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 convirtiendo en una herramienta revolucionaria para aumentar la eficacia operativa y la satisfacción del cliente. Los sistemas de monitoreo impulsados por IA están transformando las operaciones de los restaurantes² para administrar mejor sus cocinas, vigilar la calidad de los alimentos y brindar un servicio al cliente de primer nivel. Mediante el uso de algoritmos avanzados y análisis de datos en tiempo real, estas tecnologías agilizan las operaciones y garantizan la consistencia, la seguridad y la excelencia en todos los aspectos de la experiencia gastronómica. Ahora es posible que los restaurantes logren un mayor grado de precisión para los procedimientos operativos normales².

El éxito financiero general, la adaptabilidad a las circunstancias cambiantes y la capacidad de expandir y cambiar sus ofertas para satisfacer las necesidades y expectativas de los clientes son factores en la industria turística y hotelera, y estos factores con frecuencia determinan si una empresa sobrevive³. Por lo tanto, el sector del turismo y la hostelería está utilizando tecnologías avanzadas como la IA y la robótica (AIR) para mejorar el servicio y la experiencia del cliente. Estos avances tecnológicos se están utilizando como herramientas inteligentes para la atención al cliente con el fin de mejorar la experiencia del cliente⁴. Además, el rendimiento corporativo puede mejorarse con el rápido avance de la IA en la gestión hotelera. Un ejemplo de una industria intensiva en datos que recopila grandes cantidades de datos en varios formatos es el sector hotelero.

Las ineficiencias en la gestión operativa, las crecientes expectativas de los consumidores por servicios individualizados, la creciente escasez de mano de obra y la necesidad de pronósticos precisos de la demanda son algunos de los problemas continuos que enfrenta la industria hotelera. Los enfoques convencionales con frecuencia no manejan adecuadamente estos problemas, lo que aumenta los gastos operativos y da como resultado una calidad de servicio desigual. Al automatizar procesos tediosos, facilitar la toma de decisiones basada en datos, impulsar la predicción de la demanda, optimizar la gestión de precios e inventario y mejorar la personalización del consumidor, la inteligencia artificial (IA) proporciona soluciones. La IA se está posicionando cada vez más como un instrumento revolucionario para mejorar la eficacia operativa del sector hotelero y la experiencia de los huéspedes al llenar estos vacíos.

Al restaurar la eficacia operativa y reconocer los eventos de los clientes, la IA está transformando la historia de la atención al cliente en la industria de los restaurantes². Las habilidades de IA como el aprendizaje automático y el análisis extrapolativo son cruciales para optimizar procedimientos como la creación de demanda y la gestión de inventario. Una mejor consistencia del servicio y menores costos operativos son el resultado de estos avances ^5,6. Además, al evaluar los datos de los consumidores para ofrecer sugerencias y elevaciones de menú personalizadas, la IA facilita las interacciones personalizadas y promueve la lealtad y la felicidad del cliente⁷. Los sistemas inteligentes desempeñan un papel clave en el sector de los viajes y el turismo, aumentando la competencia al concentrarse en la sofisticación⁸. Los hoteles están experimentando con tecnología de vanguardia, incluidas estrategias digitales⁹ y robots mejorados con IA e Internet de las cosas (IoT). Los robots impulsados por IA y tecnologías relacionadas son cada vez más comunes¹⁰. A través de interfaces digitales, los asistentes de voz (VA), que son dispositivos de inteligencia artificial (IA) activados por comandos de voz, proporcionan un grado de inteligencia similar al humano¹¹. Los AV tienen dificultades a pesar de sus avances, como la baja conciencia del usuario, la molestia y la oposición ocasional tanto de los empleados del hotel como de los visitantes¹².

Las operaciones de entrega y comida para llevar están creciendo en la industria de los restaurantes a medida que cambia la dinámica de la sociedad y más estadounidenses eligen opciones convenientes y que ahorran tiempo¹³. Casi el 60% de los consumidores en los EE. UU. Hacen un pedido de entrega o comida para llevar al menos una vez a la semana, y el 78% de los consumidores utilizan activamente plataformas de pedidos de alimentos en línea¹⁴. Esta tendencia se ve reforzada por los datos de que el mercado de entrega de alimentos en línea alcanzó los confusos $ 220 mil millones a fines de 2023, lo que representa el 40% de las ventas de restaurantes, y que el mercado alcanzará los $ 365 mil millones para fines de 2030¹⁵. Se prevé que aumente a más de USD 534,60 mil millones para 2028. Con una tasa de crecimiento anual compuesta prevista de aproximadamente el 9,5% hasta 2034, el mercado global se valoró en aproximadamente USD 288,87 mil millones en 2024 y se prevé que alcance los USD 316,31 mil millones para fines de 2025¹⁵. Además, el número de pedidos directos en línea ha aumentado en un asombroso 54% entre 2019 y 2021, lo que indica que los clientes eligen cada vez más los pedidos digitales en lugar de las opciones tradicionales para cenar. La creciente importancia de la minería de textos y la toma de decisiones basada en datos en la gestión de servicios, iluminando nuevos dominios de gestión y temas importantes como la inteligencia de mercado y el análisis de redes sociales¹⁶. Esta investigación proporciona un argumento convincente para que los restaurantes utilicen chatbots para desarrollar la efectividad operativa y la participación del cliente. Además, la investigación de Proenca y Soukiazis¹⁷ destaca la posibilidad de enfoques basados en datos en iniciativas de marketing y gestión de relaciones con los clientes, ofreciendo información detallada sobre cómo usar chatbots para maximizar las interacciones con los clientes y estimular la expansión de la empresa.

Con el fin de aumentar la eficiencia y elegir un servicio individualizado y centrado en el cliente, la industria de la restauración está implementando la Robótica, la Inteligencia Artificial y la Automatización de Servicios (RAISA)¹⁸. El uso de RAISA en restaurantes tiene una serie de implicaciones que deben ser evaluadas, al igual que cualquier otro cambio tecnológico¹⁹. Al reducir los errores y mejorar la calidad general del servicio, RAISA puede proporcionar un servicio confiable y estandarizado²⁰. Además, puede proporcionar a los clientes una experiencia interactiva distintiva. Según Kreishan¹⁸, los robots de servicio ahora son más sofisticados, independientes y adaptables. Pero también pueden tener un impacto en el ambiente general de un restaurante, así como en las interacciones sociales entre clientes, empleados y robots. Es fundamental evaluar los aspectos que afectan la aceptabilidad de la tecnología porque los gerentes, empleados y consumidores tienen diferentes percepciones de estos elementos, y su disposición para interactuar con RAISA está cambiando²¹.

Las importantes capacidades lingüísticas de los modelos Omni se han destacado por su precisión mejorada en la clasificación de sentimientos en el análisis de reseñas de hoteles, que alcanzó más del 67% en comparación con el 60,6% de BERT²². Al mismo tiempo, los sistemas de recomendación están utilizando progresivamente Large Language Models (LLM) para mejorar la personalización mediante la gestión de perfiles y el análisis de las opiniones de los usuarios. Mientras que los sistemas híbridos integran las salidas de LLM con incrustaciones de redes neuronales gráficas para mejorar la precisión de las recomendaciones en circunstancias de datos dispersos, el marco PURE utiliza LLM para actualizar dinámicamente los perfiles de los usuarios en función de las revisiones²³. Mientras tanto, en situaciones basadas en sesiones, las arquitecturas de recomendación de estilo transformador, como Transformers4Rec, están superando a los modelos RNN convencionales²⁴.

Todavía hay una serie de facetas inexploradas o poco exploradas de la restauración inteligente, a pesar de los rápidos desarrollos en IA, automatización y tecnología inteligente. Estos desafíos incluyen la gestión de la eficiencia energética y el desperdicio de alimentos a través de sistemas impulsados por IA, la personalización de la ampliación para una variedad de preferencias de los clientes, la integración de la IA con los flujos de trabajo de cocina tradicionales, la protección de la privacidad y la seguridad del cliente en la elaboración de perfiles de clientes y la implementación de soluciones de catering inteligentes para restaurantes pequeños y medianos con fondos limitados. Para que las soluciones de catering inteligentes se adopten de manera amplia y sostenible, se deben llenar estos vacíos. Esto crea una oportunidad para más estudio e invención. Los posibles agujeros de investigación en los sistemas de catering inteligentes incluyen los siguientes:

Aunque los sistemas de IA son capaces de hacer recomendaciones de comidas basadas en las elecciones del usuario, con frecuencia tienen dificultades para comprender completamente las sutilezas de los requisitos dietéticos y las preferencias personales²⁵. La mayoría de las soluciones siguen siendo algo básicas y propensas a errores como predecir desajustes; sin embargo, algunos sistemas de catering inteligentes emplean IA para administrar el inventario o estimar la demanda. Muchos sistemas de catering inteligentes solo tienen una forma de interfaz, como pantallas táctiles o reconocimiento de voz²⁶. Muchos sistemas todavía tienen una capacidad limitada para comprender o pronosticar completamente las preferencias individuales, incluso si los agentes de IA pueden proporcionar un cierto nivel de personalización basado en el historial o las preferencias del consumidor. Los bots de IA utilizan con frecuencia entradas básicas como datos demográficos u órdenes anteriores.

