דרישות פונקציונליות ומידול מערכות מונחה-עצמים לתכנון מערכות קייטרינג חכמות מונעות בינה מלאכותית

Summary

מחקר זה מציג מערכת קייטרינג למסעדות מבוססת בינה מלאכותית המאפשרת תקשורת ללא מגע, הצעות לארוחות מותאמות אישית וחיזוי שביעות רצון. על ידי שימוש ב-NLP עם LDA, Conv-RNN ו-Conv-LSTM, הוא עולה על טכניקות מבוססות כללים עם יותר דיוק, דיוק, זיכרון ושיעורי טעויות מופחתים, ומדגים את הפוטנציאל המהפכני של AI בתעשיית שירותי המזון.

Abstract

תעשיית המזון עברה מהפך משמעותי בעשורים האחרונים עקב הגלובליזציה, ההתקדמות הטכנולוגית וציפיות הלקוחות המתפתחות. בינה מלאכותית (AI) והאינטרנט של הדברים (IoT) ממלאים כעת תפקיד קריטי בשיפור ייצור המזון, השיווק ואספקת השירותים. מחקר זה מציע מערכת חכמה מונעת בינה מלאכותית לשיפור שירותי הקייטרינג במסעדות באמצעות שירות ללא מגע באמצעות עיבוד שפה טבעית (NLP) וניתוח הבחנה ליניארי (LDA), המלצות מזון מותאמות אישית באמצעות מודל רשת עצבית חוזרת קונבולוציונית (Conv-RNN), וחיזוי שביעות רצון לקוחות באמצעות מודל זיכרון קונבולוציוני לטווח קצר (Conv-LSTM). ניסויים בעולם האמיתי מראים שהמערכת המוצעת עולה על שיטות מבוססות כללים מסורתיות, ומשיגה דיוק של 91.5%, דיוק של 91%, זיכרון של 91.1% וציון F1 של 89.7% עם Word2Vec-LDA; דיוק של 98.5% עם הפסד של 0.02 במודל Conv-RNN; ו-RMSE של 0.1011 עם R² של 0.9812 במערכת Conv-LSTM. תוצאות אלו מדגישות את הפוטנציאל הטרנספורמטיבי של AI באוטומציה ושיפור שירות הלקוחות בענף המסעדנות.

Introduction

אימוץ בינה מלאכותית היה חלק מכריע בצמיחת הטכנולוגיה הדיגיטלית בעשור האחרון. היא נתנה למספר תעשיות, כולל מגזר האירוח, אפשרויות ואתגרים מאז הקמתה¹, ופותחו המצאות רבות המופעלות על ידי בינה מלאכותית שיש להן פוטנציאל לשפר את איכות החיים של אנשים ובכך לשפר את הכלכלה. בתעשיית המסעדות התחרותית מאוד, שמירה על אוכל ושירות לקוחות מהשורה הראשונה חיונית להצלחה. ככל שהטכנולוגיה מתקדמת וחוויות האוכל משתנות, בינה מלאכותית הופכת לכלי משנה משחק להגברת היעילות התפעולית ושביעות רצון הלקוחות. מערכות ניטור המופעלות על ידי בינה מלאכותית משנות את תפעול המסעדות² כדי לנהל טוב יותר את המטבחים שלהן, לפקוח עין על איכות המזון ולספק שירות לקוחות מהשורה הראשונה. באמצעות שימוש באלגוריתמים מתקדמים וניתוח נתונים בזמן אמת, טכנולוגיות אלו מייעלות את התפעול ומבטיחות עקביות, בטיחות ומצוינות בכל היבט של חווית האוכל. כעת ניתן למסעדות להשיג רמה גבוהה יותר של דיוק עבור נהלי הפעלה רגילים².

הצלחה פיננסית כוללת, יכולת הסתגלות לנסיבות משתנות והיכולת להרחיב ולשנות את הצעותיה כדי לענות על צרכי הלקוחות וציפיותיה הם כולם גורמים בתעשיית התיירות והאירוח, וגורמים אלה קובעים לעתים קרובות אם עסק שורד³. לכן, מגזר התיירות והאירוח משתמש בטכנולוגיות מתקדמות כמו בינה מלאכותית ורובוטיקה (AIR) כדי לשפר את שירות הלקוחות וחוויתם. התקדמות טכנולוגית זו משמשת ככלים חכמים לטיפול בלקוחות על מנת לשפר את חווית הלקוח⁴. יתר על כן, הביצועים הארגוניים עשויים להשתפר על ידי ההתקדמות המהירה של AI בניהול אירוח. דוגמה לתעשייה עתירת נתונים שאוספת כמויות עצומות של נתונים בפורמטים שונים היא מגזר המלונאות.

חוסר יעילות בניהול תפעולי, ציפיות צרכנים גוברות לשירותים מותאמים אישית, מחסור הולך וגובר בכוח אדם והדרישה לתחזיות ביקוש מדויקות הם חלק מהבעיות המתמשכות העומדות בפני תעשיית האירוח. גישות קונבנציונליות לעתים קרובות אינן מצליחות לטפל כראוי בבעיות אלה, מה שמעלה את הוצאות התפעול ומביא לאיכות שירות לא אחידה. על ידי אוטומציה של תהליכים מייגעים, הקלה על קבלת החלטות מונעת נתונים, הגברת חיזוי הביקוש, אופטימיזציה של תמחור וניהול מלאי ושיפור ההתאמה האישית של הצרכנים, בינה מלאכותית (AI) מספקת פתרונות. בינה מלאכותית הופכת יותר ויותר ממוצבת כמכשיר משנה משחק לשיפור האפקטיביות התפעולית וחווית האורחים של מגזר האירוח על ידי מילוי פערים אלה.

על ידי שחזור היעילות התפעולית והכרה באירועי לקוחות, בינה מלאכותית משנה את ההיסטוריה של טיפול בלקוחות בענף המסעדנות². מיומנויות בינה מלאכותית כמו למידת מכונה וניתוח אקסטרפולטיבי הן חיוניות לייעול הליכים כמו יצירת ביקוש וניהול מלאי. עקביות שירות טובה יותר ועלויות תפעול נמוכות יותר הן התוצאות של התקדמות זו ^5,6. בנוסף, על ידי הערכת נתוני צרכנים כדי להציע הצעות תפריט מותאמות אישית והעלאות, בינה מלאכותית מאפשרת אינטראקציות מותאמות אישית ומקדמת נאמנות ואושר לקוחות⁷. מערכות חכמות ממלאות תפקיד מפתח במגזר הנסיעות והתיירות, ומגבירות את התחרות על ידי התמקדות בתחכום⁸. בתי מלון מתנסים בטכנולוגיה מתקדמת, כולל אסטרטגיות דיגיטליות⁹ ורובוטים משופרים עם AI והאינטרנט של הדברים (IoT). רובוטים המופעלים על ידי בינה מלאכותית וטכנולוגיות קשורות הופכים נפוצים יותר ויותר¹⁰. באמצעות ממשקים דיגיטליים, עוזרים קוליים (VAs), שהם מכשירי בינה מלאכותית (AI) המופעלים על ידי פקודות קוליות, מספקים מידה של אינטליגנציה דמוית אדם¹¹. ל-VA יש קשיים למרות ההתקדמות שלהם, כגון מודעות נמוכה למשתמשים, מטרד והתנגדות מדי פעם הן מצד עובדי המלון והן מצד המבקרים¹².

פעולות המשלוחים והטייק אוויי צומחות בתעשיית המסעדנות ככל שהדינמיקה החברתית משתנה ויותר אמריקאים בוחרים באפשרויות נוחות וחוסכות זמן¹³. כמעט 60% מהצרכנים בארה"ב מבצעים הזמנה למשלוח או טייק אוויי לפחות פעם בשבוע, ו-78% מהצרכנים משתמשים באופן פעיל בפלטפורמות הזמנת מזון מקוונות¹⁴. מגמה זו מתחזקת עוד יותר על ידי הנתונים ששוק משלוחי המזון המקוונים הגיע ל-220 מיליארד דולר מבלבלים עד סוף 2023, המהווה 40% ממכירות המסעדות, וכי השוק יגיע ל-365 מיליארד דולר עד סוף 2030¹⁵. הוא צפוי לגדול ליותר מ-534.60 מיליארד דולר עד 2028. עם קצב צמיחה שנתי מורכב חזוי של כ-9.5% עד 2034, השוק העולמי הוערך בכ-288.87 מיליארד דולר בשנת 2024 וצפוי להגיע ל-316.31 מיליארד דולר עד סוף 2025¹⁵. יתר על כן, מספר ההזמנות המקוונות הישירות גדל בשיעור מדהים של 54% בין 2019 ל-2021, מה שמצביע על כך שלקוחות בוחרים יותר ויותר בהזמנה דיגיטלית על פני אפשרויות הסעודה המסורתיות. המשמעות הגוברת של כריית טקסט וקבלת החלטות מונעת נתונים בניהול שירותים, המאירה תחומי ניהול חדשים ונושאים חשובים כגון מודיעין שוק וניתוח מדיה חברתית¹⁶. מחקר זה מספק טיעון משכנע למסעדות להשתמש בצ'אטבוטים כדי לפתח יעילות תפעולית ומעורבות לקוחות. יתר על כן, המחקר של Proenca ו-Soukiazis¹⁷ מדגיש את האפשרות של גישות מונעות נתונים ביוזמות שיווק וניהול קשרי לקוחות, ומציע מידע תובנה כיצד להשתמש בצ'אטבוטים כדי למקסם את האינטראקציות עם הלקוחות ולדרבן את התרחבות החברה.

על מנת להגביר את היעילות ולבחור שירות אישי וממוקד לקוח, תעשיית המסעדנות מיישמת רובוטיקה, בינה מלאכותית ואוטומציה של שירות (RAISA)¹⁸. לשימוש ב-RAISA במסעדות יש מספר השלכות שיש להעריך, בדיוק כמו כל שינוי טכנולוגי אחר¹⁹. על ידי הפחתת שגיאות ושיפור איכות השירות הכוללת, RAISA יכולה לספק שירות אמין^{וסטנדרטי 20}. בנוסף, זה יכול לספק ללקוחות חוויה אינטראקטיבית ייחודית. לדברי קרישאן¹⁸, רובוטי שירות הם כעת מתוחכמים יותר, עצמאיים וניתנים להתאמה. אבל הם יכולים להשפיע גם על האווירה הכללית של מסעדה כמו גם על האינטראקציות החברתיות בין לקוחות, עובדים ורובוטים. זה קריטי להעריך את ההיבטים המשפיעים על קבילות הטכנולוגיה מכיוון שלמנהלים, לעובדים ולצרכנים יש תפיסות שונות לגבי אלמנטים אלה, והמוכנות שלהם לקיים אינטראקציה עם RAISA משתנה²¹.

