Requisitos funcionales y modelado de sistemas orientados a objetos para diseñar sistemas de catering inteligentes impulsados por IA

Summary

Este estudio presenta un sistema de catering de restaurantes basado en IA que permite la comunicación sin contacto, sugerencias de comidas personalizadas y predicción de satisfacción. Al utilizar NLP con LDA, Conv-RNN y Conv-LSTM, supera las técnicas basadas en reglas con más exactitud, precisión, recuperación y tasas de error reducidas, lo que demuestra el potencial revolucionario de la IA en la industria de servicios de alimentos.

Abstract

La industria alimentaria ha experimentado una transformación significativa en las últimas décadas debido a la globalización, los avances tecnológicos y la evolución de las expectativas de los clientes. La inteligencia artificial (IA) y el Internet de las cosas (IoT) ahora están desempeñando un papel fundamental en la mejora de la producción, comercialización y prestación de servicios de alimentos. Este estudio propone un sistema inteligente impulsado por IA para mejorar los servicios de catering de restaurantes a través del servicio sin contacto utilizando el procesamiento del lenguaje natural (NLP) y el análisis discriminante lineal (LDA), recomendaciones de alimentos personalizadas a través de un modelo de red neuronal recurrente convolucional (Conv-RNN) y predicción de la satisfacción del cliente utilizando un modelo optimizado de memoria convolucional a corto plazo (Conv-LSTM). Los experimentos del mundo real demuestran que el sistema propuesto supera a los métodos tradicionales basados en reglas, logrando una precisión del 91,5%, una precisión del 91%, un recuerdo del 91,1% y una puntuación F1 del 89,7% con Word2Vec-LDA; 98,5% de precisión con una pérdida de 0,02 en el modelo Conv-RNN; y un RMSE de 0.1011 con un R² de 0.9812 en el sistema Conv-LSTM. Estos resultados destacan el potencial transformador de la IA para automatizar y mejorar el servicio al cliente en la industria de los restaurantes.

Introduction

La adopción de la IA ha sido una parte crucial del crecimiento de la tecnología digital durante la última década. Ha brindado a varias industrias, incluido el sector hotelero, posibilidades y desafíos desde sus inicios¹, y se han desarrollado numerosos inventos impulsados por IA que tienen el potencial de mejorar la calidad de vida de las personas y, por lo tanto, mejorar la economía. En la muy competitiva industria de los restaurantes, mantener una comida y un servicio al cliente de primer nivel es esencial para el éxito. A medida que avanza la tecnología y cambian las experiencias gastronómicas, la IA se está....

Protocol

Este estudio se realizó de acuerdo con las directrices del Comité de Ética de la Investigación de la Universidad Nacional de Malasia (UKM) y se aprobó con el número de aprobación UKM FST/2025-AI/023. Se obtuvo el consentimiento informado por escrito de todos los participantes antes de la recopilación de consultas de chatbot. Todos los datos fueron anonimizados para garantizar la confidencialidad y privacidad de los participantes

Resumen del estudio

En la Figura 1 se muestra la descripción general del sistema de restauración inteligente propuesto asistido por tecnologías de IA. Como se ....

Results

Este estudio probó y validó exhaustivamente varios modelos para garantizar la autenticidad y confiabilidad del ICS desarrollado. La configuración más eficiente para ICS se determinó realizando un estudio comparativo de varias combinaciones de incrustación y clasificador de palabras. Cada experimento se realizó 10 veces y los resultados se presentaron como valores promedio con errores estándar entre paréntesis. Este método llamó la atención sobre la imprevisibilidad del modelo y la consist.......

Discussion

El rendimiento general del modelo ICS sugerido que utiliza tecnologías de IA se compara con las k-medias con SVR²⁴, restaurante de servicio rápido con LSTM (QSR-LSTM)²⁵ y NLP-ANN³⁸. Comparativamente, el modelo propuesto aseguró un tiempo de cálculo reducido en comparación con los enfoques considerados, como se muestra en la Figura 12. A medida que aumenta el número de iteraciones, el.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Lenguaje de programación	Python (usado para desarrollo de modelos, PLN y aprendizaje profundo)	https://www.python.org/	Python 3.8+
Base de datos	MySQL o SQLite (para almacenar registros de interacción con el usuario)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 o SQLite3
Conjunto de datos	Consultas de usuarios recogidas de chatbots locales de pedidos de restaurantes		Anotado manualmente
Marco de Aprendizaje Profundo	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 & rarr; https://keras.io/	TensorFlow 2.11 o Keras 2.11
Entorno de Desarrollo	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (gratis)
Métricas de evaluación	Métricas scikit-learn: precisión, recuerdo, entropía cruzada, R²	https://scikit-learn.org/	scikit-learn 1.0+
Kit de herramientas de lenguaje natural	spaCy / NLTK (para preprocesamiento de detección de intención)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Modelos recurrentes de redes neuronales	RNN, LSTM, Conv-LSTM	https://keras.io/	Implementado en Keras
Hardware del sistema	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Sistema local
Herramienta de modelado temático	Gensim (usado para la asignación latente de Dirichlet)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Herramientas de visualización	Matplotlib, Seaborn (para trazar gráficos de rendimiento)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Incrustación de palabras	Embeddings preentrenados de Word2Vec / GloVe	https://nlp.stanford.edu/projects/glove/	GloVe (100D), PNL de Stanford