Exigences fonctionnelles et modélisation de systèmes orientés objet pour la conception de systèmes de restauration intelligents pilotés par l’IA

Summary

Cette étude présente un système de restauration basé sur l’IA qui permet une communication sans contact, des suggestions de repas personnalisées et des prédictions de satisfaction. En utilisant le NLP avec LDA, Conv-RNN et Conv-LSTM, il surpasse les techniques basées sur des règles avec plus d’exactitude, de précision, de rappel et de taux d’erreur réduits, démontrant ainsi le potentiel révolutionnaire de l’IA dans l’industrie de la restauration.

Abstract

L’industrie alimentaire a connu une transformation significative au cours des dernières décennies en raison de la mondialisation, des progrès technologiques et de l’évolution des attentes des clients. L’intelligence artificielle (IA) et l’Internet des objets (IoT) jouent désormais un rôle essentiel dans l’amélioration de la production, de la commercialisation et de la prestation de services alimentaires. Cette étude propose un système intelligent piloté par l’IA pour améliorer les services de restauration grâce à un service sans contact utilisant le traitement du langage naturel (NLP) et l’analyse discriminante linéaire (LDA), des recommandations alimentaires personnalisées grâce à un modèle de réseau neuronal récurrent convolutif (Conv-RNN) et une prédiction de la satisfaction client à l’aide d’un modèle optimisé de mémoire convolutive à long terme et à court terme (Conv-LSTM). Des expériences en situation réelle démontrent que le système proposé surpasse les méthodes traditionnelles basées sur des règles, atteignant une précision de 91,5 %, une précision de 91 %, un rappel de 91,1 % et un score F1 de 89,7 % avec Word2Vec-LDA ; Précision de 98,5 % avec une perte de 0,02 dans le modèle Conv-RNN ; et un RMSE de 0,1011 avec un R² de 0,9812 dans le système Conv-LSTM. Ces résultats mettent en évidence le potentiel transformateur de l’IA dans l’automatisation et l’amélioration du service à la clientèle dans l’industrie de la restauration.

Introduction

L’adoption de l’IA a été un élément crucial de la croissance de la technologie numérique au cours de la dernière décennie. Depuis^{ses débuts}, il a donné à plusieurs industries, y compris le secteur de l’hôtellerie, à la fois des possibilités et des défis 1, et de nombreuses inventions alimentées par l’IA ont été développées qui ont le potentiel d’améliorer la qualité de vie des gens et donc de renforcer l’économie. Dans l’industrie très concurrentielle de la restauration, le maintien d’une alimentation et d’un service à la clientèle de premier ordre est essentiel au succès. À mesure que la technologie progresse et que les expériences culinaires évoluent, l’IA devient un outil révolutionnaire pour accroître l’efficacité opérationnelle et la satisfaction des clients. Les systèmes de surveillance alimentés par l’IA transforment les opérations des restaurants² pour mieux gérer leurs cuisines, garder un œil sur la qualité des aliments et offrir un service client de premier ordre. Grâce à l’utilisation d’algorithmes avancés et d’analyses de données en temps réel, ces technologies rationalisent les opérations et garantissent la cohérence, la sécurité et l’excellence dans tous les aspects de l’expérience culinaire. Il est désormais possible pour les restaurants d’atteindre un degré de précision plus élevé pour les procédures d’exploitation normales².

Le succès financier global, l’adaptabilité aux circonstances changeantes et la capacité d’élargir et de modifier ses offres pour répondre aux besoins et aux attentes des clients sont tous des facteurs dans l’industrie du tourisme et de l’hôtellerie, et ces facteurs déterminent souvent la survie d’une entreprise³. Par conséquent, le secteur du tourisme et de l’hôtellerie utilise des technologies de pointe comme l’IA et la robotique (AIR) pour améliorer le service et l’expérience client. Ces avancées technologiques sont utilisées comme des outils intelligents pour le service à la clientèle afin d’améliorer l’expérience client⁴. En outre, les performances des entreprises peuvent être améliorées par les progrès rapides de l’IA dans la gestion hôtelière. Le secteur hôtelier est un exemple d’industrie à forte intensité de données qui collecte de grandes quantités de données dans différents formats.

Les inefficacités dans la gestion opérationnelle, les attentes croissantes des consommateurs pour des services individualisés, les pénuries de main-d’œuvre croissantes et la nécessité de prévisions précises de la demande sont quelques-uns des problèmes auxquels l’industrie hôtelière est confrontée. Les approches conventionnelles ne parviennent souvent pas à gérer correctement ces problèmes, ce qui augmente les dépenses d’exploitation et entraîne une qualité de service inégale. En automatisant les processus fastidieux, en facilitant la prise de décision basée sur les données, en stimulant la prédiction de la demande, en optimisant la gestion des prix et des stocks et en améliorant la personnalisation des consommateurs, l’intelligence artificielle (IA) fournit des solutions. L’IA se positionne de plus en plus comme un instrument révolutionnaire pour améliorer l’efficacité opérationnelle et l’expérience client du secteur de l’hôtellerie en comblant ces lacunes.

En rétablissant l’efficacité opérationnelle et en reconnaissant les événements clients, l’IA transforme l’histoire du service à la clientèle dans l’industrie de la restauration². Les compétences en IA telles que l’apprentissage automatique et l’analyse extrapolative sont cruciales pour rationaliser les procédures telles que la création de la demande et la gestion des stocks. Une meilleure cohérence du service et une réduction des coûts d’exploitation sont les résultats de ces progrès ^5,6. De plus, en évaluant les données des consommateurs pour proposer des suggestions et des élévations de menu personnalisées, l’IA facilite les interactions personnalisées et favorise la fidélité et le bonheur des^clients7. Les systèmes intelligents jouent un rôle clé dans le secteur du voyage et du tourisme, augmentant la concurrence en se concentrant sur la sophistication⁸. Les hôtels expérimentent des technologies de pointe, notamment des stratégies numériques⁹ et des robots améliorés grâce à l’IA et à l’Internet des objets (IoT). Les robots alimentés par l’IA et les technologies connexes sont de plus en plus courants¹⁰. Grâce aux interfaces numériques, les assistants vocaux (VA), qui sont des dispositifs d’intelligence artificielle (IA) activés par des commandes vocales, fournissent un certain degré d’intelligence humaine¹¹. Les AV rencontrent des difficultés malgré leurs progrès, tels que la faible sensibilisation des utilisateurs, l’agacement et l’opposition occasionnelle des employés de l’hôtel et des visiteurs¹².

Les opérations de livraison et de plats à emporter se développent dans l’industrie de la restauration à mesure que la dynamique de la société change et que de plus en plus d’Américains choisissent des options pratiques et rapides¹³. Près de 60 % des consommateurs aux États-Unis passent une commande de livraison ou de plats à emporter au moins une fois par semaine, et 78 % des consommateurs utilisent activement des plateformes de commande de nourriture en ligne¹⁴. Cette tendance est encore renforcée par les données selon lesquelles le marché de la livraison de nourriture en ligne a atteint le chiffre déconcertant de 220 milliards de dollars d’ici la fin de 2023, soit 40 % des ventes des restaurants, et que le marché atteindra 365 milliards de dollars d’ici la fin de 2030¹⁵. Il devrait atteindre plus de 534,60 milliards USD d’ici 2028. Avec un taux de croissance annuel composé prévu d’environ 9,5 % jusqu’en 2034, le marché mondial était évalué à environ 288,87 milliards USD en 2024 et devrait atteindre 316,31 milliards USD d’ici la fin de 2025¹⁵. De plus, le nombre de commandes directes en ligne a augmenté de 54 % entre 2019 et 2021, ce qui indique que les clients choisissent de plus en plus la commande numérique plutôt que les options de restauration traditionnelles. L’importance croissante de l’exploration de texte et de la prise de décision basée sur les données dans la gestion des services, mettant en lumière de nouveaux domaines de gestion et des sujets importants tels que l’intelligence de marché et l’analyse des médias sociaux¹⁶. Cette recherche fournit un argument convaincant pour que les restaurants utilisent les chatbots pour développer l’efficacité opérationnelle et l’engagement des clients. En outre, l’étude de Proenca et Soukiazis¹⁷ met en évidence la possibilité d’approches axées sur les données dans les initiatives de marketing et de gestion de la relation client, offrant des informations perspicaces sur la façon d’utiliser les chatbots pour maximiser les interactions avec les clients et stimuler l’expansion de l’entreprise.

Afin d’accroître l’efficacité et de choisir un service individualisé et axé sur le client, l’industrie de la restauration met en œuvre la robotique, l’intelligence artificielle et l’automatisation des services (RAISA)¹⁸. L’utilisation de RAISA dans les restaurants a un certain nombre d’implications qui doivent être évaluées, comme tout autre changement technologique¹⁹. En réduisant les erreurs et en améliorant la qualité globale du service, RAISA peut fournir un service fiable et standardisé²⁰. De plus, il peut offrir aux clients une expérience interactive distinctive. Selon Kreishan¹⁸, les robots de service sont désormais plus sophistiqués, indépendants et adaptables. Mais ils peuvent également avoir un impact sur l’ambiance générale d’un restaurant ainsi que sur les interactions sociales entre les clients, les employés et les robots. Il est essentiel d’évaluer les aspects qui influent sur l’acceptabilité de la technologie, car les gestionnaires, les employés et les consommateurs ont des perceptions différentes de ces éléments, et leur volonté d’interagir avec RAISA est en train de changer²¹.

Les capacités linguistiques importantes des modèles Omni ont été mises en évidence par leur précision améliorée dans la classification des sentiments dans l’analyse des avis sur les hôtels, qui a atteint plus de 67 % contre 60,6 % pour BERT²². Dans le même temps, les systèmes de recommandation utilisent progressivement des grands modèles de langage (LLM) pour améliorer la personnalisation en gérant les profils et en analysant les avis des utilisateurs. Alors que les systèmes hybrides intègrent les sorties LLM avec des intégrations de réseaux neuronaux de graphes pour améliorer la précision des recommandations dans des circonstances de données clairsemées, le cadre PURE utilise des LLM pour mettre à jour dynamiquement les profils d’utilisateurs en fonction des avis²³. Pendant ce temps, dans les situations basées sur la session, les architectures de recommandation de type transformateur, telles que Transformers4Rec, battent les modèles RNN^{conventionnels 24.}