Los avances recientes en el aprendizaje automático se han centrado cada vez más en modelar el comportamiento humano y los datos contextuales en diversos dominios. En su evaluación de fuentes de datos y metodologías para perfiles de ocupación de edificios urbanos, Nejadshamsi et ^al.27 enfatizaron el valor de los datos heterogéneos en la captura de patrones de comportamiento dinámicos. Sobre la base de esto, Nejadshamsi et ^al.28 mostraron qué tan bien el aprendizaje profundo predice los flujos espacio-temporales de la actividad humana al presentar un modelo de predicción de flujo de viaje sensible al contexto geográfico-semántico utilizando redes neuronales gráficas. Del mismo modo, Nejadshamsi et ^al.29 destacaron la importancia de las señales contextuales para mejorar el rendimiento predictivo mediante la creación de un marco informado por el transporte para la ocupación a escala urbana y la estimación de la energía.

Mejorar la experiencia del cliente y aumentar la eficiencia operativa se han convertido en elementos cruciales del éxito en la industria de los restaurantes que cambia rápidamente. Muchos restaurantes todavía luchan por brindar servicios fluidos, individualizados y efectivos a pesar del creciente uso de la tecnología porque carecen de sistemas inteligentes integrados. Los^{sistemas actuales} suelen pasar por alto cuestiones clave, como la mejora del servicio sin contacto, la provisión de recomendaciones de comidas individualizadas y la previsión precisa de la felicidad del cliente en tiempo real. Al crear un sistema de catering inteligente que utiliza tecnologías de vanguardia para mejorar las operaciones de los restaurantes, este proyecto tiene como objetivo cerrar esta brecha. Tres elementos esenciales están integrados en el sistema:

Servicio sin contacto mediante asignación de Dirichlet latente (LDA) y procesamiento de lenguaje natural (NLP): Al aprovechar LDA y NLP, se hacen posibles interacciones efectivas con los clientes sin contacto, reduciendo los tiempos de espera y los errores humanos.

Sistemas de recomendación basados en Conv-RNN para sugerencias alimentarias: Esto mejora la satisfacción del menú mediante el uso de una red neuronal recurrente convolucional (Conv-RNN) para producir recomendaciones de alimentos dinámicas y personalizadas basadas en las preferencias del consumidor.

Predicción de la satisfacción del cliente con un modelo Conv-LSTM optimizado: Los restaurantes pueden realizar mejoras basadas en datos mediante el uso de un modelo mejorado de memoria convolucional a largo plazo (Conv-LSTM) para pronosticar la felicidad del cliente en función de los datos y comentarios en tiempo real. Además de ofrecer participación sin contacto y experiencias gastronómicas personalizadas de una manera más escalable y efectiva, el sistema inteligente sugerido busca mejorar la satisfacción del cliente, optimizar las operaciones y mejorar la prestación de servicios.

Contrastamos este trabajo con una serie de métodos anteriores para situarlo en el contexto actual de los sistemas de recomendación de alimentos impulsados por la IA. Por ejemplo, Zou et ^al.30 desarrollaron un marco de recomendación conversacional secuencial basado en transformadores que utiliza procesos de autoatención para capturar la dinámica de discusión30. Para facilitar el diálogo y las tareas de recomendación basadas en imágenes, Gambetti y Han³¹ desarrollaron AiGen-FoodReview, un conjunto de datos multimodal que consta de textos y fotos de reseñas de restaurantes coincidentes. Anteriormente, MenuAI fue creado por Ju et ^al.32 y utiliza modelos de transformadores para hacer recomendaciones de elementos de menú directamente a partir de gráficos de menú textuales. La interpretabilidad y la eficiencia computacional se ven ocasionalmente comprometidas por estos enfoques, a pesar de sus excelentes habilidades en el procesamiento de contexto o información multimodal. Nuestro sistema integrado NLP-LDA + Conv-RNN + Conv-LSTM, por otro lado, logra un equilibrio entre explicabilidad, implementación liviana y alta precisión de predicción, lo que lo hace particularmente apropiado para situaciones de catering con recursos limitados.

Examinar cómo la tecnología impulsada por IA puede mejorar los estándares de hospitalidad y acelerar las operaciones de los restaurantes a través de los Servicios de Catering Inteligente (ICS) es el objetivo principal de este estudio. La asignación latente de Dirichlet (LDA) y el NLP se combinan en el método sugerido para manejar de manera eficiente las consultas de los clientes sin contacto. Se utiliza un Conv-RNN para producir recomendaciones de comidas con el fin de proporcionar experiencias individualizadas, y se utiliza un modelo Conv-LSTM optimizado para pronosticar los niveles de satisfacción del consumidor. Al integrar estos elementos, el ICS creado muestra un uso práctico para aumentar la satisfacción general del cliente, garantizar la calidad y aumentar la eficiencia del servicio. Utilizando medidas de rendimiento en la precisión de la recomendación de alimentos y la predicción de satisfacción, los resultados experimentales verifican la eficacia del modelo.

El sistema de restauración inteligente propuesto proporciona un servicio sin contacto para proporcionar sugerencias de alimentos y predicciones de satisfacción del cliente. Un sistema de catering inteligente sin contacto se centra principalmente en la automatización y la comodidad, lo que permite a los clientes interactuar con el sistema sin contacto mientras realizan tareas específicas como la sugerencia de alimentos y la predicción de satisfacción. Mientras que un agente de IA va más allá de la automatización mediante el uso de información basada en datos para tomar decisiones más precisas, adaptables y personalizadas, mejorando la experiencia del cliente y mejorando la eficiencia operativa en una gama más amplia de funciones. El objetivo de este estudio es desarrollar un sistema de catering inteligente (ICS) impulsado por IA que integre NLP-LDA para interacciones sin contacto, Conv-RNN para recomendaciones de alimentos personalizadas y Conv-LSTM para predecir la satisfacción del cliente. Este sistema es útil para los restaurantes porque mejora la eficiencia operativa, reduce los costos, brinda un servicio consistente y mejora la participación del cliente a través de la personalización y la retroalimentación en tiempo real.

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 ilustra, la entrada del cliente se preprocesa con las técnicas de NLP, como incrustaciones de palabras, lematización y tokenización para extraer las etiquetas. Luego, el modelo ML llamado LDA se ha aplicado para modelar las etiquetas de los clientes para brindarles un servicio sin contacto. La sugerencia de alimentos se realiza utilizando un modelo Conv-RNN. Con base en la secuencia de flujo registrada de las elecciones del cliente anterior, la comida se sugiere al cliente de manera inteligente. Finalmente, el nivel de satisfacción del cliente se predice mediante el uso de un modelo Conv-LSTM optimizado para una mayor mejora en los servicios del restaurante. El rendimiento de los modelos de IA propuestos se evalúa bajo las diversas métricas de evaluación.

Figura 1: Modelo de sistema propuesto para servicios de catering inteligente (ICS). La arquitectura integra la interacción del usuario, el preprocesamiento de datos, la detección de intenciones, la recomendación de alimentos y los mecanismos de retroalimentación. Haga clic aquí para ver una versión más grande de esta figura.

Conjunto de datos utilizado

Para crear el sistema de catering inteligente, recopilamos 283 solicitudes de un restaurante cercano utilizando un chatbot. Estas preguntas, que incluían una amplia variedad de consultas de los clientes, desde los detalles del menú hasta el horario de atención, se dividieron manualmente en 15 grupos de intenciones diferentes. Esto garantiza una cobertura completa de todas las posibles interacciones del usuario con el sistema. Saludos, despedidas, agradecimiento, catering, horarios, entorno, información de contacto, preguntas sobre pagos, menú de hoy, alternativas de entrega, preguntas sobre el menú, procesos de pedido, ofertas especiales, reservas, opciones de bebidas y accesibilidad para sentarse al aire libre son solo algunos de los aspectos específicos de las consultas de los clientes que las clases de intención se hicieron para registrar. La Tabla 1 muestra la frecuencia de preguntas en cada uno de los grupos de propósito y la clasificación según la sustancia temática de las consultas. Por ejemplo, la categoría Información de contacto tuvo las consultas más altas, lo que sugiere que los clientes están muy interesados en saber cómo ponerse en contacto con el restaurante. Por otro lado, las categorías de Asientos y Bebidas fueron las que menos consultas recibieron, lo que puede indicar que hay menos interés de los consumidores en estos temas o que ya hay más aclaraciones sobre ellos.

