AI研究人員的一個目標是想辦法讓機器學習模型更容易解釋，這樣就可以理解它們為什麼可以做出預測。Google AI的研究人員已經展示瞭如何建立一個能夠分析烘焙食譜的可解釋的機器學習模型。該機器學習模型可以開發自己的新食譜，而且建立該模型不需要任何數據科學專業知識。

Sara Robinson在谷歌云端從事人工智能工作。在大流行期間，她喜歡烘焙，並將她的AI技能轉向了這個愛好。她首先收集了一組食譜的數據，並建立了一個TensorFlow模型，以吸收配料清單，並得出”97%的麵包，2%的蛋糕，1%的餅乾”這樣的預測。

該模型能夠準確地按類型對食譜進行分類，她提出了一個新的食譜，確定這個食譜50%是餅乾，50%是蛋糕。它被稱為cakie。羅賓遜說，人工智能的配方很美味，味道就像她想像的那樣，如果她告訴人工智能做一個蛋糕餅乾混合體，會發生有趣的事情。

羅賓遜與另一位研究人員合作，用更大的數據集、新的工具和可解釋的模型建立了烘焙2.0模型，讓人們深入了解蛋糕、餅乾和麵包的製作過程。該模型提出了一種名為”breakie”的新配方，這是一種麵包餅乾的混合體。研究人員使用的數據集包括16種核心成分和600種材料的配料單。

作為預處理的最後一部分，研究人員使用了一種數據增強技巧。數據增強是一種從已經擁有的數據中創建新的訓練例子的方法，例如，該人工智能被設計成對食譜的食用量不敏感，因此研究人員會隨機將配料量增加一倍和三倍。

機器學習模型可以預測食譜類型，並提供了一個對話，讓研究人員給模型命名，他們希望模型訓練多長時間，並指出在訓練中使用什麼輸入特徵。結果是一個模型能夠正確地預測它所得到的食譜的類別，並為最有助於其預測的成分指定重要性的分數。