化合物设计并不是人工智能在药物研究中发展的唯一途径。Owkin 等公司正在努力寻找新的治疗目标，而其他雄心勃勃的初创公司则希望用虚拟测试取代可能需要长达十年的传统临床试验，这将为新药候选物铺平道路。
机器人的训练基于对人类厨师的视觉观察
具体来说，这涉及向机器人展示研究期间人类成员按照菜 WhatsApp 号码数据 谱烹饪的影片，机器人使用实时计算机视觉算法逐帧分析这些影片。为此，该团队利用了两个现有的神经网络，它们是为人工智能研究而开发和更新的：YOLO（于 2016 年发布），它专为检测和识别物体而设计，并在 COCO 真实日常场景数据库上进行训练。在该项目的背景下，该组件负责识别烹饪用具和配料以及它们的相对位置。还部署了第二种算法OpenPose（2018 年），以识别和分析厨师的姿势和动作，特别是他们右手腕的运动和位置。“每个身体部位和每个物体的坐标都被保存下来，并从多帧中提取出来形成一条路径”，文章解释道。厨师右手位置数据与物体识别的关联使系统能够正确识别所使用的工具，并在训练中考虑到这些信息。
节省视频培训时间
在分析每个新视频时，系统会将动作和物体与从之前的视频中收集的数据进行比较，这样就不必存储已经可以识别的过程的信息，从而节省训练时间。但是，如果向系统提供新数据，系统就会明白它正在处理一个新配方，并对其进行识别。
一旦识别食材的能力达到完美水平，这些机器人厨师就可以利用 YouTube 等网站学 西班牙比特币数据库 习各种各样的食谱。
为了节省时间，研究人员倾向于采用基于视频的方法，而不是利用真实 该网站还对平板电脑和移动设备反应灵敏 的学习场景。正如博士生兼项目合著者 Grzegorz Sochacki 所解释的那样，“我可以在一天内进行演示，然后逐步编写系统的其余部分。[…] 此外，您可以单独运行分析部分，这样就可以在家里或旅行时在任何笔记本电脑上完成。”
将新食谱与现有食谱的变体区分开来
在 94% 的演示中，该系统能够识别菜谱。更棒的是：当研究人员将已知菜谱中的配料数量乘以三或颠倒它们的制备顺序时，它不会感到困惑。即使在已知菜谱中添加新配料（一片橙子）也不会让机器人感到困惑，因为它仍然明白自己正在处理的是现有数据的细微变化。