2MB로 압축된 요리, 과연 모든 레시피를 담았을까?

커뮤니티에서는 모델이 7개 언어의 레시피를 사용했음에도 불구하고, 프랑스어와 이탈리아어 레시피가 누락된 점을 지적하며 데이터셋의 지역적 편향성(Regional Bias)을 비판한다. 또한, 모델이 실제 요리 과정의 복잡성을 충분히 반영하지 못한다는 의견도 제기된다. 특히, 요리 방법(Preparation Methods), 비율, 문화적 맥락 등 세부 정보의 부재는 모델의 실용성(Practicality)을 제한하는 요소로 작용한다.

일부 사용자는 모델이 식재료 간의 연관성을 파악하여 새로운 맛 조합을 제안하는 데 유용할 수 있다고 평가한다. 특히, 토마토와 소고기처럼 전 세계적으로 잘 어울리는 식재료 조합을 찾아내는 것은 흥미로운 부분이다. 이러한 식재료 임베딩(Ingredient Embedding) 기술은 향후 레시피 추천 시스템이나 새로운 요리 개발에 기여할 수 있을 것으로 기대된다.

연구에서는 skip-gram 기반의 임베딩 모델을 사용하고, 다양한 메타경로(Metapath)를 통해 식재료 간의 관계를 학습한다. 특히, Cooc, Chem, Core 세 가지 변형 모델을 통해 화학적 특성(Chemical Properties)과 레시피 컨텍스트(Recipe Context)를 융합하려는 시도가 돋보인다. 하지만, 모델의 성능에 대한 구체적인 수치나 비교 분석은 제시되지 않아, 실제 성능에 대한 객관적인 평가는 어렵다.

대다수의 댓글에서는 '모든 인간의 요리'를 2MB로 압축했다는 제목의 과장성을 지적한다. 특히, 모델이 다루는 언어와 식재료의 제한적인 범위, 그리고 요리 방법과 같은 중요한 정보의 부재는 제목의 신뢰성을 떨어뜨리는 요인으로 작용한다. 클릭 유도형 제목(Clickbait Title)은 연구의 가치를 훼손하고, 사용자들의 기대를 충족시키지 못한다는 비판을 받는다.