Il existe encore un certain nombre de facettes inexplorées ou sous-explorées de la restauration intelligente, malgré les développements rapides de l’IA, de l’automatisation et de la technologie intelligente. Ces défis comprennent la gestion de l’efficacité énergétique et du gaspillage alimentaire grâce à des systèmes pilotés par l’IA, l’adaptation de la personnalisation à une variété de préférences des clients, l’intégration de l’IA aux flux de travail traditionnels des cuisines, la protection de la vie privée et la sécurité des clients dans le profilage des clients, et la mise en œuvre de solutions de restauration intelligentes pour les petits et moyens restaurants disposant d’un financement limité. Pour que les solutions de restauration intelligente soient largement et durablement adoptées, ces lacunes doivent être comblées. Cela crée une opportunité pour plus d’étude et d’invention. Les lacunes potentielles de la recherche dans les systèmes de restauration intelligents sont les suivantes :

Bien que les systèmes d’IA soient capables de faire des recommandations de repas en fonction des choix de l’utilisateur, ils ont souvent du mal à comprendre complètement les subtilités des exigences alimentaires et des préférences personnelles²⁵. La majorité des solutions sont encore quelque peu basiques et sujettes à des erreurs telles que la prédiction des incompatibilités ; cependant, certains systèmes de restauration intelligents utilisent l’IA pour gérer les stocks ou estimer la demande. De nombreux systèmes de restauration intelligents n’ont qu’un seul moyen d’interface, comme les écrans tactiles ou la reconnaissance vocale²⁶. De nombreux systèmes sont encore limités dans leur capacité à comprendre ou à prévoir pleinement les préférences individuelles, même si les agents d’IA peuvent fournir un certain niveau de personnalisation en fonction de l’historique ou des préférences des consommateurs. Les données de base telles que les données démographiques ou les commandes précédentes sont fréquemment utilisées par les robots d’IA.

Les progrès récents de l’apprentissage automatique se sont de plus en plus concentrés sur la modélisation du comportement humain et des données contextuelles dans divers domaines. Dans leur évaluation des sources de données et des méthodologies pour les profils d’occupation des bâtiments urbains, Nejadshamsi et ^al.27 ont souligné la valeur des données hétérogènes pour saisir des modèles comportementaux dynamiques. Sur cette base, Nejadshamsi et ^al.28 ont montré dans quelle mesure l’apprentissage profond prédit les flux spatio-temporels de l’activité humaine en proposant un modèle de prédiction des flux de navettage géographico-sémantique sensible au contexte à l’aide de réseaux neuronaux graphiques. De même, Nejadshamsi et ^coll.29 ont souligné l’importance des indices contextuels dans l’amélioration de la performance prédictive en créant un cadre tenant compte du transport pour l’occupation à l’échelle urbaine et l’estimation de la consommation d’énergie.

L’amélioration de l’expérience client et l’augmentation de l’efficacité opérationnelle sont devenues des éléments cruciaux de succès dans l’industrie de la restauration en pleine évolution. De nombreux restaurants ont encore du mal à fournir des services fluides, individualisés et efficaces malgré l’utilisation croissante de la technologie en raison de leur manque de systèmes intelligents intégrés. Les systèmes actuels²⁵ négligent souvent les questions clés, notamment l’amélioration du service sans contact, la fourniture de recommandations de repas individualisées et la prévision précise du bonheur des clients en temps réel. En créant un système de restauration intelligent qui utilise des technologies de pointe pour améliorer les opérations de restauration, ce projet vise à combler cette lacune. Trois éléments essentiels sont intégrés au système :

Service sans contact utilisant l’allocation de Dirichlet latente (LDA) et le traitement du langage naturel (NLP) : En tirant parti de LDA et de NLP, des interactions sans contact efficaces avec les clients sont rendues possibles, ce qui réduit les temps d’attente et les erreurs humaines.

Systèmes de recommandation basés sur Conv-RNN pour les suggestions d’aliments : Cela améliore la satisfaction du menu en utilisant un réseau neuronal récurrent convolutif (Conv-RNN) pour produire des recommandations alimentaires dynamiques et personnalisées en fonction des préférences des consommateurs.

Prédire la satisfaction des clients avec un modèle Conv-LSTM optimisé : Les restaurants peuvent apporter des améliorations basées sur les données en utilisant un modèle Convolutional Long Short-Term Memory (Conv-LSTM) amélioré pour prévoir le bonheur des clients sur la base de données et de commentaires en temps réel. En plus d’offrir un engagement sans contact et des expériences alimentaires personnalisées de manière plus évolutive et efficace, le système intelligent suggéré cherche à améliorer la satisfaction des clients, à rationaliser les opérations et à améliorer la prestation de services.

Nous comparons ce travail avec un certain nombre de méthodes précédentes afin de le placer dans le contexte actuel des systèmes de recommandation alimentaire pilotés par l’IA. Par exemple, Zou et ^coll.30 ont mis au point un cadre de recommandation conversationnelle séquentielle basé sur un transformateur qui utilise des processus d’auto-attention pour saisir la dynamique de la discussion. Afin de faciliter le dialogue et les tâches de recommandation visuelles, Gambetti et Han³¹ ont développé AiGen-FoodReview, un ensemble de données multimodales composé de textes et de photos d’avis de restaurants appariés. Auparavant, MenuAI a été créé par Ju et ^al.32 et utilise des modèles de transformateur pour faire des recommandations d’éléments de menu directement à partir de graphiques de menu textuels. L’intelligibilité et l’efficacité computationnelle sont parfois compromises par ces approches, malgré leurs excellentes compétences en matière de traitement d’informations contextuelles ou multimodales. Notre système intégré NLP-LDA + Conv-RNN + Conv-LSTM, quant à lui, offre un équilibre entre l’explicabilité, le déploiement léger et la grande précision des prédictions, ce qui le rend particulièrement adapté aux situations de restauration avec des ressources limitées.

