Funktionale Anforderungen und objektorientierte Systemmodellierung für die Gestaltung KI-gesteuerter intelligenter Catering-Systeme

Zusammenfassung

In dieser Studie wird ein KI-basiertes Restaurant-Catering-System vorgestellt, das kontaktlose Kommunikation, individuelle Essensvorschläge und Zufriedenheitsvorhersagen ermöglicht. Durch die Verwendung von NLP mit LDA, Conv-RNN und Conv-LSTM übertrifft es regelbasierte Techniken mit mehr Genauigkeit, Präzision, Abruf und reduzierten Fehlerquoten, was das revolutionäre Potenzial der KI in der Gastronomie demonstriert.

Zusammenfassung

Die Lebensmittelindustrie hat in den letzten Jahrzehnten aufgrund der Globalisierung, des technologischen Fortschritts und der sich ändernden Kundenerwartungen einen bedeutenden Wandel durchgemacht. Künstliche Intelligenz (KI) und das Internet der Dinge (IoT) spielen heute eine entscheidende Rolle bei der Verbesserung der Lebensmittelproduktion, des Marketings und der Dienstleistungserbringung. Diese Studie schlägt ein KI-gesteuertes intelligentes System vor, um den Catering-Service in Restaurants durch kontaktlosen Service unter Verwendung von Natural Language Processing (NLP) und linearer Diskriminanzanalyse (LDA), personalisierte Essensempfehlungen durch ein Convolutional Recurrent Neural Network (Conv-RNN)-Modell und die Vorhersage der Kundenzufriedenheit mit einem optimierten Convolutional Long Short Term Memory (Conv-LSTM)-Modell zu verbessern. Experimente aus der Praxis zeigen, dass das vorgeschlagene System herkömmliche regelbasierte Methoden übertrifft und mit Word2Vec-LDA eine Genauigkeit von 91,5 %, eine Genauigkeit von 91 %, einen Abruf von 91,1 % und einen F1-Score von 89,7 % erreicht. 98,5 % Genauigkeit mit einem Verlust von 0,02 im Conv-RNN-Modell; und ein RMSE von 0,1011 mit einem R² von 0,9812 im Conv-LSTM-System. Diese Ergebnisse unterstreichen das transformative Potenzial von KI bei der Automatisierung und Verbesserung des Kundenservice in der Gastronomie.

Einleitung

Die Einführung von KI war in den letzten zehn Jahren ein entscheidender Bestandteil des Wachstums der digitalen Technologie. Es hat mehreren Branchen, einschließlich des Gastgewerbes, seit seiner Gründung sowohl Möglichkeiten als auch Herausforderungen geboten¹, und es wurden zahlreiche KI-gestützte Erfindungen entwickelt, die das Potenzial haben, die Lebensqualität der Menschen zu verbessern und damit die Wirtschaft anzukurbeln. In der hart umkämpften Restaurantbranche ist die Aufrechterhaltung eines erstklassigen Essens und Kundenservice für den Erfolg unerlässlich. Mit dem technologischen Fortschritt und dem....

Protokoll

Diese Studie wurde in Übereinstimmung mit den Richtlinien der Forschungsethikkommission der National University of Malaysia (UKM) durchgeführt und unter der Zulassungsnummer UKM FST/2025-AI/023 genehmigt. Vor der Erfassung von Chatbot-Anfragen wurde von allen Teilnehmern eine schriftliche Einverständniserklärung eingeholt. Alle Daten wurden anonymisiert, um die Vertraulichkeit und Privatsphäre der Teilnehmer zu gewährleisten

Überblick über die Studie

Der Überblick über das vorgeschlagene intelligente Catering-System, das mit KI-Technologien unterstützt wird, ist in Abbildung 1 dargeste....

Ergebnisse

In dieser Studie wurden mehrere Modelle gründlich getestet und validiert, um die Authentizität und Zuverlässigkeit des entwickelten ICS zu gewährleisten. Der effizienteste Aufbau für ICS wurde durch eine vergleichende Studie mehrerer Worteinbettungs- und Klassifikatorkombinationen ermittelt. Jedes Experiment wurde 10x durchgeführt und die Ergebnisse wurden als Durchschnittswerte mit Standardfehlern in Klammern dargestellt. Diese Methode lenkte die Aufmerksamkeit auf die Unvorhersehbarkeit.......

Diskussion

Die Gesamtleistung des vorgeschlagenen ICS-Modells mit KI-Technologien wird mit den k-Means mit SVR²⁴, dem Schnellrestaurant mit LSTM (QSR-LSTM⁾²⁵ und NLP-ANN³⁸ verglichen. Im Vergleich dazu sicherte das vorgeschlagene Modell eine kürzere Rechenzeit im Vergleich zu den betrachteten Ansätzen, wie in Abbildung 12 gezeigt. Mit zunehmender Anzahl von Iterationen nimmt die Rechenzeit für .......

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Programmiersprache	Python (verwendet für Modellentwicklung, NLP und Deep Learning)	https://www.python.org/	Python 3.8+
Datenbank	MySQL oder SQLite (zum Speichern von Benutzerinteraktionsprotokollen)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 oder SQLite3
Dataset	Nutzeranfragen, die vom lokalen Restaurant-Bestellchatbot gesammelt wurden		Manuell annotiert
Deep-Learning-Framework	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 → https://keras.io/	TensorFlow 2.11 oder Keras 2.11
Entwicklungsumgebung	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (kostenlos)
Bewertungsmetriken	scikit-learn-Metriken: Präzision, Rückruf, Kreuzentropie, R²	https://scikit-learn.org/	scikit-learn 1.0+
Toolkit für natürliche Sprache	spaCy / NLTK (für Vorverarbeitung der Absichtserkennung)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Modelle rekurrenter neuronaler Netzwerke	RNN, LSTM, Conv-LSTM	https://keras.io/	Implementierung in Keras
Systemhardware	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Lokales System
Thema-Modellierungswerkzeug	Gensim (verwendet für latente Dirichlet-Zuteilung)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Visualisierungswerkzeuge	Matplotlib, Seaborn (zum Darstellen von Leistungsdiagrammen)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Worteinbettung	Word2Vec / GloVe vortrainierte Embeddings	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP