[3Ba01-10] Physical property of food

10:45 AM - 11:00 AM JST(1:45 AM - 2:00 AM UTC)

[3Ba08] Employing of food texture bigdata toward new era expression of food texture analysis based on large language model

*Makoto Takemasa¹, Amano Sota¹ (1. Tokyo Denki University)

Keywords:

Food texture,Big data,Large language model

[目的] 近年発展著しい大規模言語モデル(LLM)は,プログラム作成や文書作成補助など各所で絶大な影響を及ぼしているが,食品分野における応用例は報告が少なく,特に食感分析では乏しい.これは,食感がヒトの5感, また感性に基づき知覚されるため数値化が困難な点と, 食感に関して学習するためのビッグデータが存在していなかったこと,２点に起因すると考えられる.我々は, 食感ビッグデータ取得を目指して,ロボットアーム及びスマートフォン搭載3Dスキャナを利用することで自動化し,計10万回を超える食感ビッグデータを確立している.ディープラーニングによりこれらの食感ビッグデータを活かすことで,従来の食感分析法であるTPAなどの課題を解決するポテンシャルが複数見出されている. 本研究では,大規模言語モデルに基づき,食感の分析や分類, また文字表現を高精度化, 今後拡張させるために, 食感ビッグデータの活用法を模索することに取り組む.
[手法] 当グループで開発した食感自動評価システムを利用し, 計2000回の食品圧縮試験を実施した.OpenAI社のChatGPT 4oモデルを利用し, RAGでTPA特徴値と食感文字表現(オノマトペ)との対応関係を学習させた.提示していない圧縮試験結果を, 事前にRAGで提示した対応関係に基づいて, どのオノマトペが妥当であるか判別を行った.RAGで提示するデータセットサイズが食感分類確度に与える影響について検討を行った.
[結果] LLMに対して, TPA特徴値とオノマトペ表現の対応関係を大量に提示することで, LLMのモデル内部に保持された, 各食感オノマトペが妥当ではないケースに関しても, RAGで提示した情報に基づいて, LLM内の食感オノマトペ表現を矯正することが可能であった. 今後は, オノマトペ表現の種類を増加させ, また食感ビッグデータが内包する情報を増強させることで, LLM内部における食感の概念を補正する事が可能になる,と期待される.