第595章 口味适配算法（1 / 1）
请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
全球供应链网建成之后，林晨又做了一件事——把AI口味适配系统，升级到全球版。
以前——系统只适配中国城市的口味。现在——要适配全球国家的口味。每个国家的人，口味不一样。中国人喜欢咸鲜，日本人喜欢鲜美，英国人喜欢清淡，美国人喜欢浓郁。系统要根据每个国家的数据，自动调整菜单。
这个念头，其实在东京店筹备的时候就有了。那阵子林浩在东京调整菜单，靠的全是老师傅的手感和一场一场的试菜，前前后后折腾了一个月。林晨在旁边看着，心里就在想——要是有一套系统，能把每个地方的人到底爱吃什么，算得明明白白，是不是就不用这么辛苦地试来试去了？东京那一次，算是他心里的。现在供应链顺了，食材能在对的时间、对的地方到齐，做口味适配的前提也就有了。这颗种子，也该发芽了。
林晨把技术负责人周总监叫到办公室。老周，我要把口味适配系统，做到全球。周总监愣了一下：全球？那得多少数据？林晨说：该多少，就多少。周总监回去，把团队叫到一起，白板上画了一张世界地图。诸位，接下来三个月，我们哪都不用去，就在这间办公室里，把全世界的口味，算个明白。
说干就干。林晨让技术团队，爬取了全球主要国家的大众点评数据——英国、美国、日本、法国、德国、新加坡、泰国——十几个国家。数据量——上亿条评论。一开始，团队还担心数据太杂、噪声太大。不同语言的评论、不同平台的评分标准、甚至同一道菜在不同国家的叫法都不一样，清理起来格外费劲。光是同一道菜怎么对齐，就够工程师们挠头的。技术团队花了整整一个月，专门做数据清洗——把同一道菜的不同叫法归拢，把评分标准对齐，把季节、地域这些干扰项一项一项剔除。林晨去机房看过几回，一排排屏幕上，全是跳动的数据和图线，几个年轻人趴在工位上，桌上摆着喝空的咖啡罐。他也没多说什么，只让行政多备了些夜宵和水果。
数据干净了，模型才有得学。技术团队花了三个月时间，训练了一个全球口味模型。模型可以根据每个国家的数据，自动生成适配菜单。训练的过程并不顺利，头几版模型总是水土不服——拿英国的数据训练出来的模型，套到纽约店上一跑，菜单全偏了。团队把单独拎出来当特征，一遍一遍调参数，这才慢慢顺了过来。
模型上线之前，周总监有点不放心：林总，这模型是死的，人嘴是活的。它算出来的东西，真的靠谱吗？林晨想了想：那就让它去。算出来的菜单，先在小范围里试，客人说好，再正式上。周总监听了，心里也有了底。行，那就先试，试出来好，再铺开。
于是，模型先跟三家海外店对接，跑了一轮。伦敦店——系统自动调整了菜单——减少油、盐、糖的用量。增加本地食材的比例。伦敦人的反馈——好吃，但不腻。伦敦店长在汇报里特意补了一句：客人现在会主动问，这道菜里用的是什么英国的食材。纽约店——系统自动调整了菜单——增加酱汁的用量。增加肉类的比例。纽约人的反馈——够味，够分量。有个常客在留言里写：我在纽约吃了十年中餐，第一次有人知道我爱吃多重的酱。东京店——系统自动调整了菜单——减少油、盐、糖的用量。突出食材的原味。东京人的反馈——鲜美，精致。跟当初林浩手工调的菜单方向，几乎完全一致。
看到这组结果，林晨心里一块石头落了地。他盯着屏幕上的数据看了好一会儿，又翻出三个月前东京店的筹备记录，一页一页地对比。东京店那一个月的手工试菜，如今被算法用三秒钟就复刻了出来，连方向都一模一样。他给林浩打了个电话。林浩在电话那头听说之后，感慨了一句：叔，我一个月熬出来的菜单，机器三天就调出来了。那我这手艺，是不是要下岗了？林晨笑了：机器帮你把差不多精确。可那口锅里的分寸，还是得靠你。算法算得出比例，算不出手感。林浩想了想，也笑了：也是。那我回头好好学学这系统，省得被它比下去。
过了两天，周总监拿着三个月的测试报告来找林晨。林总，三个店跑完了，数据都稳了。模型现在每天自动更新菜单，准确率比第一版高了不少。林晨接过报告，翻了翻，又问了一句：那国内的店呢？周总监说：国内的口味本来就熟，系统顺手也升级了，不分家。林晨点点头，很满意。
那天晚上下班，林晨特意去了一趟后厨，点了一份模型推荐的新菜。那是伦敦店数据调出来的味道——清淡里带着一点恰到好处的鲜。他慢慢吃完，放下筷子，对身旁的厨师说：这道菜，就按这个标准做。出了后厨，他回到办公室，看着屏幕上那个不断更新菜单的模型，忽然有些感慨。一份菜，在伦敦要淡一点，在纽约要浓一点，在东京要鲜一点。算法算得出的，是数字；数字背后藏的，其实是不同地方的人，过日子的方式。伦敦人的克制，纽约人的热烈，东京人的讲究——都在一道菜的味道里，安安静静地放着。
林晨在笔记本上写了一行字——口味适配算法，不是。是。技术，可以适配口味。但口味背后，是文化。理解了文化，才能做出当地人喜欢的菜。
↑返回顶部↑