L’objectif principal de cette étude est d’examiner comment la technologie alimentée par l’IA peut améliorer les normes d’accueil et accélérer les opérations de restauration grâce aux services de restauration intelligents (ICS). L’allocation de Dirichlet latente (LDA) et le NLP sont combinés dans la méthode suggérée pour traiter efficacement les demandes des clients sans contact. Un Conv-RNN est utilisé pour produire des recommandations de repas afin d’offrir des expériences individualisées, et un modèle Conv-LSTM optimisé est utilisé pour prévoir les niveaux de satisfaction des consommateurs. En intégrant ces éléments, l’ICS créé montre une utilisation pratique pour augmenter la satisfaction globale des clients, garantir la qualité et augmenter l’efficacité du service. À l’aide de mesures de performance sur l’exactitude des recommandations alimentaires et la prédiction de la satisfaction, les résultats expérimentaux vérifient l’efficacité du modèle.

Le système de restauration intelligent proposé offre un service sans contact pour fournir des suggestions alimentaires et des prévisions de satisfaction des clients. Un système de restauration intelligent sans contact est principalement axé sur l’automatisation et la commodité, permettant aux clients d’interagir avec le système sans contact tout en effectuant des tâches spécifiques telles que des suggestions de nourriture et la prédiction de la satisfaction. Alors qu’un agent d’IA va au-delà de l’automatisation en utilisant des informations basées sur les données pour prendre des décisions plus précises, adaptatives et personnalisées, améliorant ainsi l’expérience client et l’efficacité opérationnelle dans un plus large éventail de fonctions. L’objectif de cette étude est de développer un système de restauration intelligent (ICS) piloté par l’IA qui intègre NLP-LDA pour les interactions sans contact, Conv-RNN pour les recommandations alimentaires personnalisées et Conv-LSTM pour prédire la satisfaction des clients. Ce système est utile pour les restaurants car il améliore l’efficacité opérationnelle, réduit les coûts, offre un service cohérent et améliore l’engagement des clients grâce à la personnalisation et au retour d’information en temps réel.

Protocol

Cette étude a été menée conformément aux directives du Comité d’éthique de la recherche de l’Université nationale de Malaisie (UKM) et approuvée sous le numéro d’approbation UKM FST/2025-AI/023. Un consentement éclairé écrit a été obtenu de tous les participants avant la collecte des requêtes du chatbot. Toutes les données ont été anonymisées afin de garantir la confidentialité et la vie privée des participants

Aperçu de l’étude

La figure 1 présente une vue d’ensemble du système de restauration intelligent proposé à l’aide de technologies d’IA. Comme illustré, les données du client sont prétraitées avec les techniques NLP telles que les plongements de mots, la lemmatisation et la tokenisation pour extraire les balises. Ensuite, le modèle ML appelé LDA a été appliqué à la modélisation des étiquettes des clients pour leur fournir un service sans contact. La suggestion alimentaire est réalisée à l’aide d’un modèle Conv-RNN. Sur la base de la séquence de flux enregistrée à partir des choix du client précédent, l’aliment est suggéré au client de manière intelligente. Enfin, le niveau de satisfaction des clients est prédit en utilisant un modèle Conv-LSTM optimisé pour une amélioration supplémentaire des services du restaurant. Les performances des modèles d’IA proposés sont évaluées en fonction des différentes mesures d’évaluation.

Figure 1 : Modèle de système proposé pour les services de restauration intelligents (SCI). L’architecture intègre l’interaction avec l’utilisateur, le prétraitement des données, la détection d’intention, la recommandation d’aliments et les mécanismes de rétroaction. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Jeu de données utilisé

Pour créer le système de restauration intelligent, nous avons recueilli 283 demandes d’un restaurant voisin à l’aide d’un chatbot. Ces questions, qui comprenaient une grande variété de demandes de clients, des détails du menu aux heures d’ouverture, ont été divisées manuellement en 15 groupes d’intention différents. Cela garantit une couverture complète de toutes les interactions possibles de l’utilisateur avec le système. Les salutations, les adieux, l’appréciation, la restauration, les heures, le cadre, les coordonnées, les questions sur les paiements, le menu d’aujourd’hui, les alternatives de livraison, les questions sur les menus, les processus de commande, les offres spéciales, les réservations, les options de boissons et l’accessibilité pour s’asseoir à l’extérieur ne sont que quelques-uns des aspects spécifiques des demandes des clients que les classes d’intention ont été faites pour enregistrer. Le tableau 1 montre la fréquence des questions dans chacun des groupes d’objectifs et la classification en fonction de la substance thématique des requêtes. Par exemple, la catégorie Coordonnées a reçu le plus grand nombre de requêtes, ce qui suggère que les clients sont très intéressés à savoir comment entrer en contact avec le restaurant. D’autre part, les catégories Sièges et Boissons ont reçu le moins de demandes, ce qui peut indiquer qu’il y a moins d’intérêt des consommateurs pour ces sujets ou qu’il y a déjà plus de clarifications à leur sujet.

