ChatGPTさんと食材を分析したりして創作料理を考えてみますよ
はじめに
ChatGPTさんと色々遊んでみようシリーズ
「ChatGPTのcodeinterpreterを、なんか試してみたいなぁ」と思っていました。
そこで、ChatGPTさんにデータを自分で準備してもらって、それを利用して分析を試してみる事にしました。
何かテーマをと考えまして、思いついたのが…
「食材の相性を分析して、新たね創作料理を検討する」
でした！
紆余曲折の過程もご紹介したく、あまり過程をカットせず、なるべくそのままをあえて記載してあります。
読みずらい所多いかと思いますが、ご容赦ください_(._.)_💦
① ChatGPTに食材一覧を書き出してもらう
まずは食材の一覧情報を書き出してもらいました。
▼ダ
食材の一覧を500種ピックアップしてください。
例）トマト ・牛乳 ・チーズ ・鶏肉 ・レバー ・牛肉 ・米 ・卵
▼ChatGPT
申し訳ありませんが、私のデータベースには具体的な食材の500種の一覧は含まれていません。ただし、幅広い種類の食材をいくつかピックアップして提供できます。以下にいくつかの例を示します：
野菜:
キャベツ
ニンジン
ジャガイモ
ブロッコリー
ズッキーニ
タマネギ
ピーマン
レタス
トウモロコシ
カボチャ
果物:
りんご
バナナ
オレンジ
グレープフルーツ
・・・以下略
お料理やお買い物の参考になれば幸いです。楽しい食事をお楽しみください！
こういう無茶ぶりをすると嫌がられますね！（笑）AIハラスメント！
結果下記のような一覧を作ることができました。
② 食材一覧から相性の良い食材のペアを提示してもらう
▼ダ
こんばんは！
▼ChatGPT
こんばんは！どのようにお手伝いできますか？
▼ダ
ちょっと大変だとは思うのですが。。 あなたにお願いしたい仕事があるんです。
▼ChatGPT
もちろん、私はお手伝いすることができます！どのような仕事でお手伝いできるでしょうか？どんな内容なのか教えてください。できる限りサポートさせていただきます。
▼ダ
これから173個の食材一覧を提示します。 その食材の中から相性の良いペアをたくさん提示してほしいんです！
▼ChatGPT
かなり大変なタスクですが、喜んでお手伝いいたします！173個の食材の相性を考慮してペアを提示しますね。ただし、一度にすべてを提示するのは難しいかもしれませんので、いくつかのペアをまず提案させていただきます。
あとはひたすら頼み倒して下記を生成してもらいました！
③ codeinterpreter機能を活用！相性の良い食材ペア情報を分析
ChatGPT PLUS でpythonのコードを実行できるようになったとの事で試してみました。
▼ダ
食材の相性のペアを書き出しました。 これら情報を元にネットワーク図を作成できますか？ ただし、もし同じペアが重複して存在した場合、重複排除してNW図化してほしい
▼ChatGPT
データがCSVやテキスト形式であればここにコピーしていただくか、あるいはファイルとしてアップロードしていただければ、それを基にネットワーク図を作成することは可能です。どちらがよろしいでしょうか？
▼ダ
ではファイルUPしますね
食材相性ペア.txt
▼ChatGPT
Finished working
ファイルの読み込み中にエンコーディングのエラーが発生しました。おそらくファイルは 'utf-8' ではなく別の文字エンコーディングを使用している可能性があります。一般的には、日本語のテキストは 'shift_jis' または 'utf-8' を使用することが多いです。
それぞれのエンコーディングで試してみましょう。まずは 'shift_jis' で試してみます。
Finished working
ありがとうございます。ファイルを読み込むことができました。各行には、ハイフン ("-") で区切られた食材のペアが含まれているようです。
次に、これらのデータを使ってネットワーク図を作成します。ただし、重複するペアは排除するとのことですので、その点を考慮に入れて進めます。
具体的には、各食材をノードとし、ペアをエッジとするネットワーク図を作成します。Pythonのネットワーク分析ライブラリであるNetworkXを使用します。
# The user has re-uploaded the file. Let's load it again with 'shift_jis' encoding.
with open(file_path, 'r', encoding='shift_jis') as file:
lines = file.readlines()
# Display the first few lines
lines[:10]
RESULT
['あしたば - ごまドレッシング\n',
'あしたば - ごま塩\n',
'あしたば - ほうれん草\n',
'あしたば - サラダドレッシング\n',
'あしたば - ポン酢\n',
'あじ - しょうゆ\n',
'あじ - ポン酢\n',
'あじ - レモン\n',
'あじ - 醤油\n',
'あなご - たれ\n']
import networkx as nx
import matplotlib.pyplot as plt
# Create an empty undirected graph
G = nx.Graph()
# Add edges (pairs of ingredients) to the graph
for line in lines:
# Split the line into two ingredients
ingredient1, ingredient2 = line.strip().split(' - ')
# Add an edge between the two ingredients to the graph
# This automatically adds the nodes (ingredients) as well
# Since this is an undirected graph, it doesn't matter in which order we add the nodes
# Also, if the same edge is added twice, NetworkX will simply ignore the second addition
G.add_edge(ingredient1, ingredient2)
# Draw the graph
plt.figure(figsize=(10, 10))
nx.draw_networkx(G, with_labels=True, node_color='skyblue', node_size=500, edge_color='k')
plt.axis('off') # Hide the x and y axis
plt.show()
うん、どうやら日本語フォントに対応していないみたいですね！
検索するとなにやら方法はあるみたいですが。
（日本語フォントをUPLOADすると良い？らしい）
▼ダ
なんか他いい感じの分析とかできますか？
▼ChatGPT
はい、このようなネットワークデータは、さまざまな分析を可能にします。以下にいくつかの例を挙げてみます。
中心性分析: ネットワーク内の最も重要な（中心的な）ノードを特定します。食材の文脈では、他の多くの食材とペアになっている食材を特定できます。これには次数中心性、固有ベクトル中心性、近接中心性、媒介中心性などがあります。
コミュニティ検出: ネットワークをよく結合されたグループ（コミュニティ）に分割します。食材の文脈では、同じグループの食材が互いによく組み合わされると予測できます。
パス分析: ネットワーク内の2つのノード間の最短パス（最小の中間ノード数で結べるパス）を見つけることができます。食材の文脈では、2つの食材が直接ペアになっていない場合でも、他の食材を経由して間接的に関連している可能性があります。
これらの中から、何か特に興味がある分析はありますか？
ほぉ、、、
なんかSUGEEEEEEEEE！それぞれやってみてもらいました。
中心性分析
# Calculate the degree centrality of each node
# Degree centrality of a node is the number of connections it has
degree_centrality = nx.degree_centrality(G)
# Sort the nodes by degree centrality in descending order
sorted_nodes = sorted(degree_centrality.items(), key=lambda x: x[1], reverse=True)
# Display the top 10 nodes with the highest degree centrality
sorted_nodes[:10]
RESULT
[('しょうゆ', 0.10106382978723404),
