Jeûne genevois 2.0 : quand l'IA pâtisse

L'an dernier, j'évoquais comment la traditionnelle tarte aux pruneaux du jeûne genevois pouvait être source d'innovation. Cette année, j'ai poussé l'expérience plus loin en mariant tradition culinaire et technologie de pointe. Mon défi? Créer la recette ultime de cookies au chocolat grâce à l'intelligence artificielle (IA).

En ce jeudi pluvieux de jeûne genevois, je me suis lancé dans une aventure gourmande et technologique. J'ai conçu un algorithme d'IA pour élaborer la recette parfaite de cookies. Ce projet, qui marie gourmandise et technologie de pointe, illustre comment l'apprentissage automatique (ou machine learning - ML en anglais) peut bouleverser nos habitudes culinaires, même les plus traditionnelles.

Mon parcours avec l'IA a débuté il y a cinq ans, lorsque j'ai développé un modèle d'évaluation de la fiabilité des transactions avec AutoML de Google. Bien que simple d'utilisation, cette solution ne m'avait pas permis de comprendre en profondeur les mécanismes techniques sous-jacents. En 2023, intrigué par le potentiel créatif de l'IA, j'ai décidé d'explorer d'autres facettes de cette technologie. Plus récemment, j'ai expérimenté l'IA générative (GenAI) comme assistant pour rédiger des articles sur ce blog et analyser des données ouvertes (open-data) sur les votations et élections genevoises. J'ai aussi expérimenté la génération améliorée par récupération de données pré-indexées (ou Retrieval-Augmented Generation - RAG en anglais), ainsi que la création d'images par l'IA. Mais l'IA va bien au-delà de la simple génération de contenu.

L'idée de ce projet m'est venue en lisant le blog de Sara Robinson [1], une développeuse chez Google Cloud. Elle y décrit comment elle a utilisé l'IA pour classifier des recettes de pain, cake et cookie. Intrigué et gourmand, je me suis fixé un objectif ambitieux : créer la meilleure recette de cookies tout en apprenant à utiliser TensorFlow [2], une bibliothèque d'apprentissage automatique développée par Google.

La première étape, collecter des données.

J'ai compilé les données d'une cinquantaine de recettes de cookies dans un fichier Excel, en explorant des sites comme Marmiton, 750g, Betty Bossi, SwissMilk ou encore les recettes d'Elle magazine. Pour que l'IA puisse analyser ces recettes, j'ai dû convertir toutes les quantités en ratios de la somme totale des ingrédients. Par exemple, 110g de farine, 100g de sucre et 90g de beurre sont devenus respectivement 0,36, 0,33 et 0,30 de la recette totale.

La deuxième étape, l'algorithme

Le développement de l'algorithme s'est avéré moins linéaire que prévu, à l'image des courbes de régression que j'allais bientôt manipuler. Novice en TensorFlow, j'ai dû faire appel à l'IA générative pour m'aider à coder. Les différences d'échelle entre ingrédients principaux (farine, sucre, beurre, etc.) en centaines de grammes et secondaires (sel, levure, etc.) en grammes m'ont posé des difficultés. Pour ajuster mon modèle, j'ai dû approfondir ma connaissance en étudiant de la documentation technique et en consultant divers forums spécialisés. J'ai aussi dû trouver une astuce pour intégrer l'ordre d'incorporation des ingrédients, crucial en pâtisserie.

L'apprentissage automatique ou machine learning (ML) repose principalement sur des régressions mathématiques et des techniques d'optimisation. Dans ce projet, l'objectif était de trouver une fonction modélisant au mieux la relation entre les variables d'entrée (quantités et ordre des ingrédients) et la variable de sortie (note de la recette). L'algorithme cherche à minimiser l'erreur entre ses prédictions et les données réelles, en ajustant itérativement les paramètres de la fonction. Chaque ligne de mon fichier Excel représentait une recette avec ses caractéristiques et sa note, formant ainsi le jeu de données d'entraînement pour le modèle.

Pour ceux qui sont moins à l'aise avec la technique, l'apprentissage automatique ou ML, c'est un peu comme apprendre à cuisiner en observant des centaines de chefs. Dans ce projet, l'objectif était de créer un "chef virtuel" capable de comprendre la relation entre les ingrédients, leur ordre d'incorporation, et la qualité finale du cookie. Notre chef a ajusté des milliers de fois sa "recette" en comparant ses prédictions aux notes réelles des recettes, comme un apprenti goûtant ses créations et les ajustant jusqu'à la perfection.

Après avoir entraîné mon modèle, j'ai créé un script pour transformer les résultats en une véritable recette. Et voilà le résultat :

• Farine: 102.47g
• Sucre: 53.00g
• Beurre: 57.20g
• Cassonade: 53.00g
• Oeuf: 53.00g
• Chocolat: 53.00g
• Vanille: 18.41g
• Levure: 3.72g
• Sel: 3.72g
• Lait: 3.72ml
• Temperature: 180.00
• Duree_cuisson: 10.00
• Ordre: beurre sucre oeuf farine levure sel chocolat
• Note prédite: 4.17 / 5.00

Code source : https://github.com/Oli-1200/ML-recette-Cookie/

La troisième étape, l'évaluation

L'IA a évalué sa création à 4,17 sur 5, montrant une certaine modestie. Lors de notre test familial, nous lui avons attribué un 4,5! Le cookie était un peu trop sucré, mais le sel équilibrait bien l'ensemble. Petit bémol : je n'ai pas utilisé le lait prévu par la recette, n'en ayant pas sous la main.

J'ai ajouté cette nouvelle recette à ma liste de recettes et j'ai demandé au "chef virtuel" de me proposer une meilleure recette pour le week-end prochain.

Qui aurait cru qu'un jour, des calculs mathématiques complexes nous aideraient à créer le cookie parfait? Cette expérience montre que l'IA peut s'inviter dans notre quotidien de façon surprenante et délicieuse.

Pour l'avenir, je compte affiner mon algorithme pour atteindre la perfection sucrée, et qui sait, peut-être qu'un jour, l'IA nous concoctera la recette ultime de la tarte aux pruneaux du jeûne genevois!

Article rédigé avec l'aide de Claude AI et Gemini.

[1] Sara Robinson, Baking with machine learning, https://sararobinson.dev/2020/04/30/baking-machine-learning.html, publié le 30 avril 2020, consulté en ligne le 12 août 2024

[2] https://www.tensorflow.org/, consulté en ligne le 5 septembre 2024