Service sans contact utilisant le NLP avec LDA

L’entrée de l’utilisateur qui démarre l’activité du cadre est initialement prétraitée pour normaliser le texte et éliminer le bruit. La tokenisation, l’élimination des mots vides et la lemmatisation sont des exemples de cette préparation, qui prépare les données pour une analyse supplémentaire. Après un traitement préliminaire, les demandes de l’utilisateur sont converties en représentations numériques. Les liens sémantiques et la pertinence contextuelle font partie des caractéristiques linguistiques capturées par ces représentations. Plusieurs classificateurs d’apprentissage automatique ont été utilisés pour entraîner ces représentations vectorielles des requêtes des utilisateurs pour la classification de 16 classes prédéfinies (intentions/balises). Le modèle récupère la réponse associée prédéterminée et la renvoie à l’utilisateur après avoir prédit avec précision les intentions de requête de l’utilisateur.

Prétraitement

La fiabilité de notre analyse est considérablement améliorée par les requêtes prétraitées, qui vérifient que les données entrantes sont formatées de manière cohérente et pertinente pour la procédure de classification qui suit. Les modèles d’intention (par exemple, des salutations telles que hi, hello, hey) ont été collectés et prétraités en convertissant le texte en minuscules, en supprimant les mots vides et en appliquant la tokenisation à l’aide de la boîte à outils NLTK³³. Le tableau 2 présente les étapes de prétraitement suivies par cette étude.

Modélisation de balises basée sur LDA

Le système classe les balises de l’utilisateur à l’aide de la régression vectorielle de support (SVR) afin que les messages d’accueil de l’utilisateur soient reconnus par le système. Afin d’améliorer la capacité du système à anticiper l’intention de l’utilisateur, nous avons examiné en profondeur les méthodes de traitement de texte conventionnelles et de pointe, en plus des modèles d’apprentissage automatique (ML) et d’apprentissage profond (DL). Notre objectif était de construire un algorithme très précis capable de comprendre un large éventail de questions des utilisateurs. Cette étude a utilisé les stratégies fondamentales de Bag of Words (BoW) et de TF-IDF en raison de leur facilité d’utilisation et de leur capacité à mettre l’accent sur la fréquence des mots et l’importance des mots dans le texte. La capacité de Glove et de Word2Vec à produire des plongements de mots en fonction de l’usage des mots leur a permis de transmettre une connaissance des significations des mots et du contexte²².

Une fois les données préparées, les requêtes d’intentions sont classées à l’aide de la méthode d’allocation de Dirichlet latente (LDA). L’objectif est d’utiliser l’exploration de texte avec la méthode LDA pour analyser les connexions entre les termes et identifier des modèles dans leurs structures^34,35. Non supervisée et de nature probabiliste, LDA part du principe que chaque document d’un corpus est composé d’un nombre prédéterminé de thèmes définis manuellement. Chaque document de LDA a le même poids et contient un sac de mots. Les mots de chaque document sont présumés être non ordonnés. Un sujet est également décrit à l’aide d’une fonction de masse de probabilité des mots. Chaque document utilise une fonction de masse de probabilité pour choisir les thèmes. Pour la classification de l’intention, l’allocation de Dirichlet latente (LDA) a été appliquée à l’aide de la bibliothèque GensimPython³⁴.

Dans LDA, les intentions sont considérées comme la distribution sur le latent qui est désignée par la distribution LDA air appelée . Un motif est sélectionné en fonction de la distribution d’intention, qui est notée θ(multinomiale) qui définit l’intention donnée, la probabilité de I appartient à la classe C donnée. Une distribution de Dirichlet est liée à β qui encode le motif dans un sac de mots. Étant donné le α et le β, il est défini comme la distribution multivariée avec N mots liés à M motifs avec z intentions. Le groupe de N termes est noté W, qui est donné par³⁶ :

(1)

En intégrant sur θ, la somme est déclarée Z, et le produit est pris des probabilités du marginal des intentions individuelles, et la probabilité d’intention entière est calculée comme,

(2)

Les motifs, y compris les variations d’intention pour les salutations, sont hi, hello, hey, good morning/noon/eve et hola. Lors de la réception de ces modèles, le système trouve l’intention de l’utilisateur sous forme de salutations et y répond en conséquence avec la phrase définie, telle que Que puis-je vous aider ? ou Comment puis-je vous aider ? Si la requête n’est pas reconnue par le système avec les 15 classes prédéfinies, le système fournit des informations sur le restaurant et suggère à l’utilisateur de communiquer avec le service client. Le résultat de la modélisation des balises basée sur LDA des requêtes utilisateur liées aux messages d’accueil est illustré à la figure 2. De même, les réponses sont effectuées pour l’ensemble des 15 classes liées aux intentions de l’utilisateur (Queries). Le modèle LDA a les paramètres suivants. Le nombre de rubriques (k) est déclaré comme 40, l’alpha est fixé à 0,05, la valeur bêta est de 0,04 et le nombre d’itérations est déclaré comme 100.