('レモン', 0.05585106382978723),
('バター', 0.05053191489361702),
('オリーブオイル', 0.045212765957446804),
('ヨーグルト', 0.0425531914893617),
('ポン酢', 0.031914893617021274),
('醤油', 0.031914893617021274),
('ごま油', 0.031914893617021274),
('マヨネーズ', 0.02925531914893617),
('ハチミツ', 0.026595744680851064)]▼ChatGPT
次数中心性（各ノードが持つ接続数）が最も高い食材のトップ10は以下の通りです：
しょうゆ
レモン
バター
オリーブオイル
ヨーグルト
ポン酢
醤油
ごま油
マヨネーズ
ハチミツ
これは、これらの食材が他の多くの食材と組み合わせられていることを示しています。つまり、これらの食材は他の食材との相性が良いと言えます。
コミュニティ検出
▼ChatGPT
申し訳ありませんが、現在の環境ではLouvain法を用いたコミュニティ検出を行うためのライブラリが利用できません。
しかし、代わりにGirvan-Newman法を用いたコミュニティ検出を試みることは可能です。この手法は、エッジの"betweenness centrality"（他のすべてのペアの最短パスがそのエッジを通る頻度）を計算し、最も高いものから順に削除していき、結果的にネットワークをコミュニティに分割します。
Girvan-Newman法を試してみます。
# We will use the Girvan-Newman method for community detection
from networkx.algorithms.community import girvan_newman
# Compute the communities
communities = girvan_newman(G)
# Get the first few community structures
# Each community structure is a tuple of sets, where each set represents a community
community_structures = []
for i in range(5):
community_structures.append(next(communities))
# Display the number of communities and the nodes in each community for each community structure
community_info = []
for i, community_structure in enumerate(community_structures):
num_communities = len(community_structure)
community_info.append((i + 1, num_communities, [sorted(list(community)) for community in community_structure]))
community_info
RESULT
'マスカルポーネチーズ','マスタード','マッシュルーム','マヨネーズ',
'マロン','マロングラッセ','マンゴスチン','マンゴー',
'ミスオソース','ミニトマト','ミョウガ','ミント','メロン',
'メンタイコ','メープルシロップ','モッツァレラチーズ','モロヘイヤ',
'ヤムイモ','ヨーグルト','ライム','ライ麦','ラクレットチーズ',
'ラザニア','ラズベリー','ラディッシュ','ラム肉','ランチドレッシング',
'ランブータン','レタス','レモン','レモンジュース','レモンチキン',
'レモンティー','レモンバターソース','レモン汁','レンコン',
'レンズ豆','ローストチキン','ローストポテト','ローズマリー',
'ローズマリーソース','ワイン','卵','塩','大豆','小麦粉',
'抹茶','海苔','焼き魚','牛乳','牛肉','玄米','生クリーム','生姜',
'生姜としょうゆ','砂糖','米','胡椒','豆腐','豚肉','酒',
'酢','醤油','鯛','鴨肉','鶏肉','黒蜜'],
['あなご', 'うなぎ', 'たれ', 'タレ'],
['なす', 'みそ', 'ミソ'],
['ウォルナッツ', 'オートミール', 'カラメルソース', 'ステーキ', 'ナッツ', 'ナッツバター', 'バナナ', 'ブルーチーズ'],
['カルダモン', 'チャイ', 'ホットチョコレート', 'ミルクティー'],
['サフラン', 'パエリア', 'ピラフ', 'リゾット'],
['クランベリーソース', 'ターキー'],
['ホタテ', 'レモンバター'],
['バターガーリック', 'ホワイトワイン', 'ムール貝', '白ワイン'],
['きなこ', 'こしあん', 'さとう', 'ぜんざい', '赤豆'],
['うなぎのタレ', '鰻']]),
////////////////////
['あなご', 'うなぎ', 'たれ', 'タレ'],
['あんこ', 'いちご', 'きな粉', 'きな粉パンケーキ', 'もち米', '黒蜜'],
['なす', 'みそ', 'ミソ'],
['ウォルナッツ', 'オートミール', 'カラメルソース', 'ステーキ', 'ナッツ', 'ナッツバター', 'バナナ', 'ブルーチーズ'],
['カルダモン', 'チャイ', 'ホットチョコレート', 'ミルクティー'],
['サフラン', 'パエリア', 'ピラフ', 'リゾット'],
['クランベリーソース', 'ターキー'],
['ホタテ', 'レモンバター'],
['バターガーリック', 'ホワイトワイン', 'ムール貝', '白ワイン'],
['きなこ', 'こしあん', 'さとう', 'ぜんざい', '赤豆'],
['うなぎのタレ', '鰻']]),
以下略パス分析
▼ChatGPT
すみません、コードにエラーがありました。Pythonの標準ライブラリであるitertoolsのislice関数を使用するつもりでしたが、それをインポートし忘れていました。
また、ノードの色を決定するget_colors関数と、ノードの位置を決定するposも定義されていませんでした。
これらの問題を修正して、再度ネットワークの描画を試みます。
Finished working
すみません、再度エラーが発生しました。今回のエラーは、コミュニティの数（3つ）が使用可能な色の数（5つ）より多いために発生しています。この問題を解決するためには、より多くの色を定義するか、あるいは色を動的に生成する必要があります。
ここでは、Matplotlibのcmモジュールを使用して、動的に色を生成します。このモジュールは、指定された数の色を等間隔で生成することが可能です。これを用いて、再度ネットワークの描画を試みます。
from matplotlib import cm
# Create a color map with as many colors as there are communities
color_map = cm.get_cmap('rainbow', len(communities_3))
# Assign a different color to each community
node_colors = []
for node in G.nodes():
for i, community in enumerate(communities_3):
if node in community:
node_colors.append(color_map(i))
break
# Draw the network with the nodes colored by community
fig, ax = plt.subplots(figsize=(10, 10))
pos = nx.spring_layout(G) # Position nodes using Fruchterman-Reingold force-directed algorithm
nx.draw_networkx(G, pos, node_color=node_colors, with_labels=False, ax=ax, node_size=100, font_size=10, edge_color="gray")
# Add labels manually
for node, (x, y) in pos.items():
ax.text(x, y, node, fontsize=8, ha='center', va='center',
fontfamily='Noto Sans JP',
bbox=dict(facecolor='white', edgecolor='black', boxstyle='round,pad=0.2', alpha=0.6))
plt.show()
▼ChatGPT
上記の図は、Girvan-Newman法によって3つのコミュニティに分割されたネットワークを示しています。異なるコミュニティのノードは異なる色で描画されています。
この結果は、各コミュニティ（色ごとのグループ）内の食材が互いによく組み合わされると考えられるため、食材の選択や組み合わせ方の参考になるかもしれません。
他に何かご質問がありますか？
▼ダ
いいですね！ ただ、項目同士が密集していて見づらいです。 改善できませんか？
▼ChatGPT
ご指摘の通り、現在の図ではノードが密集していて詳細が見づらいですね。これは、ネットワークに含まれるノードとエッジの数が多いために発生しています。
この問題を解決する一つの方法は、ネットワークの描画アルゴリズムを調整してノード間の距離を大きくすることです。別の方法は、一部のノードやエッジをフィルタリングしてネットワークを簡単化することです。例えば、一定数以上の接続を持つノードのみを表示するなどです。
まず、ネットワークの描画アルゴリズムを調整してみます。具体的には、ノード間の距離を制御するパラメータを大きくしてみます。
う～ん。まだ見ずらい。
▼ChatGPT
上記の図は、各ノード間の距離を大きくした結果を示しています。ノードが少し広がったため、詳細が見やすくなっているかと思います。
ただし、依然として多くのノードが存在するため、全体像を掴むのは難しいかもしれません。この問題をさらに解決するためには、一部のノードやエッジをフィルタリングするなどの手段が考えられます。
他に何かご質問がありますか、または他の操作を行いますか？
▼ダ
一定 ノードを減らして対応できますか？
▼ChatGPT
はい、ノードをフィルタリングしてネットワークを簡単化することが可能です。例えば、次数中心性（接続数）が一定数以上のノードのみを表示するといった方法が考えられます。
どの程度の次数中心性を閾値とするかは、適宜調整する必要があります。閾値を高く設定すれば、表示されるノードの数は減りますが、その分情報が失われる可能性もあります。
まず、次数中心性が5以上のノードのみを表示してみます。これにより、ネットワークが大幅に簡単化され、見やすくなることを期待します。
# Redraw the network with the nodes of the subgraph
fig, ax = plt.subplots(figsize=(15, 15))
pos_subgraph = nx.spring_layout(subgraph, k=0.15) # Increase the distance between the nodes
nx.draw_networkx(subgraph, pos_subgraph, node_color=node_colors_subgraph, with_labels=False, ax=ax, node_size=100, font_size=10, edge_color="gray")
# Add labels manually
for node, (x, y) in pos_subgraph.items():
ax.text(x, y, node, fontsize=8, ha='center', va='center',
fontfamily='Noto Sans JP',
bbox=dict(facecolor='white', edgecolor='black', boxstyle='round,pad=0.2', alpha=0.6))
plt.show()
ちょっとは見れるようになってきた。
というか、コード書かなくていいの楽～
④ 分析結果を元に創作料理を検討してもらう
▼ダ
ここまでで得られた情報を元に、新しい創作料理を生み出せませんか？
▼ChatGPT
もちろんです！このネットワーク分析から得られた情報は、新しい創作料理を生み出すのに役立つ可能性があります。
特に、次数中心性が高い食材は他の多くの食材と組み合わせられるということなので、これらを主成分として使用すると良いでしょう。
また、同じコミュニティに属する食材は相性が良い可能性が高いので、これらを組み合わせて使用するというのも一つの方法です。
たとえば、次数中心性が最も高かった「しょうゆ」を主成分として、同じコミュニティ内の他の食材と組み合わせて新しい料理を考えてみます。ただし、今回はコミュニティ検出の結果を簡単化した図に基づいて考えますので、正確な結果とは異なるかもしれません。
例えば、「しょうゆ」と同じコミュニティ内の「レモン」「バター」を組み合わせた料理を考えてみましょう。これらの食材から「レモンバターソースの醤油味」を作ることができます。これはパンに塗ったり、魚や肉のソースとして使ったりすることができます。
もちろん、これは一つの例であり、他の食材を組み合わせてさまざまな新しい料理を考えることが可能です。
これらのアイデアが新たな創作料理のインスピレーションになれば幸いです。他に何かご質問がありますか？
▼ダ
なるほど、いいですね！ ただ、意外性に欠けます。 得られた知見の中から新しい感覚を得たいのです。
▼ChatGPT
なるほど、新鮮な感覚や意外性を求めていらっしゃるのですね。それでは、同じコミュニティ内にある食材ではなく、異なるコミュニティに属する食材を組み合わせて、新たな創作料理を考えてみましょう。異なるコミュニティに属する食材を組み合わせることで、新たな味の発見や意外な組み合わせによる料理が期待できます。
ただし、これらの組み合わせはまだ試されていない可能性があるため、実際に料理を作る際は試行錯誤が必要かもしれません。
↓ 結果 こちらのようになりました。（分析あまり関係ない説）
「レモンとヨーグルトのマリネ」 「レモン」と「ヨーグルト」は次数中心性が高い食材で、両方とも同じコミュニティに属しています。この二つの食材を使って、新鮮な野菜や魚をマリネすることができます。レモンの酸味とヨーグルトのクリーミーさが絶妙に組み合わさり、素材の風味を引き立てます。
「ヨーグルトと醤油のディップソース」 「ヨーグルト」と「醤油」は異なるコミュニティに属していますが、それぞれ次数中心性が高い食材です。ヨーグルトのクリーミーさと醤油の塩味が融合することで、新たなディップソースが作れます。野菜スティックや揚げ物に合うかもしれません。
「レモンとマヨネーズのデザート」 「レモン」と「マヨネーズ」は一見奇妙な組み合わせかもしれませんが、新たなデザートを作る試みとして面白いかもしれません。例えば、レモンの酸味を活かしたケーキに、マヨネーズを混ぜ込むことで、濃厚な風味と柔らかな食感を追加することができます。
「エビとマンゴーのサラダ」 「エビ」と「マンゴー」は一見奇妙な組み合わせかもしれませんが、エビの旨味とマンゴーの甘さ・酸味が新たな味覚を生む可能性があります。スパイシーなドレッシングと合わせると、エキゾチックなサラダになります。
「ツナとブルーベリーのパスタ」 「ツナ」と「ブルーベリー」もまた一見奇妙な組み合わせかもしれません。しかし、ツナの塩味とブルーベリーの甘酸っぱさがマッチすれば、新たな味覚のパスタができるかもしれません。
「モッツァレラチーズとイチゴのカプレーゼ」 「モッツァレラチーズ」と「イチゴ」は、新鮮なチーズのミルキーさとイチゴの甘酸っぱさがマッチする可能性があります。伝統的なカプレーゼにイチゴを加えて、新たな感覚の一品に挑戦してみてはいかがでしょうか。
「アボカドとココアのスムージー」 「アボカド」と「ココア」の組み合わせは、アボカドのクリーミーさとココアの甘さが相まって、風味豊かなスムージーになります。ヘルシーな朝食やデザートとして楽しめます。
「サーモンとココナッツミルクのカレー」 「サーモン」はその旨味が特徴的で、それが「ココナッツミルク」のクリーミーさと相まって、深みのあるカレーが作れます。
「豆腐とブルーベリーのスムージー」 「豆腐」はその滑らかな食感が特徴的で、「ブルーベリー」はその甘酸っぱさが特徴的です。これらを組み合わせたスムージーは、豆腐のヘルシーさとブルーベリーの風味が楽しめる一品になります。
「牛肉とグレープフルーツのカルパッチョ」 「牛肉」の旨味と「グレープフルーツ」の甘酸っぱさが相まって、新感覚のカルパッチョが作れます。オリーブオイルと塩でシンプルに調味すると、素材の味が引き立ちます。
「豚肉とバナナのソテー」 「豚肉」のジューシーさと「バナナ」の甘さが相まって、新感覚のソテーが作れます。ソースには、バナナを潰して作ったピューレと醤油を混ぜ合わせると良いでしょう。
「豚肉とピーチの炒め物」 「豚肉」の旨味と「ピーチ」の甘さが相まって、新感覚の炒め物が作れます。ピーチの甘さが豚肉の脂っぽさを和らげ、バランスの良い一品になります。
「鶏肉とパパイヤのカレー」 「鶏肉」と「パパイヤ」を組み合わせたカレーは、鶏肉の旨味とパパイヤの甘さと独特の風味が絶妙にマッチした一品になります。パパイヤの種を加えることで、ピリッとした辛さも加わります。
⑤ 考え出した創作料理を画像生成
プロンプトを生成する
上記で考え出した創作料理を画像生成AIで再現したいと思います。
まずは最適なプロンプトから生成します。Pluginで下記を使ってみました。
「モッツァレラチーズとイチゴのカプレーゼ」：新鮮なモッツァレラチーズと甘酸っぱいイチゴが混ざり合ったカプレーゼが美しく盛り付けられている様子を描写してください。スタイルは高級レストランの料理写真のように、洗練されていて美味しそうな感じにしてください。ライティングは自然光を活用し、色彩はモッツァレラチーズの白とイチゴの赤を際立たせてください。コンポジションはNikon D850 DSLRカメラ、AF-S NIKKOR 50mm f/1.8Gレンズを使用し、解像度は45.7メガピクセル、ISO感度は100、シャッタースピードは1/125秒で撮影してください。 --ar 16:9 --v 5.1 --style raw --q 2 --s 750
↓英訳
'Mozzarella Cheese and Strawberry Caprese': Depict a caprese dish with the milky freshness of mozzarella cheese and the sweet and sour taste of strawberries. The style should be fresh and appetizing, with lighting that highlights the freshness of the ingredients. Use a Nikon D850 DSLR camera with an AF-S NIKKOR 50mm f/1.8G lens, a resolution of 45.7 megapixels, an ISO sensitivity of 100, and a shutter speed of 1/125 seconds. --ar 16:9 --v 5.1 --style raw --q 2 --s 750
画像生成
SteableDiffusionOnlineを利用して画像生成をしてみました。
→ https://stablediffusionweb.com/
創作料理紹介
「レモンとヨーグルトのマリネ」
これさ、どこを食べればよいの？（笑）
「レモンとマヨネーズのデザート」
見た目は良いけどね（笑）
マヨである必要はないんじゃないかな。チーズじゃダメ？
「エビとマンゴーのサラダ」
ん～、なくはないかも。
「ツナとブルーベリーのパスタ」
いやぁ～きつそう（笑）
かの"山"のメニューに有りそう。
「モッツァレラチーズとイチゴのカプレーゼ」
これはいいじゃないかと、ちょっとは思う。
「アボカドとココアのスムージー」
ちょっと勇気いる組み合わせだ、コレ。
「サーモンとココナッツミルクのカレー」
探せばありそう。
「豆腐とブルーベリーのスムージー」
ソイラテ風のクリーミーさとブルーベリーという解釈なら、なくはないかも。
「牛肉とグレープフルーツのカルパッチョ」
なんか、牛肉がグレープフルーツっぽく生成された（笑）
っていうか、牛肉ってさ、カルパッチョにしていいんですか？？
「豚肉とバナナのソテー」
「豚肉とピーチの炒め物」
Oh…いやぁ…
きつそう（笑）
桃はそのまま食いたいよ。
AIによるデモムービー作成も試してみる
Runwayという動画生成AIサービスとMusicGENという音楽生成AIサービスでこのようなデモムービーも作ってみました。
おわりに
いかがでしたでしょうか？
今回はあえて遠回しに、試行錯誤で色々経て創作料理を試してみました。
正直分析の意味は今回はあまりなかったような気がします（笑）
（データ自体もChatGPTで生成してますし、大元からあやふやですしね）
ただ、エンタメ気分でこんなアプローチしても面白いかなと。
ChatGPT 色々できてOMOSHIREEEEEEEE！というのは本当思いました。
みなさまも色々遊んでみましょう！