteur

Rédaction spécialisée dans la veille et l'analyse de l'actualité de l'intelligence artificielle, des puces IA, des robots, des agents IA et de la recherche.