Research Article

المتطلبات الوظيفية ونمذجة النظام الموجهة للكائنات لتصميم أنظمة التموين الذكية التي تعتمد على الذكاء الاصطناعي

DOI:

10.3791/69360

⸱

October 31st, 2025

 ,  , 
1Faculty of Information Science and Technology, The National University of Malaysia, 2College of Mathematics Science, Inner Mongolia Minzu University, 3Faculty of Information Science and Technology, The National University of Malaysia

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الدراسة نظام تقديم الطعام في المطاعم قائم على الذكاء الاصطناعي والذي يسمح بالاتصال بدون تلامس واقتراحات وجبات مخصصة والتنبؤ بالرضا. من خلال استخدام البرمجة اللغوية العصبية مع LDA و Conv-RNN و Conv-LSTM ، فإنها تتفوق على التقنيات القائمة على القواعد بمزيد من الدقة والدقة والاستدعاء وتقليل معدلات الخطأ ، مما يدل على إمكانات الذكاء الاصطناعي الثورية في صناعة الخدمات الغذائية.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

شهدت صناعة الأغذية تحولا كبيرا في العقود الأخيرة بسبب العولمة والتقدم التكنولوجي وتوقعات العملاء المتطورة. يلعب الذكاء الاصطناعي (الذكاء الاصطناعي) وإنترنت الأشياء (IoT) الآن دورا مهما في تعزيز إنتاج الغذاء وتسويقه وتقديم الخدمات. تقترح هذه الدراسة نظاما ذكيا مدفوعا بالذكاء الذكاء الاصطناعي لتحسين خدمات تقديم الطعام في المطاعم من خلال الخدمة اللاتلامسية باستخدام معالجة اللغة الطبيعية (NLP) وتحليل التمييز الخطي (LDA) ، وتوصيات الطعام الشخصية من خلال نموذج الشبكة العصبية المتكررة التلافيفية (Conv-RNN) ، والتنبؤ برضا العملاء باستخدام نموذج الذاكرة التلافيفية طويلة المدى القصيرة (Conv-LSTM). تظهر تجارب العالم الحقيقي أن النظام المقترح يتفوق على الأساليب التقليدية القائمة على القواعد ، حيث يحقق دقة 91.5٪ ، ودقة 91٪ ، واستدعاء 91.1٪ ، ودرجة F1 بنسبة 89.7٪ مع Word2Vec-LDA. دقة 98.5٪ مع خسارة 0.02 في نموذج Conv-RNN ؛ و RMSE من 0.1011 مع R2 من 0.9812 في نظام Conv-LSTM. تسلط هذه النتائج الضوء على الإمكانات التحويلية الذكاء الاصطناعي في أتمتة وتعزيز خدمة العملاء في صناعة المطاعم.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

كان اعتماد الذكاء الاصطناعي جزءا مهما من نمو التكنولوجيا الرقمية على مدار العقد الماضي. لقد أعطت العديد من الصناعات ، بما في ذلك قطاع الضيافة ، إمكانيات وتحديات منذ بدايتها1 ، وتم تطوير العديد من الاختراعات التي تعمل بالذكاء الذكاء الاصطناعي والتي لديها القدرة على تحسين نوعية حياة الناس وبالتالي تعزيز الاقتصاد. في صناعة المطاعم التنافسية للغاية ، يعد الحفاظ على طعام من الدرجة الأولى وخدمة العملاء أمرا ضروريا للنجاح. مع تقدم التكنولوجيا وتغير تجارب تناول الطعام ، أصبح الذكاء الاصطناعي أداة لتغيير قواعد اللعبة لزيادة الفعالية التشغيلية ورضا العملاء. تعمل أنظمة المراقبة التي تعمل بالذكاء الذكاء الاصطناعي على تحويل....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أجريت هذه الدراسة وفقا لإرشادات لجنة أخلاقيات البحث في جامعة ماليزيا الوطنية (UKM) وتمت الموافقة عليها بموجب رقم الموافقة UKM FST / 2025-الذكاء الاصطناعي / 023. تم الحصول على موافقة خطية مستنيرة من جميع المشاركين قبل جمع استفسارات chatbot. تم إخفاء هوية جميع البيانات لضمان سرية المشاركين وخصوصيتهم

نظرة عامة على الدراسة

يتم عرض نظرة عامة على نظام تقديم الطعام الذكي المقترح بمساعدة تقنيات الذكاء الاصطناعي في الشكل 1. كما هو موضح ، تتم معالجة مدخلات العميل مسبقا باستخدام تقنيات البرمجة اللغوية العصبية مثل تضمين الكلمات ، والليماتيا ، والترميز لاستخراج العلامات. بعد ذلك ، تم تطبيق نموذج ML....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

اختبرت هذه الدراسة بدقة العديد من النماذج وتحقق من صحتها لضمان أصالة وموثوقية ICS المطور. تم تحديد الإعداد الأكثر كفاءة ل ICS من خلال إجراء دراسة مقارنة للعديد من مجموعات تضمين الكلمات والمصنف. أجريت كل تجربة 10x وتم تقديم النتائج كقيم متوسطة مع أخطاء قياسية محاطة بين قوسين. لفتت هذه الطريقة الانتباه إلى عدم القدرة على التنبؤ بالنموذج واتساقه في الأداء. يعد الانحراف المعياري عاملا حاسما يجب مراعاته عند تقييم النموذج. قد تشير القيم الأكبر إلى أن أداء النماذج يختلف اختلافا كبيرا عبر مجموعات.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تتم مقارنة الأداء العام لنموذج ICS المقترح باستخدام تقنيات الذكاء الاصطناعي مع k-means مع SVR24 ، ومطعم الخدمة السريعة مع LSTM (QSR-LSTM) 25 ، و NLP-ANN38. نسبيا ، ضمن النموذج المقترح وقت حساب أقل مقارنة بالأساليب المدروسة ، كما هو موضح في الشكل 12. مع زيادة عدد التكرارات ، يزداد وقت الحساب لجميع النماذج تدريجيا. وقد ضمن نظام تقديم الطعام الذكي المقترح باستخدام الذكاء الاصطناعي أداء .......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين تضارب في المصالح.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعرب المؤلفون بامتنان عن تقديرهم للدعم البحثي الذي تقدمه كلية علوم وتكنولوجيا المعلومات ، جامعة ماليزيا الوطنية. أصبح هذا العمل ممكنا من خلال تمويل البحوث الداخلية للجامعة والبنية التحتية للدعم الأكاديمي. كما يعرب المؤلفون عن تقديرهم للزملاء والموظفين الفنيين على مساهماتهم القيمة خلال مرحلة تصميم النظام والنمذجة.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
لغة البرمجةبايثون (تستخدم لتطوير النماذج، معالجة اللغة الطبيعية، والتعلم العميق)https://www.python.org/بايثون 3.8+
قاعدة بياناتMySQL أو SQLite (لتخزين سجلات تفاعل المستخدمين)https://www.mysql.com/؛ https://www.sqlite.org/MySQL 8.0 أو SQLite3
مجموعة البياناتاستفسارات المستخدمين التي جمعت من روبوت الدردشة لطلب المطاعم المحليةمشروحة يدويا
إطار التعلم العميقتينسورفلو / كيراسhttps://www.tensorflow.org/؛ كيراس 2.11 → https://keras.io/TensorFlow 2.11 أو Keras 2.11
بيئة التنميةدفتر جوبيتر / جوجل كولابhttps://jupyter.org/؛ https://colab.research.google.com/JupyterLab 3+ / Colab (مجاني)
مقاييس التقييممقاييس SCIKIT-LEARN: الدقة، الاسترجاع، التقاطع، R²؛https://scikit-learn.org/SCIKIT-Learn 1.0+
مجموعة أدوات اللغة الطبيعيةspaCy / NLTK (للمعالجة المسبقة لاكتشاف النية)https://spacy.io/؛ https://www.nltk.org/spaCy 3.0 / NLTK 3.6
نماذج الشبكات العصبية المتكررةRNN، LSTM، Conv-LSTMhttps://keras.io/تم تنفيذها في كيراس
أجهزة النظاممعالج Intel Core i7، ذاكرة 16GB رام، بطاقة رسومات NVIDIA GTX 1660 Tiالنظام المحلي
أداة نمذجة المواضيعGensim (يستخدم لتخصيص Dirichlet الكامن)https://radimrehurek.com/gensim/جينسيم 4.1.2
أدوات التصورMatplotlib، Seaborn (لرسم رسوم بيانية للأداء)https://seaborn.pydata.org/؛ https://matplotlib.org/ماتبلوتليب 3.5+، سيبورن 0.11
تضمين الكلماتالتضمينات المدربة مسبقا على Word2Vec / GloVehttps://nlp.stanford.edu/projects/glove/غلوف (100D)، ستانفورد NLP

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Limna, P., Siripipatthanakul, S., Phayaphrom, B. The role of big data analytics in influencing artificial intelligence (AI) adoption for coffee shops in Krabi, Thailand. Int J Behav Anal. 1, 1-17 (2021).
  2. Sharma, A., Mittal, K., Kumar, S., Sharma, U., Upadhyay, P.

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

AI Catering SystemsIntelligent Restaurant ServiceObject Oriented ModelingFunctional RequirementsNatural Language ProcessingLinear Discriminant AnalysisFood Recommendation SystemConvolutional RNNCustomer Satisfaction PredictionConv LSTM Model

Related Articles