第595章 口味适配算法（1/2）

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。

本章未完，点击下一页继续阅读。