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 ....

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 son....

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