Servicio sin contacto mediante NLP con LDA

La entrada del usuario que inicia la actividad del marco se preprocesa inicialmente para estandarizar el texto y eliminar el ruido. La tokenización, la eliminación de palabras vacías y la lematización son ejemplos de esta preparación, que prepara los datos para un análisis adicional. Después del procesamiento preliminar, las consultas de los usuarios se convierten en representaciones numéricas. Los vínculos semánticos y la relevancia contextual se encuentran entre las características lingüísticas que capturan estas representaciones. Se utilizaron varios clasificadores de aprendizaje automático para entrenar estas representaciones vectoriales de consultas de usuarios para la clasificación de 16 clases predefinidas (intenciones/etiquetas). El modelo obtiene la respuesta relacionada predeterminada y la devuelve al usuario después de predecir con precisión las intenciones de consulta del usuario.

Preprocesamiento

La confiabilidad de nuestro análisis se ve reforzada en gran medida por las consultas preprocesadas, que verifican que los datos entrantes tengan un formato consistente y relevante para el procedimiento de clasificación que sigue. Los patrones de intención (por ejemplo, saludos como hola, hola, hola) se recopilaron y preprocesaron convirtiendo el texto a minúsculas, eliminando palabras vacías y aplicando tokenización utilizando el kit de herramientas NLTK³³. La Tabla 2 muestra los pasos de preprocesamiento seguidos por este estudio.

Modelado de etiquetas basado en LDA

El sistema clasifica las etiquetas del usuario mediante la regresión vectorial de soporte (SVR) para que el sistema reconozca los saludos del usuario. Con el fin de mejorar la capacidad del sistema para anticipar la intención del usuario, examinamos minuciosamente los métodos de procesamiento de texto convencionales y de vanguardia, además de los modelos de aprendizaje automático (ML) y aprendizaje profundo (DL). Nuestro objetivo era construir un algoritmo altamente preciso que pudiera comprender una amplia gama de preguntas de los usuarios. Este estudio empleó las estrategias fundamentales de Bag of Words (BoW) y TF-IDF debido a su facilidad de uso y potencia para enfatizar la frecuencia de las palabras y la importancia de las palabras en el texto. La capacidad de Glove y Word2Vec para producir incrustaciones de palabras de acuerdo con el uso de palabras les permitió brindar conocimiento de los significados y el contexto de las palabras²².

Una vez preparados los datos, las consultas de intenciones se clasifican mediante el método de asignación latente de Dirichlet (LDA). El objetivo es utilizar la minería de texto con el método LDA para analizar las conexiones entre términos e identificar patrones en sus estructuras^34,35. Sin supervisión y de naturaleza probabilística, LDA asume que cada documento en un corpus se compone de un número predeterminado de temas definidos manualmente. Cada documento en LDA tiene el mismo peso y tiene una bolsa de palabras. Se presume que las palabras de cada documento no están ordenadas. Un tema también se describe utilizando una función de masa de probabilidad de palabras. Cada documento utiliza una función de masa de probabilidad para elegir temas. Para la clasificación de intención, se aplicó la asignación latente de Dirichlet (LDA) utilizando la biblioteca GensimPython³⁴.

En LDA, las intenciones se ven como la distribución sobre el latente que se denota por el aire de distribución LDA llamado . Se selecciona un patrón basado en la distribución de la intención, que se denota como θ (multinomial) que define la intención dada, la probabilidad de I pertenece a la clase C dada. Una distribución de Dirichlet está relacionada con β que codifica el patrón en una bolsa de palabras. Dada la α y β, se define como la distribución multivariada con N palabras relacionadas con patrones M con z intenciones. El grupo de N términos se denota como W, que se da como³⁶:

(1)

Al integrar sobre θ, la suma se declara como Z, y el producto se toma de las probabilidades del marginal de las intenciones individuales, y la probabilidad de intención total se calcula como,

(2)

Los patrones, incluidas las variaciones de intención para los saludos, son hola, hola, hola, buenos días/mediodía/víspera y hola. Al recibir estos patrones, el sistema encuentra la intención del usuario como saludos y responde a ellos en consecuencia con la frase definida, como ¿En qué puedo ayudarte? o ¿En qué puedo ayudarte? Si el sistema no reconoce la consulta con las 15 clases predefinidas, el sistema proporciona información del restaurante y sugiere que el usuario se comunique con el servicio de atención al cliente. El resultado del modelado de etiquetas basado en LDA de las consultas de usuario relacionadas con los saludos se muestra en la Figura 2. Del mismo modo, las respuestas se llevan a cabo para las 15 clases relacionadas con las intenciones del usuario (Consultas). El modelo LDA tiene los siguientes parámetros. El número de temas (k) se declara como 40, el alfa se fija como 0,05, el valor beta es 0,04 y el número de iteraciones se declara como 100.

Sugerencia de alimentos usando Bi-NN para ICS

En el Sistema Inteligente de Catering (ICS), los alimentos se clasifican sistemáticamente para respaldar recomendaciones precisas. Cada entrada del menú puede representar un solo elemento (p. ej., hamburguesa, refrigerio, bebida) o una combinación de elementos como un juego de comidas (p. ej., pollo frito con una bebida fría). Estos artículos se agrupan en seis categorías principales: pollo, hamburguesa, bocadillo, bebida, traje y tiffin. Para mayor claridad, suit se refiere a los juegos de comida envasados, mientras que tiffin representa comidas tradicionales de varios artículos. Cada alimento se define por tres características clave: su precio, su categoría y un vector de contenido que describe su composición. Esta categorización estructurada permite que el modelo de recomendación analice los historiales de compra de los clientes tanto a nivel de artículo como de categoría, mejorando la capacidad del sistema para sugerir comidas y combos relevantes que se alineen con las preferencias del usuario. Todos los alimentos en el ICS son un conjunto denotado como,  donde N denota el número total de alimentos en el ICS. Para cada producto  alimenticio en F,  consta de detalles de las características de los alimentos, y se denota como,

(3)

donde,  denota los precios de los alimentos,  denota la categoría de los alimentos donde , C denota las categorías.  denota el número de menús donde donde M denota los menús denota el vector de contenido de la comida,  donde donde donde es el elemento del vector de contenido y representa pollo, hamburguesa, bocadillo, bebida, traje y Tiffin, respectivamente.

Los datos del usuario consisten en detalles sobre el usuario para indicar las características del usuario que se pueden obtener de la aplicación o del flujo de uso. Para cada usuario , las características se denotan como,

(4)

donde , denota los detalles sobre el usuario, como la edad y el sexo.  Denota el evento de clic del usuario, que es un vector de longitud variable donde y t declara la hora del evento de clic reciente,  es el número positivo y  denota toda la secuencia de flujo que denota toda la compra realizada por el usuario.   Denota la lista de alimentos comprados por el cliente, donde , k denota la cantidad total de alimentos comprados por el usuario.

Con el uso de F y U, que denotan alimentos y datos de usuarios, respectivamente, el sistema de recomendación se enmarca en ICS. El objetivo de este sistema es mejorar la precisión para mejorar la intención de compra del usuario. El problema de ICS se formula como,

(5)

La ecuación (5) denota el objetivo del problema de encontrar resultados de precisión mejorados en el problema ICS mediante la reducción de la función de pérdida que se indica en la ecuación (6).

(6)

donde,  son los resultados predichos y  es el resultado real. El modelo funciona mejor cuando el valor de la función de pérdida es menor. La función de pérdida se emplea para determinar la discrepancia entre el valor predicho del modelo y el valor verdadero Y. En esto,

(7)

Dónde

(8)

(9)

En esto, r denota los datos de entrenamiento en X, y s es el número de alimento comprado de un dato de entrenamiento. El ICS desarrollado empleó la entropía cruzada como función de pérdida, que se describe en la siguiente sección.

Recomendación de alimentos basada en Conv-RNN

Al analizar los atributos del producto, las calificaciones de los usuarios y los perfiles de los usuarios, un sistema de recomendación basado en Conv-RNN proporciona a los usuarios recomendaciones basadas en sus intereses. La Figura 3 muestra el diseño CRNN propuesto. Los modelos Conv-RNN con frecuencia consideran o agregan automáticamente información específica sobre el contexto temporal del usuario al hacer sugerencias. Sin embargo, qué tan bien un sistema de recomendación comprende y utiliza el contexto proporcionado por las solicitudes de sugerencia a menudo determina qué tan efectivo es. Conv-RNN calcula las calificaciones de predicción en función de las características y atributos dinámicos del elemento y el contexto de tiempo actual del usuario para proporcionar recomendaciones adecuadas para un usuario específico. Es inevitable que las personas que están pasando por cosas similares al mismo tiempo tengan preferencias similares. La efectividad de un sistema de recomendaciones consciente del tiempo basado en CNN depende de su capacidad para encontrar usuarios que sean más comparables al receptor previsto y compartan el mismo contexto temporal. Por lo tanto, CNN registra el contexto temporal, que es la información sensible al tiempo sobre la actividad del usuario. Luego, la capa de entrada de CNN se alimentó con los atributos del usuario, las características de los elementos y la información de tiempo para reconstruir la matriz original. Se proporciona un método para calcular la salida final una vez que se ha utilizado la capa de convolución para extraer características de la matriz.