Suggestion alimentaire à l’aide de Bi-NN pour ICS

Dans le système de restauration intelligent (ICS), les produits alimentaires sont systématiquement catégorisés pour étayer des recommandations précises. Chaque entrée de menu peut représenter soit un seul article (p. ex., un hamburger, une collation, une boisson), soit une combinaison d’articles tels qu’un ensemble de repas (p. ex., du poulet frit avec une boisson froide). Ces articles sont regroupés en six catégories principales : poulet, hamburger, collation, boisson, costume et tiffin. Pour plus de clarté, suit fait référence aux ensembles de repas emballés, tandis que tiffin représente des repas traditionnels à plusieurs articles. Chaque aliment est défini par trois caractéristiques clés : son prix, sa catégorie et un vecteur de contenu décrivant sa composition. Cette catégorisation structurée permet au modèle de recommandation d’analyser l’historique des achats des clients au niveau de l’article et de la catégorie, améliorant ainsi la capacité du système à suggérer des repas et des combinaisons pertinents qui s’alignent sur les préférences de l’utilisateur. Tous les aliments de l’ICS sont un ensemble désigné par  N désigne le nombre total d’aliments de l’ICS. Pour chaque produit  alimentaire en F,  comprend des détails sur les caractéristiques des aliments, et il est noté comme,

(3)

où,  désigne les prix des denrées alimentaires,  désigne la catégorie des produits alimentaires où , C désigne les catégories.  désigne le nombre de menus, où M désigne les menus , désigne le vecteur de contenu des aliments,  où où est l’élément du vecteur de contenu et représente respectivement le poulet, le hamburger, la collation, la boisson, le costume et le Tiffin.

Les données utilisateur se composent de détails sur l’utilisateur pour indiquer les fonctionnalités de l’utilisateur qui peuvent être obtenues à partir de l’application ou du flux d’utilisation. Pour chaque utilisateur , les fonctionnalités sont notées comme,

(4)

où , désigne les détails sur l’utilisateur, tels que l’âge et le sexe.  Désigne l’événement de clic de l’utilisateur, qui est un vecteur de longueur variable où et t déclare l’heure de l’événement de clic récent,  est le nombre positif et  désigne la séquence de flux entière qui désigne l’ensemble de l’achat effectué par l’utilisateur.   Désigne la liste des aliments achetés par le client, où , k désigne la quantité totale d’aliments achetés par l’utilisateur.

Avec l’utilisation de F et U, qui désignent respectivement les aliments et les données de l’utilisateur, le système de recommandation est encadré dans l’ICS. L’objectif de ce système est d’améliorer la précision pour renforcer l’intention d’achat de l’utilisateur. Le problème de l’ICS est formulé comme suit :

(5)

L’équation (5) indique l’objectif du problème qui est de trouver des résultats de précision améliorés sur le problème ICS en réduisant la fonction de perte qui est notée dans l’équation (6).

(6)

où,  est le résultat prédit et  est le résultat réel. Le modèle fonctionne mieux lorsque la valeur de la fonction de perte est plus petite. La fonction de perte est utilisée pour déterminer l’écart entre la valeur prédite du modèle et la valeur réelle Y. Dans ce contexte,

(7)

où

(8)

(9)

Dans ce cas, r désigne les données d’entraînement dans X et s est le numéro d’aliment acheté d’une donnée d’entraînement. L’ICS développé a utilisé l’entropie croisée comme fonction de perte, qui est décrite dans la section suivante.

Recommandation alimentaire basée sur Conv-RNN

En analysant les attributs du produit, les évaluations des utilisateurs et les profils d’utilisateurs, un système de recommandation basé sur Conv-RNN fournit aux utilisateurs des recommandations basées sur leurs intérêts. La figure 3 montre la conception proposée du CRNN. Les modèles Conv-RNN prennent souvent en compte ou ajoutent automatiquement des informations spécifiques sur le contexte temporel de l’utilisateur tout en faisant des suggestions. Cependant, la capacité d’un système de recommandation à comprendre et à utiliser le contexte fourni par les demandes de suggestion détermine souvent son efficacité. Conv-RNN calcule les évaluations de prédiction en fonction des caractéristiques et des attributs dynamiques de l’élément et du contexte temporel actuel de l’utilisateur afin de fournir des recommandations appropriées pour un utilisateur spécifique. Il est inévitable que des personnes qui traversent des choses similaires en même temps aient des préférences similaires. L’efficacité d’un système de recommandations temporel basé sur CNN dépend de sa capacité à trouver les utilisateurs qui sont les plus comparables au récepteur prévu et qui partagent le même contexte temporel. Ainsi, CNN enregistre le contexte temporel, c’est-à-dire les informations sensibles au temps sur l’activité de l’utilisateur. La couche d’entrée du CNN a ensuite été alimentée avec les attributs de l’utilisateur, les caractéristiques de l’élément et les informations temporelles pour reconstruire la matrice d’origine. Une méthode de calcul de la sortie finale est donnée une fois que la couche de convolution a été utilisée pour extraire des caractéristiques de la matrice.

À partir des couches de convolution, les événements de clic alimentaire sont extraits à l’aide de Eqn (10)

(10)

où O est la taille de sortie, X est la taille des données d’entrée, F est la taille du noyau convolutif, a est pour remplir les données d’entrée, et S est supérieur à 1 et S est la foulée du noyau. Le réseau neuronal peut modéliser des modèles plus complexes qu’il ne le pourrait s’il était limité à la simulation de calculs entre les couches voisines du réseau, ce qu’il fait en utilisant l’uniformité mais uniquement le fonctionnement linéaire, car la fonction d’activation au sein de la couche de stimulation est utilisée pour effectuer des opérations non linéaires. Dans un réseau neuronal, la communication couche à couche est strictement séquentielle. Dans Conv-RNN, les fonctions d’activation étaient les plus prévalentes. Les fonctions conventionnelles Tanh, sigmoïde et d’autres types d’activation n’ont pas de gradient et ont de petites plages d’intervalles pratiques. Lorsqu’une opération non linéaire économe en ressources est également utilisée, les fonctions d’unité linéaire redressée (ReLU) deviennent le principal instrument permettant de surmonter ces deux problèmes.

