详细内容或原文请订阅后点击阅览

从冰箱到桌子：使用亚马逊重新认知和亚马逊基岩生成食谱和打击食物浪费

2025年3月11日 18:10 33 Comments
X Twitter Instagram Mail

在这篇文章中，我们介绍了如何使用Amazon Rekognition自定义标签来构建FoodSavr解决方案（用于本文目的的虚拟名称），以检测成分并使用Antharpic的Claude 3.0在Amazon Bedrock上生成个性化食谱。我们演示了一个端到端的体系结构，用户可以上传冰箱的图像，并使用那里找到的成分（Amazon Rekognition检测到），该解决方案将为他们提供食谱列表（由Amazon Bedrock生成）。该体系结构还识别缺失的成分，并为用户提供附近杂货店的列表。

来源:亚马逊云科技 _机器学习
在当今快节奏的世界中，时间是本质上的，甚至杂货店购物等基本任务也会感到匆忙和挑战。尽管我们最适合计划餐点和购物的意图，但我们通常会订购外卖。留下未使用的易腐烂物品在冰箱中破坏。这个看似小的浪费杂货问题，再加上杂货店抛弃的即将到来的杂货用品，对全球食品浪费问题产生了重大贡献。 This demonstrates how we can help solve this problem by harnessing the power of generative AI on AWS.By using computer vision capabilities through Amazon Rekognition and the content generation capabilities offered by foundation models (FMs) available through Amazon Bedrock, we developed a solution that will recommend recipes based on what you already have in your refrigerator and an inventory of about-to-expire items in local supermarkets, making sure that both food in your home and food in grocery stores are在这篇文章中，我们介绍了如何使用Amazon Rekognition自定义标签来检测成分并使用Anthropic的Claude 3.0在Amazon Bedrock上的Claude 3.0来生成个性化食谱。我们演示了一个端到端的体系结构，用户可以上传冰箱的图像，并使用那里找到的成分（Amazon Rekognition检测到），该解决方案将为他们提供食谱列表（由Amazon Bedrock生成）。该体系结构还识别缺失的成分，并为用户提供附近的杂货店列表。解决方案概述以下参考架构显示了如何使用Amazon Bedrock，Amazon Rekognition，Amazon Rekognition和其他AWS服务来实现FoodSavr解决方案。如上图所示，如下图所示，架构包括以下步骤：对于最终的dibloft ofer top the the Enders <您可以使用前端的图像，您可以使用前端的图像，您可以使用前端的图像。
最终的 端到端的 杂货店 架构 用户 Rekognition 体系结构 使用 购物 成分 前端的 capabilities 端到端 问题 图像 浪费 Bedrock AWS Amazon 解决方案 附近的 到来的 未使用的 使用的