De las capas de convolución, los eventos de clic de alimentos se extraen usando la Ecuación (10)

(10)

donde O es el tamaño de salida, X es el tamaño de los datos de entrada, F es el tamaño del kernel convolucional, a es llenar los datos de entrada y S es más que 1 y S es el paso del kernel. La red neuronal puede modelar modelos más complejos de lo que podría si se limitara a simular cálculos entre capas vecinas de la red, lo que hace mediante el uso de uniformidad pero solo operación lineal, porque la función de activación dentro de la capa de estimulación se usa para realizar operaciones no lineales. En una red neuronal, la comunicación capa a capa es estrictamente secuencial. En Conv-RNN, las funciones de activación fueron las más prevalentes. Las funciones convencionales de Tanh, sigmoide y otros tipos de activación carecen de gradiente y tienen rangos de intervalo pequeños y prácticos. Cuando también se utiliza una operación no lineal eficiente en recursos, las funciones de unidad lineal rectificada (ReLU) se convierten en el instrumento principal para superar estos dos problemas.

Para la eficiencia computacional, la capa de agrupación reduce las muestras y procesa escasamente los datos de las características. Los métodos de agrupación máxima y media son dos ejemplos bien conocidos de algoritmos de agrupación; MaxPooling proporciona mejores resultados de selección de características. MaxPooling seleccionó las siguientes características:

(11)

Luego, Conv-RNN emplea la capa completamente conectada utilizando dos enfoques densos para volver a entrenar la cola Conv-RNN con menos pérdida de información de características. Las capas recurrentes se utilizan comúnmente en redes neuronales para el análisis de datos secuenciales. Debido a las conexiones que les permiten mantener una memoria interna de entradas anteriores, las capas recurrentes manejan cada entrada por separado, a diferencia de las capas de retroalimentación tradicionales. Esto hace que las capas recurrentes sean particularmente adecuadas para tareas que involucran secuencias, datos de series temporales o cualquier tipo de información donde el orden de las entradas sea importante. La unidad fundamental de una capa recurrente es la neurona recurrente, a menudo conocida como célula RNN. A medida que las células RNN manejan las entradas una a la vez, mantienen un estado interno que contiene datos de entradas anteriores. Su condición interna se altera en cada paso de tiempo, lo que influye en el procesamiento de las entradas posteriores. La capa de salida muestra al usuario los resultados después de usar el clasificador SoftMax. Antes de utilizar los campos, cuyas características se clasifican como índice de la matriz incrustada, primero deben convertirse en números enteros.

La función categórica de pérdida de entropía cruzada, que cuantifica la diferencia entre las etiquetas de clase verdadera y y la distribución de probabilidad proyectada y', se utilizó para entrenar el modelo de recomendación Conv-RNN. Se utilizó el descenso de gradiente estocástico (SGD) con estimación de momento adaptativo (Adam) para mejorar los parámetros del modelo θ (pesos y sesgos). Los parámetros se modificaron de la siguiente manera en cada iteración de entrenamiento t:

(12)

donde, η es la tasa de aprendizaje,  es el gradiente de la función de pérdida con respecto a θ.

Se utilizaron las siguientes tácticas para evitar el sobreajuste. Durante el entrenamiento, la regularización de abandono (ρ = 0,3) se utiliza en capas completamente unidas para desactivar aleatoriamente las neuronas. Cuando no se observó ninguna mejora durante 15 épocas consecutivas, el entrenamiento se detuvo antes de tiempo en función de la pérdida de validación.