Pour plus d’efficacité de calcul, la couche de regroupement sous-échantillonne et traite peu les données de fonction. Les méthodes de regroupement maximum et moyen sont deux exemples bien connus d’algorithmes de regroupement ; MaxPooling fournit de meilleurs résultats de sélection de fonctionnalités. MaxPooling a sélectionné les fonctionnalités suivantes :

(11)

Le Conv-RNN utilise ensuite la couche entièrement connectée en utilisant deux approches denses pour réentraîner la queue du Conv-RNN avec moins de perte d’informations sur les caractéristiques. Les couches récurrentes sont couramment utilisées dans les réseaux neuronaux pour l’analyse de données séquentielles. En raison des connexions qui leur permettent de conserver une mémoire interne des entrées précédentes, les couches récurrentes gèrent chaque entrée séparément, contrairement aux couches de prédiction traditionnelles. Cela rend les couches récurrentes particulièrement bien adaptées aux tâches impliquant des séquences, des données de séries chronologiques ou tout type d’information où l’ordre des entrées compte. L’unité fondamentale d’une couche récurrente est le neurone récurrent, souvent connu sous le nom de cellule RNN. Comme les cellules RNN gèrent les entrées une par une, elles conservent un état interne qui contient les données des entrées précédentes. Son état interne est modifié à chaque pas de temps, ce qui influence le traitement des entrées ultérieures. La couche de sortie montre à l’utilisateur les résultats après avoir utilisé le classificateur SoftMax. Avant d’utiliser les champs, dont les caractéristiques sont classées comme l’index de la matrice intégrée, ils doivent d’abord être convertis en entiers.

La fonction catégorielle de perte d’entropie croisée, qui quantifie la différence entre les étiquettes de classe vraies y et la distribution de probabilité projetée y', a été utilisée pour entraîner le modèle de recommandation Conv-RNN. La descente de gradient stochastique (SGD) avec estimation de moment adaptative (Adam) a été utilisée pour améliorer les paramètres du modèle θ (poids et biais). Les paramètres ont été modifiés comme suit à chaque itération de l’entraînement t :

(12)

où, η est le taux d’apprentissage,  est le gradient de la fonction de perte par rapport à θ.

Les tactiques suivantes ont été utilisées pour éviter le surapprentissage. Pendant l’entraînement, la régularisation de l’abandon (ρ=0,3) est utilisée sur des couches entièrement liées pour désactiver aléatoirement les neurones. Lorsqu’aucune amélioration n’a été observée pendant 15 périodes consécutives, la formation a été interrompue prématurément en raison de la perte de validation.

Validation croisée divisée en cinq fois pour confirmer les performances de généralisation

À l’aide d’une recherche par grille sur le jeu de validation, le réglage des hyperparamètres a été effectué. L’espace de recherche comprenait le nombre de filtres pour la couche de convolution, 64, la taille du noyau, 3 x 3, le nombre de couches récurrentes comme 100, la taille du lot, le taux d’abandon de 0,2 et le taux d’apprentissage de 0,002. L’optimiseur utilisé est ADAM. Enfin, la couche de sortie renvoie les résultats des aliments recommandés sous la forme d’un vecteur d’encodage à chaud, où les aliments suggérés sont désignés par un et les autres sorties sont notées 0.

Prédiction de la satisfaction client à l’aide de Conv-LSTM

Cette étude a utilisé la mémoire à long terme à convolution (Conv-LSTM) pour prévoir la satisfaction des clients une fois qu’ils ont terminé leur restauration. La structure de Conv-LSTM est illustrée à la figure 4. L’architecture de CNN comprend des neurones d’entrée, une série de couches convolutives, des pools, des couches complètement connectées et des couches de normalisation³⁷. Les cellules nerveuses de la couche de convolution sont connectées à la couche supérieure par une région étroite, tandis que les neurones d’activation des couches entièrement liées sont entièrement liés aux couches situées en dessous. Les entrées Conv-LSTM définissent explicitement les formes tensorielles et la granularité temporelle. Chaque séquence d’entrée est structurée par session de commande de vente (pas de temps = par commande), où la liste d’achats est encodée sous la forme d’un vecteur multi-chaud et le niveau de satisfaction associé est représenté par un score numérique. Le tenseur résultant a la forme (taille du lot × longueur de séquence × dimension de la caractéristique).

La transmission inverse avant et arrière d’une fonction dans CNN sépare généralement les facteurs en différents groupes en fonction de leur entrée. De nombreux modèles de CNN ont vu le jour à la suite des récentes avancées de la recherche. Comme le montre l’équation (15), trois poids, iw, rw et b, désignent respectivement le poids d’entrée, le poids récurrent et le biais qui ont été utilisés dans chaque bloc LSTM.

(13)

Ce qui suit est une déclaration de l’état de la cellule à l’intervalle de temps t :

 (14)

où le produit de Hadamard est noté . Le code de l’état caché Ht de t est,

 (15)

Les hyperparamètres et leurs valeurs de Conv-LSTM sont déclarés comme suit : Le nombre de filtres pour la couche de convolution est de 64, la taille du noyau est de 3 x 3, les unités LSTM sont de 100 avec un taux d’abandon de 0,2, la taille du lot est de 64, le taux d’apprentissage est de 0,002 et le nombre de pas de temps est de 50 avec l’optimiseur Adam.

Diagramme UML et pseudo-code pour l’interaction avec le client

Le flux dynamique des interactions dans le système suggéré est décrit dans le diagramme de séquence UML (Figure 5). Le module NLP-LDA traite la demande de l’utilisateur (telle qu’une commande de repas ou une requête) pour la modélisation de sujets et l’extraction d’intentions. Après le traitement, le moteur de recommandation (Conv-RNN) reçoit la demande et produit une recommandation personnalisée. Enfin, l’utilisateur reçoit une réponse en temps réel du système. Cette séquence garantit la transparence dans la conversion des entrées de l’utilisateur en sorties de service intelligentes et met l’accent sur l’interaction modulaire des composants.

L’algorithme de recommandation Conv-RNN a reçu un pseudo-code pour améliorer la reproductibilité. Il fournit une vue d’ensemble de la logique de calcul séquentielle, qui comprend le prétraitement de la demande de l’utilisateur, l’utilisation de couches convolutives et récurrentes pour la modélisation de séquences et l’extraction de caractéristiques, la régularisation et une couche de sortie softmax pour générer une suggestion. Ce pseudo-code offre une vue claire du flux de travail du modèle au niveau de l’implémentation, ce qui améliore les formulations mathématiques.

Pseudo code : algorithme de recommandation Conv-RNN

Entrée : Demande de l’utilisateur U, séquence d’interaction historique H

Sortie : Aliment recommandé R

1. Prétraitez U → tokenize, intégrez avec Word2Vec
2. Construire la séquence d’entrée S = [H, U]
3. Appliquer une couche convolutive :
   S_conv = Conv1D(S, filtres, kernel_size)
4. Passage à travers la couche récurrente (RNN/GRU) :
   S_RNN = RNN(S_conv, hidden_units)
5. Appliquer Dropout pour régularisation
6. Couche dense avec activation Softmax :
   P = Softmax(W xS_rnn + b)
7. Sélectionnez la recommandation :
   R = argmax(P)
8. Renvoyer R à l’utilisateur

Results

Cette étude a permis de tester et de valider plusieurs modèles afin de garantir l’authenticité et la fiabilité de l’ICS développé. La configuration la plus efficace pour ICS a été déterminée en effectuant une étude comparative de plusieurs combinaisons d’incorporation de mots et de classificateurs. Chaque expérience a été menée 10 fois et les résultats ont été présentés sous forme de valeurs moyennes avec des erreurs-types entre parenthèses. Cette méthode a attiré l’attention sur l’imprév...

Discussion

La performance globale du modèle ICS suggéré utilisant les technologies d’IA est comparée aux k-moyennes avec SVR²⁴, restauration rapide avec LSTM (QSR-LSTM⁾²⁵ et NLP-ANN³⁸. En comparaison, le modèle proposé a permis d’obtenir un temps de calcul réduit par rapport aux approches considérées, comme le montre la figure 12. Au fur et à mesure que le nombre d’itérations augmente, le temps...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Langage de programmation	Python (utilisé pour le développement de modèles, le NLP et l’apprentissage profond)	https://www.python.org/	Python 3.8+
Base de données	MySQL ou SQLite (pour stocker les journaux d’interaction utilisateur)	https://www.mysql.com/ ; https://www.sqlite.org/	MySQL 8.0 ou SQLite3
Jeu de données	Questions des utilisateurs recueillies auprès d’un chatbot local de commande de restaurant		Annoté manuellement
Cadre d’apprentissage profond	TensorFlow / Keras	https://www.tensorflow.org/ ; Keras 2.11 & rarr ; https://keras.io/	TensorFlow 2.11 ou Keras 2.11
Environnement de développement	Jupyter Notebook / Google Colab	https://jupyter.org/ ; https://colab.research.google.com/	JupyterLab 3+ / Colab (gratuit)
Indicateurs d’évaluation	Métriques scikit-learn : précision, rappel, entropie croisée, R&SUP2 ;	https://scikit-learn.org/	scikit-learn 1.0+
Boîte à outils du langage naturel	spaCy / NLTK (pour le prétraitement de détection d’intention)	https://spacy.io/ ; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Modèles récurrents de réseaux neuronaux	RNN, LSTM, Conv-LSTM	https://keras.io/	Mise en œuvre dans Keras
Matériel système	Intel Core i7, 16 GO DE RAM, CARTE GRAPHIQUE NVIDIA GTX 1660 Ti		Système local
Outil de modélisation thématique	Gensim (utilisé pour l’allocation latente de Dirichlet)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Outils de visualisation	Matplotlib, Seaborn (pour tracer les graphiques de performance)	https://seaborn.pydata.org/ ; https://matplotlib.org/	Matplotlib 3,5+, Seaborn 0,11
Intégration de mots	Embeddings pré-entraînés Word2Vec / GloVe.	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP