对拉面爱好者来说，即使是同口味的拉面，在不同店家手里就会有截然不同的味道，但如果是同店家不同分店的差异，在光看照片的情况下，真的能分辨得出来吗？
如果你也是喜爱日本拉面的人，那应该也曾听过“拉面二郎”的名声，这间拉面店在东京近郊有 41 家分店，因为价格便宜、给料大方，在日本受到许多群众喜爱。由于每家店面都提供相同的基本菜单，即使你是忠实粉丝，也很难光凭卖相就分辨出哪碗是哪家店制作的。
虽然人们或许无法做到，但数据科学家土井贤治相信，深度学习可从一些微小细节辨识出每碗拉面的不同。
事实上，他在去年便已经自己建立了一个机器学习模型，试着辨识拉面二郎各分店的拉面，并在 33,000 张照片、一个月持续调整下，达到 87% 的精确度，但他还想了解 AutoML Vision 能否更有效地做到这点。
AutoML Vision 是 Google 专门为没有机器学习专业知识的人所设计，可以协助使用者自动创建自定义的机器学习模型，使用上也非常简单，你只需要上传标记好的图片库，待模型自动训练后就可以进行。
AutoML Vision 不只能帮助无经验者，同时也能为专家加快整体训练的速度。土井的案例中，他从拉面二郎的各家店面收集了 48,000 张拉面照片，标记好后上传系统，花费了大约 24 小时自动训练后便成功建立模型。
而模型得出的结果也非常令人印象深刻：从照片中预测店面的准确率达到了 94.5%。
▲ 拉面二郎的混淆矩阵：直行＝预测商店，横列＝实际商店。
但 AutoML 究竟如何分辨出每碗拉面的差异？最初 Kenji 认为，模型可能是由照片中配件的差异去判断──像是碗、桌子的颜色或形状，但这已证实不太可能，因为即使每个店面都使用相同的碗和桌子设计，该模型的准确率仍非常高。
现在 Kenji 的新理论是，或许模型够细致到可从“肉片切割方式”或“配料提供细节”分辨出微妙差异，他计划继续对 AutoML 进行试验，看看他的理论是否属实。
就像 AlphaGo 跳脱人类逻辑的下棋风格，我们虽然仍无从得知 AutoML 判断拉面来源的细节，但至少可以确定的是：机器绝对不是以口味来分辨的。只能安慰自己，或许这也算人类有优势之处。
- AutoML Vision in action: from ramen to branded goods
- 趣味で机械学习を駆使して“ラーメン二郎bot”を作ったら、役员に褒められ人脉も広がり、仕事のモチベーションがグッと上がった话
（图片来源：Google Blog）