Validación cruzada dividida cinco veces para confirmar el rendimiento de la generalización

Utilizando una búsqueda de cuadrícula en el conjunto de validación, se llevó a cabo el ajuste de hiperparámetros. En el espacio de búsqueda se incluyeron el número de filtros para la capa de convolución, 64, el tamaño del kernel, 3 x 3, el número de capas recurrentes como 100, el tamaño del lote, la tasa de abandono 0.2 y la tasa de aprendizaje 0.002. El optimizador utilizado es ADAM. Finalmente, la capa de salida devuelve los resultados de los alimentos recomendados como un vector de codificación de un calor, donde los alimentos sugeridos se indican con uno y otras salidas se denotarán como 0.

Predicción de la satisfacción del cliente mediante Conv-LSTM

Este estudio utilizó la memoria a corto plazo de convolución (Conv-LSTM) para pronosticar la satisfacción del cliente una vez que han terminado su catering. La estructura de Conv-LSTM se muestra en la Figura 4. La arquitectura de CNN incluye neuronas de entrada, una serie de capas convolucionales, agrupación, capas completamente conectadas y capas de normalización³⁷. Las células nerviosas de la capa de convolución están conectadas a la capa superior a través de una región estrecha, mientras que las neuronas de activación de las capas completamente unidas están completamente relacionadas con las capas debajo de ellas. Las entradas Conv-LSTM definen explícitamente las formas tensoriales y la granularidad temporal. Cada secuencia de entrada está estructurada por sesión de pedido del cliente (paso de tiempo = por pedido), donde la lista de compras se codifica como un vector multicaliente y el nivel de satisfacción asociado se representa como una puntuación numérica. El tensor resultante tiene la forma (tamaño de lote × longitud de secuencia × dimensión de característica).

La transmisión hacia adelante y hacia atrás de una función en CNN generalmente separa los factores en diferentes grupos en función de su entrada. Numerosos diseños de CNN han surgido como resultado de los recientes avances de investigación. Como se muestra en la Ecuación (15), tres ponderaciones, iw, rw y b, denotan la ponderación de entrada, la ponderación recurrente y el sesgo, respectivamente, que se han empleado en cada bloque LSTM.

(13)

A continuación se muestra una declaración del estado de la celda en el paso de tiempo t:

 (14)

donde el producto Hadamard se denota por . El código para el estado oculto Ht de t es,

 (15)

Los hiperparámetros y sus valores de Conv-LSTM se declaran de la siguiente manera: El número de filtros para la capa de convolución es 64, el tamaño del kernel es 3 x 3, las unidades LSTM son 100 con una tasa de abandono de 0,2, el tamaño del lote es 64, la tasa de aprendizaje es 0,002 y el número de pasos de tiempo es 50 con el optimizador Adam.

Diagrama UML y pseudocódigo para la interacción con el cliente

El flujo dinámico de interacciones en el sistema sugerido se representa en el diagrama de secuencia UML (Figura 5). El módulo NLP-LDA procesa la solicitud del usuario (como un pedido de comida o una consulta) para el modelado de temas y la extracción de intenciones. Después del procesamiento, el motor de recomendación (Conv-RNN) recibe la solicitud y produce una recomendación personalizada. Por último, el usuario recibe una respuesta en tiempo real del sistema. Esta secuencia garantiza la transparencia en la conversión de la entrada del usuario en salidas de servicio inteligentes y enfatiza la interacción modular de los componentes.

El algoritmo de recomendación Conv-RNN ha recibido pseudocódigo para mejorar la reproducibilidad. Proporciona una descripción general de la lógica computacional secuencial, que incluye el preprocesamiento de la solicitud del usuario, el uso de capas convolucionales y recurrentes para el modelado de secuencias y la extracción de características, la regularización y una capa de salida softmax para generar una sugerencia. Este pseudocódigo ofrece una vista clara a nivel de implementación del flujo de trabajo del modelo, lo que mejora las formulaciones matemáticas.

Pseudocódigo: Algoritmo de recomendación Conv-RNN

Entrada: Solicitud del usuario U, secuencia de interacción histórica H

Resultado: Alimento recomendado R

1. Preprocesar U → tokenizar, insertar con Word2Vec
2. Construir secuencia de entrada S = [H, U]
3. Aplicar capa convolucional:
   S_conv = Conv1D(S, filtros, kernel_size)
4. Pasar a través de la capa recurrente (RNN/GRU):
   S_RNN = RNN(S_conv, hidden_units)
5. Solicitar Dropout para regularización
6. Capa densa con activación Softmax:
   P = Softmax(W xS_rnn + b)
7. Seleccione la recomendación:
   R = argmax(P)
8. Devolver R al usuario

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