היכולות הלשוניות המשמעותיות של דגמי Omni הודגשו על ידי דיוק סיווג הסנטימנט המשופר שלהם בניתוח ביקורות מלונות, שהגיע ליותר מ-67% בהשוואה ל-60.6% עבור BERT²². במקביל, מערכות המלצות משתמשות בהדרגה במודלים של שפה גדולה (LLMs) כדי לשפר את ההתאמה האישית על ידי ניהול פרופילים וניתוח ביקורות משתמשים. בעוד שמערכות היברידיות משלבות יציאות LLM עם הטמעות רשת עצבית גרפים כדי לשפר את דיוק ההמלצות בנסיבות נתונים דלילות, מסגרת PURE משתמשת ב-LLMs כדי לעדכן באופן דינמי פרופילי משתמשים על סמך ביקורות²³. בינתיים, במצבים מבוססי הפעלה, ארכיטקטורות המלצה בסגנון שנאי, כגון Transformers4Rec, מנצחות את דגמי ה-RNN הקונבנציונליים²⁴.

ישנם עדיין מספר היבטים שלא נחקרו או לא נחקרו מספיק של קייטרינג חכם, למרות ההתפתחויות המהירות בבינה מלאכותית, אוטומציה וטכנולוגיה חכמה. אתגרים אלה כוללים ניהול יעילות אנרגטית ובזבוז מזון באמצעות מערכות מונעות בינה מלאכותית, התאמה אישית למגוון העדפות לקוחות, שילוב בינה מלאכותית עם זרימות עבודה מסורתיות במטבח, הגנה על פרטיות ואבטחה של לקוחות בפרופיל לקוחות והטמעת פתרונות קייטרינג חכמים למסעדות קטנות ובינוניות עם מימון מוגבל. כדי שפתרונות קייטרינג חכמים יאומצו באופן נרחב ובר קיימא, יש למלא את הפערים הללו. זה יוצר הזדמנות ללימוד והמצאה נוספים. חורי מחקר פוטנציאליים במערכות קייטרינג חכמות כוללים את הדברים הבאים:

למרות שמערכות בינה מלאכותית מסוגלות להמליץ על ארוחות על סמך בחירות המשתמש, לעתים קרובות הן מתקשות להבין לחלוטין את הדקויות של דרישות תזונתיות והעדפות אישיות²⁵. רוב הפתרונות עדיין בסיסיים למדי ונוטים לטעויות כמו חיזוי אי התאמות; עם זאת, חלק ממערכות הקייטרינג החכמות משתמשות בבינה מלאכותית כדי לנהל מלאי או להעריך את הביקוש. להרבה מערכות קייטרינג חכמות יש רק דרך אחת להתממשק, כגון מסכי מגע או זיהוי קולי²⁶. מערכות רבות עדיין מוגבלות ביכולתן להבין או לחזות באופן מלא העדפות אישיות, גם אם סוכני בינה מלאכותית יכולים לספק רמה מסוימת של התאמה אישית על סמך היסטוריית הצרכנים או העדפותיהם. קלטים בסיסיים כמו נתונים דמוגרפיים או הזמנות קודמות משמשים לעתים קרובות בוטים של AI.

ההתקדמות האחרונה בלמידת מכונה התמקדה יותר ויותר במידול התנהגות אנושית ונתונים קונטקסטואליים בתחומים מגוונים. בהערכתם של מקורות נתונים ומתודולוגיות לפרופילי תפוסה של בניינים עירוניים, Nejadshamsi et ^al.27 הדגישו את הערך של נתונים הטרוגניים בלכידת דפוסי התנהגות דינמיים. בהתבסס על כך, Nejadshamsi et ^al.28 הראו עד כמה למידה עמוקה מנבאת זרימות מרחביות-זמניות של פעילות אנושית על ידי הצגת מודל חיזוי זרימת נסיעה מודע להקשר גיאוגרפי-סמנטי תוך שימוש ברשתות עצביות גרפיות. באופן דומה, Nejadshamsi et ^al.29 הדגישו את החשיבות של רמזים הקשריים בשיפור ביצועי החיזוי על ידי יצירת מסגרת מושכלת לתחבורה לתפוסה בקנה מידה עירוני והערכת אנרגיה.

שיפור חווית הלקוח והגברת היעילות התפעולית הפכו למרכיבי הצלחה מכריעים בענף המסעדנות המשתנה במהירות. מסעדות רבות עדיין מתקשות לספק שירותים חלקים, אינדיבידואליים ויעילים למרות השימוש הגובר בטכנולוגיה מכיוון שחסרות להן מערכות חכמות משולבות. סוגיות מפתח, כולל שיפור השירות ללא מגע, מתן המלצות אישיות לארוחות וחיזוי מדויק של שביעות רצון הלקוחות בזמן אמת, מתעלמות לעתים קרובות מהמערכות הנוכחיות²⁵. על ידי יצירת מערכת קייטרינג חכמה המשתמשת בטכנולוגיות מתקדמות כדי לשפר את פעילות המסעדה, פרויקט זה שואף לסגור את הפער הזה. שלושה אלמנטים חיוניים משולבים במערכת:

שירות ללא מגע באמצעות הקצאת דיריכלה סמויה (LDA) ועיבוד שפה טבעית (NLP): על ידי מינוף LDA ו-NLP, מתאפשרות אינטראקציות יעילות עם לקוחות ללא מגע, תוך צמצום זמני ההמתנה וטעויות אנוש.

מערכות המלצה מבוססות Conv-RNN להצעות מזון: זה משפר את שביעות הרצון מהתפריט על ידי שימוש ברשת עצבית חוזרת קונבולוציונית (Conv-RNN) כדי לייצר המלצות מזון דינמיות ומותאמות על סמך העדפות הצרכנים.

חיזוי שביעות רצון הלקוחות עם מודל Conv-LSTM אופטימלי: מסעדות יכולות לבצע שיפורים מונעי נתונים על ידי שימוש במודל משופר של זיכרון קונבולוציוני לטווח קצר (Conv-LSTM) כדי לחזות את שביעות רצון הלקוחות על סמך נתונים ומשוב בזמן אמת. בנוסף להצעת מעורבות ללא מגע וחוויות אכילה מותאמות אישית בצורה ניתנת להרחבה ויעילה יותר, המערכת החכמה המוצעת מבקשת לשפר את שביעות רצון הלקוחות, לייעל את התפעול ולשפר את אספקת השירות.

אנו משווים עבודה זו למספר שיטות קודמות על מנת למקם אותה בהקשר הנוכחי של מערכות המלצות מזון מונעות בינה מלאכותית. לדוגמה, מסגרת המלצות שיחה רציפה מבוססת שנאי המשתמשת בתהליכי תשומת לב עצמית כדי ללכוד דינמיקת דיון פותחה על ידי Zou et ^al.30. על מנת להקל על משימות דיאלוג והמלצות מבוססות חזותיות, גמבטי והאן³¹ פיתחו את AiGen-FoodReview, מערך נתונים רב-מודאלי המורכב מטקסטים ותמונות של ביקורות מסעדות תואמות. בעבר, MenuAI נוצרה על ידי Ju et ^al.32 ומשתמשת במודלים של שנאים כדי להמליץ על פריטי תפריט ישירות מגרפיקה טקסטואלית של תפריט. יכולת הפרשנות והיעילות החישובית נפגעות מדי פעם על ידי גישות אלה, למרות כישוריהם המצוינים בעיבוד הקשר או מידע רב-מודאלי. מערכת NLP-LDA + Conv-RNN + Conv-LSTM המשולבת שלנו, לעומת זאת, יוצרת איזון בין יכולת הסבר, פריסה קלת משקל ודיוק חיזוי גבוה, מה שהופך אותה למתאימה במיוחד למצבי קייטרינג עם משאבים מוגבלים.

בחינת האופן שבו טכנולוגיה המופעלת על ידי בינה מלאכותית עשויה לשפר את תקני האירוח ולהאיץ את פעילות המסעדות באמצעות שירותי קייטרינג חכמים (ICS) היא המטרה העיקרית של מחקר זה. הקצאת דיריכלה סמויה (LDA) ו-NLP משולבים בשיטה המוצעת כדי לטפל ביעילות בפניות לקוחות ללא מגע. Conv-RNN משמש להפקת המלצות לארוחות על מנת לספק חוויות אישיות, ומודל Conv-LSTM אופטימלי משמש לחיזוי רמות שביעות רצון הצרכנים. על ידי שילוב אלמנטים אלה, ה-ICS שנוצר מראה שימוש מעשי בהעלאת שביעות הרצון הכוללת של הלקוחות, הבטחת איכות והגברת יעילות השירות. באמצעות מדדי ביצועים על דיוק המלצות מזון וחיזוי שביעות רצון, תוצאות הניסוי מאמתות את יעילות המודל.

מערכת הקייטרינג החכמה המוצעת מספקת שירות ללא מגע למתן הצעות מזון ותחזיות שביעות רצון לקוחות. מערכת קייטרינג חכמה ללא מגע מתמקדת בעיקר באוטומציה ונוחות, ומאפשרת ללקוחות לקיים אינטראקציה עם המערכת בצורה ללא מגע תוך ביצוע משימות ספציפיות כמו הצעת מזון וחיזוי שביעות רצון. בעוד שסוכן בינה מלאכותית חורג מאוטומציה על ידי שימוש בתובנות מונחות נתונים כדי לקבל החלטות מדויקות, מסתגלות ומותאמות אישית יותר, משפר את חווית הלקוח ומשפר את היעילות התפעולית במגוון רחב יותר של פונקציות. מטרת מחקר זה היא לפתח מערכת קייטרינג חכמה (ICS) מונעת בינה מלאכותית המשלבת NLP-LDA לאינטראקציות ללא מגע, Conv-RNN להמלצות מזון מותאמות אישית ו-Conv-LSTM לחיזוי שביעות רצון הלקוחות. מערכת זו שימושית למסעדות מכיוון שהיא משפרת את היעילות התפעולית, מפחיתה עלויות, מספקת שירות עקבי ומשפרת את מעורבות הלקוחות באמצעות התאמה אישית ומשוב בזמן אמת.

Protocol

מחקר זה נערך בהתאם להנחיות ועדת האתיקה המחקרית של האוניברסיטה הלאומית של מלזיה (UKM) ואושר תחת מספר אישור UKM FST/2025-AI/023. הסכמה מדעת בכתב התקבלה מכל המשתתפים לפני איסוף שאילתות הצ'אטבוט. כל הנתונים עברו אנונימיזציה כדי להבטיח סודיות ופרטיות של המשתתפים

סקירת מחקר

הסקירה הכללית של מערכת הקייטרינג החכמה המוצעת בסיוע טכנולוגיות AI מוצגת באיור 1. כפי שמודגם, קלט הלקוח מעובד מראש עם טכניקות NLP כגון הטמעת מילים, למטיזציה וטוקניזציה כדי לחלץ את התגים. לאחר מכן, מודל ה-ML שנקרא LDA יושם על מידול תגי לקוחות כדי לספק להם שירות ללא מגע. הצעת המזון מתבצעת באמצעות מודל Conv-RNN. בהתבסס על רצף הזרימה שנרשם מהבחירות של הלקוח הקודם, האוכל מוצע ללקוח בצורה חכמה. לבסוף, רמת שביעות רצון הלקוחות צפויה על ידי שימוש במודל Conv-LSTM מותאם לשיפור נוסף בשירותי המסעדה. הביצועים של מודלי הבינה המלאכותית המוצעים מוערכים תחת מדדי ההערכה השונים.

איור 1: מודל מערכת מוצע עבור שירותי קייטרינג חכמים (ICS). הארכיטקטורה משלבת אינטראקציה עם המשתמש, עיבוד מקדים של נתונים, זיהוי כוונות, המלצות מזון ומנגנוני משוב. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

מערך נתונים בשימוש

כדי ליצור את מערכת הקייטרינג החכמה, אספנו 283 בקשות ממסעדה סמוכה באמצעות צ'אט בוט. שאלות אלה, שכללו מגוון רחב של פניות לקוחות מפרטי התפריט ועד שעות הפעילות, חולקו ידנית ל-15 קבוצות כוונה שונות. זה מבטיח כיסוי יסודי של כל האינטראקציות האפשריות של המשתמש עם המערכת. ברכות, פרידות, הערכה, קייטרינג, שעות, הגדרה, פרטי קשר, שאלות לגבי תשלומים, התפריט של היום, חלופות משלוח, שאלות בתפריט, תהליכי הזמנה, מבצעים מיוחדים, הזמנות, אפשרויות משקאות ונגישות לישיבה בחוץ הם רק חלק מההיבטים הספציפיים של פניות לקוחות ששיעורי הכוונה נועדו לתעד. טבלה 1 מציגה את תדירות השאלות בכל אחת מקבוצות המטרה ואת הסיווג לפי המהות התמטית של השאילתות. לדוגמה, לקטגוריית פרטי קשר היו השאילתות הגבוהות ביותר, מה שמרמז על כך שהלקוחות מעוניינים מאוד לברר כיצד ליצור קשר עם המסעדה. מצד שני, קטגוריות הישיבה והמשקאות קיבלו הכי פחות פניות, מה שעשוי להצביע על כך שיש פחות עניין צרכני בנושאים אלה או שיש כבר יותר הבהרות לגביהם.

שירות ללא מגע באמצעות NLP עם LDA

קלט המשתמש שמתחיל את פעילות המסגרת מעובד בתחילה מראש כדי לתקנן את הטקסט ולמנוע רעש. טוקניזציה, חיסול מילות עצירה ולמטיזציה הם דוגמאות להכנה זו, שמכינה את הנתונים לניתוח נוסף. לאחר עיבוד מקדים, פניות משתמשים מומרות לייצוגים מספריים. קשרים סמנטיים ורלוונטיות הקשרית הם בין המאפיינים הלשוניים שנלכדים על ידי ייצוגים אלה. מספר מסווגים של למידת מכונה שימשו כדי לאמן את הייצוגים הווקטוריים הללו של שאילתות משתמשים לסיווג של 16 מחלקות מוגדרות מראש (כוונות/תגים). המודל מביא את התגובה הקשורה שנקבעה מראש ומחזיר אותה למשתמש לאחר חיזוי מדויק של כוונות השאילתה של המשתמש.

עיבוד מקדים

אמינות הניתוח שלנו משופרת מאוד על ידי השאילתות המעובדות מראש, המוודאות שהנתונים הנכנסים מעוצבים באופן עקבי ורלוונטיים להליך הסיווג הבא. דפוסי הכוונה (למשל, ברכות כגון שלום, שלום, היי) נאספו ועובדו מראש על ידי המרת טקסט לאותיות קטנות, הסרת מילות עצירה והחלת טוקניזציה באמצעות ערכת הכלים NLTK³³. טבלה 2 מציגה את שלבי העיבוד המקדים שבוצעו במחקר זה.

מידול תגיות מבוסס LDA

המערכת מסווגת את התגים מהמשתמש באמצעות רגרסיה וקטורית תומכת (SVR) כך שברכות המשתמש מזוהות על ידי המערכת. על מנת לשפר את יכולת המערכת לחזות את כוונת המשתמש, בחנו ביסודיות שיטות עיבוד טקסט קונבנציונליות ומתקדמות בנוסף למודלים של למידת מכונה (ML) ולמידה עמוקה (DL). בניית אלגוריתם מדויק ביותר שיוכל להבין מגוון רחב של שאלות משתמשים הייתה המטרה שלנו. מחקר זה השתמש באסטרטגיות הבסיסיות של Bag of Words (BoW) ו-TF-IDF בגלל קלות השימוש והעוצמה שלהן בהדגשת תדירות המילים וחשיבות המילים בטקסט. היכולת של Glove ו-Word2Vec לייצר הטמעות מילים על פי שימוש במילים יחד אפשרה להם לספק ידע על משמעויות מילים והקשר²².

לאחר הכנת הנתונים, שאילתות הכוונות מסווגות בשיטת הקצאת דיריכלה סמויה (LDA). המטרה היא להשתמש בכריית טקסט בשיטת LDA כדי לנתח את הקשרים בין מונחים ולזהות דפוסים במבנים שלהם^34,35. ללא פיקוח והסתברותי באופיו, LDA מניח שכל מסמך בקורפוס מורכב ממספר קבוע מראש של נושאים המוגדרים ידנית. לכל מסמך ב-LDA יש משקל שווה ויש לו שק של מילים. ההנחה היא שהמילים במסמך אינן מסודרות. נושא מתואר גם באמצעות פונקציית מסת הסתברות של מילים. כל מסמך משתמש בפונקציית מסת הסתברות כדי לבחור נושאים. לסיווג כוונות, הקצאת דיריכלה סמויה (LDA) הוחלה באמצעות ספריית GensimPython³⁴.

ב- LDA, הכוונות נתפסות כהתפלגות על הסמוי המסומן על ידי אוויר ההפצה של LDA הנקרא . תבנית נבחרת על סמך התפלגות הכוונה, המסומנת כ-θ (multinomial) המגדירה את הכוונה הנתונה, ההסתברות של I שייכת למחלקה הנתונה C. התפלגות דיריכלה קשורה β המקודדת את התבנית לשק של מילים. בהינתן α ו-β, היא מוגדרת כהתפלגות רב-משתנית עם N מילים הקשורות לתבניות M עם כוונות z. קבוצת המונחים N מסומנת כ-W, הנתונה^כ-36:

(1)

על ידי אינטגרציה מעל θ, הסיכום מוצהר כ-Z, והמכפלה נלקחת מההסתברויות של השוליים של הכוונות הבודדות, וכל הסתברות הכוונה מחושבת כך,

(2)

הדפוסים, כולל וריאציות הכוונה לברכות, הם היי, שלום, היי, בוקר טוב/צהריים/ערב, והולה. בעת קבלת דפוסים אלה, המערכת מוצאת את כוונת המשתמש כברכות ומגיבה אליהן כתוצאה מכך בביטוי שהוגדר, כגון מה אני יכול לעזור לך? או איך אני יכול לעזור לך? אם השאילתה אינה מזוהה על ידי המערכת עם 15 המחלקות המוגדרות מראש, המערכת מספקת מידע על המסעדה ומציעה למשתמש לתקשר עם שירות הלקוחות. התוצאה של מידול תגים מבוסס LDA של שאילתות משתמשים הקשורות לברכות מוצגת באיור 2. באופן דומה, התגובות מתבצעות עבור כל 15 המחלקות הקשורות לכוונות המשתמש (שאילתות). למודל LDA יש את הפרמטרים הבאים. מספר הנושאים (k) מוצהר כ- 40, אלפא קבוע כ- 0.05, ערך הביתא הוא 0.04 ומספר החזרות מוצהר כ- 100.

הצעת מזון באמצעות Bi-NN עבור ICS

במערכת הקייטרינג החכמה (ICS), פריטי מזון מסווגים באופן שיטתי כדי לתמוך בהמלצות מדויקות. כל כניסה לתפריט עשויה לייצג פריט בודד (למשל, המבורגר, חטיף, משקה) או שילוב של פריטים כגון ערכת ארוחה (למשל, עוף מטוגן עם משקה קר). פריטים אלה מקובצים לשש קטגוריות עיקריות: עוף, המבורגר, חטיף, משקה, חליפה וטיפין. לשם הבהרה, חליפה מתייחסת לערכות ארוחות ארוזות, בעוד שטיפין מייצג ארוחות מסורתיות מרובות פריטים. כל פריט מזון מוגדר על ידי שלוש תכונות עיקריות: מחירו, הקטגוריה שלו וקטור תוכן המתאר את הרכבו. סיווג מובנה זה מאפשר למודל ההמלצות לנתח את היסטוריית הרכישות של הלקוחות הן ברמת הפריט והן ברמת הקטגוריה, ולשפר את יכולת המערכת להציע ארוחות ושילובים רלוונטיים התואמים את העדפות המשתמש. כל המזונות ב-ICS הם קבוצה המסומנת כ-,  כאשר N מציין את המספר הכולל של פריטי מזון ב-ICS. עבור כל מוצר  מזון ב-F,  מורכב מפרטים על תכונות המזון, והוא מסומן כ,

(3)

כאשר,  מציין את מחירי המזון,  מציין את הקטגוריה של פריטי המזון כאשר , C מציין את הקטגוריות.  מציין את מספר התפריטים שבהם M מציין את התפריטים מציין את וקטור התוכן של המזון,  כאשר היכן הוא האלמנט של וקטור התוכן ומייצג עוף, המבורגר, חטיף, משקה, חליפה וטיפין, בהתאמה.

נתוני המשתמש מורכבים מפרטים על המשתמש כדי לציין את תכונות המשתמש שניתן להשיג מהאפליקציה או מזרימת השימוש. עבור כל משתמש , התכונות מסומנות כ,

(4)

כאשר , מציין את הפרטים על המשתמש, כגון גיל ומין.  מציין את אירוע הקליק של המשתמש, שהוא וקטור באורך משתנה שבו ו- t מצהיר על השעה של אירוע הקליק האחרון,  הוא המספר החיובי ומציין  את כל רצף הזרימה המציין את כל הרכישה שבוצעה על ידי המשתמש.   מציין את רשימת המזון שנרכש על ידי הלקוח, כאשר , k מציין את הכמות הכוללת של פריטי מזון שנרכשו על ידי המשתמש.

עם השימוש ב-F ו-U, המציינים פריטי מזון ונתוני משתמשים, בהתאמה, מערכת ההמלצות ממוסגרת ב-ICS. מטרת מערכת זו היא לשפר את הדיוק כדי לשפר את כוונת הרכישה של המשתמש. הבעיה של ICS מנוסחת כך,

(5)

משוואה (5) מציינת את מטרת הבעיה למצוא תוצאות דיוק משופרות בבעיית ICS על ידי הפחתת פונקציית ההפסד המסומנת במשוואה (6).

(6)

כאשר,  היא התוצאות הצפויות והיא  התוצאה בפועל. המודל מתפקד טוב יותר כאשר ערך פונקציית ההפסד קטן יותר. פונקציית ההפסד משמשת לקביעת הפער בין הערך החזוי של המודל לבין הערך האמיתי Y. בכך,

(7)

איפה

(8)

(9)

בזה, r מציין את נתוני האימון ב-X, ו-s הוא מספר פריט המזון שנרכש של נתוני אימון אחד. ה-ICS שפותח השתמש באנטרופיה צולבת כפונקציית הפסד, המתוארת בסעיף הבא.

המלצת מזון מבוססת Conv-RNN

על ידי ניתוח תכונות המוצר, דירוגי המשתמשים ופרופילי המשתמשים, מערכת המלצות מבוססת Conv-RNN מספקת למשתמשים המלצות המבוססות על תחומי העניין שלהם. איור 3 מציג את עיצוב ה-CRNN המוצע. המודלים של Conv-RNN שוקלים לעתים קרובות או מוסיפים אוטומטית מידע ספציפי על ההקשר הזמני של המשתמש תוך כדי הצעות. עם זאת, עד כמה מערכת ממליצים מבינה ומשתמשת בהקשר המסופק על ידי בקשות ההצעה קובע לעתים קרובות עד כמה היא יעילה. Conv-RNN מחשב דירוגי חיזוי על סמך התכונות והתכונות הדינמיות של הפריט והקשר הזמן הנוכחי של המשתמש כדי לספק המלצות מתאימות למשתמש ספציפי. זה בלתי נמנע שלאנשים שעוברים דברים דומים באותו זמן יהיו העדפות דומות. היעילות של מערכת מודעת זמן מבוססת CNN להמלצות תלויה ביכולתה למצוא משתמשים הדומים ביותר למקלט המיועד וחולקים את אותו הקשר זמני. לפיכך, CNN מתעדת את ההקשר הטמפורלי, שהוא המידע הרגיש לזמן על פעילות המשתמש. שכבת הקלט של ה-CNN הוזנה לאחר מכן בתכונות המשתמש, מאפייני הפריט ומידע הזמן כדי לבנות מחדש את המטריצה המקורית. שיטה לחישוב התפוקה הסופית ניתנת לאחר ששכבת הקונבולוציה שימשה לחילוץ תכונות מהמטריצה.

משכבות הקונבולוציה, אירועי קליק המזון מופקים באמצעות Eqn (10)

(10)

כאשר O הוא גודל הפלט, X הוא גודל נתוני הקלט, F הוא גודל הליבה הקונבולוציונית, a הוא למלא את נתוני הקלט, ו-S הוא יותר מ-1 ו-S הוא צעד הליבה. הרשת העצבית יכולה למדל מודלים מורכבים יותר ממה שהייתה יכולה אם היא הייתה מוגבלת להדמיית חישובים בין שכבות שכנות של הרשת, מה שהיא עושה על ידי שימוש באחידות אך רק פעולה ליניארית, מכיוון שפונקציית ההפעלה בתוך שכבת הגירוי משמשת לביצוע פעולות לא ליניאריות. ברשת עצבית, תקשורת שכבה לשכבה היא רציפה לחלוטין. ב-Conv-RNN, פונקציות ההפעלה היו הנפוצות ביותר. פונקציות ההפעלה הקונבנציונליות של Tanh, Sigmoid וסוגים אחרים של הפעלה חסרות שיפוע ויש להן טווחי מרווחים קטנים ומעשיים. כאשר משתמשים גם בפעולה לא-ליניארית חסכונית במשאבים, פונקציות היחידה הליניארית המתוקנת (ReLU) הופכות למכשיר העיקרי להתגברות על שתי בעיות אלה.

ליעילות חישובית, שכבת האיגום מורידה דגימות ומעבדת בדלילות נתוני תכונות. שיטות האיגום המקסימליות והממוצעות הן שתי דוגמאות ידועות לאלגוריתמי איגום; MaxPooling מספק תוצאות טובות יותר לבחירת תכונות. MaxPooling בחר את התכונות הבאות:

(11)

לאחר מכן, ה-Conv-RNN משתמש בשכבה המחוברת במלואה תוך שימוש בשתי גישות צפופות לאימון מחדש של זנב ה-Conv-RNN עם פחות אובדן מידע על תכונות. שכבות חוזרות משמשות בדרך כלל ברשתות עצביות לניתוח נתונים עוקבים. בגלל חיבורים המאפשרים להם לשמור על זיכרון פנימי של כניסות קודמות, שכבות חוזרות מטפלות בכל קלט בנפרד, בניגוד לשכבות הזנה מסורתיות. זה הופך את השכבות החוזרות למתאימות במיוחד למשימות הכוללות רצפים, נתוני סדרות זמן או כל סוג של מידע שבו סדר הקלט חשוב. היחידה הבסיסית של שכבה חוזרת היא תא העצב החוזר, המכונה לעתים קרובות תא RNN. כאשר תאי RNN מטפלים בכניסות אחת בכל פעם, הם שומרים על מצב פנימי המכיל נתונים מתשומות קודמות. מצבו הפנימי משתנה בכל שלב זמן, מה שמשפיע על עיבוד התשומות הבאות. שכבת הפלט מציגה למשתמש את התוצאות לאחר השימוש במסווג SoftMax. לפני השימוש בשדות, שמאפייניהם מסווגים כאינדקס של המטריצה המוטמעת, יש להמיר אותם תחילה למספרים שלמים.

פונקציית אובדן האנטרופיה הצולבת הקטגורית, המכמתת את ההפרש בין תוויות המחלקה האמיתיות y לבין התפלגות ההסתברות החזויה y', שימשה לאימון מודל ההמלצה של Conv-RNN. ירידה בשיפוע סטוכסטי (SGD) עם הערכת מומנט אדפטיבי (אדם) שימשה לשיפור פרמטרי המודל θ (משקולות והטיות). הפרמטרים שונו באופן הבא בכל איטרציה של אימון:

(12)

כאשר, η קצב הלמידה,  הוא השיפוע של פונקציית ההפסד ביחס ל-θ.

הטקטיקות הבאות שימשו כדי למנוע התאמת יתר. במהלך האימון, רגולציה של נשירה (ρ=0.3) משמשת בשכבות מקושרות לחלוטין כדי לנטרל באופן אקראי נוירונים. כאשר לא נראה שיפור במשך 15 תקופות רצופות, האימון הופסק מוקדם על סמך אובדן אימות.

אימות צולב מפוצל פי חמישה כדי לאשר את ביצועי ההכללה

באמצעות חיפוש רשת בערכת האימות, בוצע כוונון היפרפרמטרים. במרחב החיפוש נכללו מספר המסננים לשכבת הקונבולוציה, 64, גודל הליבה, 3 x 3, מספר השכבות החוזרות כ-100, גודל האצווה, שיעור הנשירה 0.2 וקצב הלמידה 0.002. האופטימיזציה המשומשת היא ADAM. לבסוף, שכבת הפלט מחזירה את התוצאות של מזונות מומלצים כווקטור קידוד חם אחד, כאשר המזונות המוצעים מסומנים באחד, ויציאות אחרות יסומנו כ-0.

חיזוי שביעות רצון לקוחות באמצעות Conv-LSTM

מחקר זה השתמש בזיכרון לטווח קצר של קונבולוציה (Conv-LSTM) כדי לחזות את שביעות רצון הלקוחות לאחר שסיימו את הקייטרינג שלהם. המבנה של Conv-LSTM מוצג באיור 4. הארכיטקטורה של CNN כוללת נוירוני קלט, סדרה של שכבות קונבולוציה, איגום, שכבות מחוברות לחלוטין ושכבות נורמליזציה³⁷. תאי העצב של שכבת הקונבולוציה מחוברים לשכבה שמעליה דרך אזור צר, ואילו נוירוני ההפעלה של השכבות המקושרות במלואן קשורים באופן מלא לשכבות שמתחתיהן. כניסות Conv-LSTM מגדירות במפורש את צורות הטנזור ואת הגרעיניות הזמנית. כל רצף קלט מובנה לפי הפעלת הזמנת לקוח (שלב זמן = לכל הזמנה), כאשר רשימת הרכישות מקודדת כווקטור מרובה חם ורמת שביעות הרצון המשויכת מיוצגת כציון מספרי. לטנזור המתקבל יש את הצורה (גודל אצווה × אורך רצף × ממד תכונה).

השידור ההפוך קדימה ואחורה של פונקציה ב-CNN בדרך כלל מפריד גורמים לקבוצות שונות על סמך הקלט שלהם. עיצובים רבים של CNN צצו כתוצאה מהתקדמות המחקר האחרונה. כפי שמוצג במשוואה (15), שלושה משקולות, iw, rw ו-b, מציינים משקל קלט, משקל חוזר והטיה, בהתאמה, שהופעלו בכל בלוק LSTM.

(13)

להלן הצהרה על מצב התא בזמן שלב t:

 (14)

כאשר מכפלת הדמארד מסומנת ב- . הקוד עבור המצב הנסתר Ht של t הוא,

 (15)

ההיפרפרמטרים והערכים שלהם של Conv-LSTM מוצהרים כדלקמן: מספר המסננים לשכבת הקונבולוציה הוא 64, גודל הליבה הוא 3 x 3, יחידות ה-LSTM הן 100 עם שיעור נשירה של 0.2, גודל האצווה הוא 64, קצב הלמידה הוא 0.002 ומספר צעדי הזמן הוא 50 עם אופטימיזציה של אדם.

דיאגרמת UML וקוד מדומה לאינטראקציה עם לקוח

הזרימה הדינמית של האינטראקציות במערכת המוצעת מתוארת בדיאגרמת רצף UML (איור 5). מודול NLP-LDA מעבד את בקשת המשתמש (כגון הזמנת ארוחה או שאילתה) למידול נושא וחילוץ כוונות. לאחר העיבוד, מנוע ההמלצות (Conv-RNN) מקבל את הבקשה ומייצר המלצה מותאמת אישית. לבסוף, המשתמש מקבל תגובה בזמן אמת מהמערכת. רצף זה מבטיח שקיפות בהמרת קלט המשתמש ליציאות שירות חכמות ומדגיש את האינטראקציה המודולרית של רכיבים.

אלגוריתם ההמלצה של Conv-RNN קיבל פסאודו-קוד כדי לשפר את יכולת השחזור. הוא מספק סקירה כללית של הלוגיקה החישובית הרציפה, הכוללת עיבוד מקדים של בקשת המשתמש, שימוש בשכבות קונבולוציוניות וחוזרות למידול רצף וחילוץ תכונות, רגולציה ושכבת פלט softmax ליצירת הצעה. פסאודו-קוד זה מציע תצוגה ברורה ברמת היישום של זרימת העבודה של המודל, המשפרת ניסוחים מתמטיים.

קוד מדומה: אלגוריתם המלצה של Conv-RNN

קלט: בקשת משתמש U, רצף אינטראקציה היסטורי H

פלט: פריט מזון מומלץ R

1. עיבוד מקדים U → טוקניזציה, הטמעה עם Word2Vec
2. בנה רצף קלט S = [H, U]
3. החל שכבה קונבולוציונית:
   S_conv = Conv1D(S, מסננים, kernel_size)
4. מעבר דרך שכבה חוזרת (RNN/GRU):
   S_RNN = RNN(S_conv, hidden_units)
5. החלת Dropout להסדרה
6. שכבה צפופה עם הפעלת Softmax:
   P = Softmax(W xS_rnn + b)
7. בחר המלצה:
   R = argmax(P)
8. החזר את R למשתמש

Results

מחקר זה בדק ואימת ביסודיות מספר מודלים כדי להבטיח את האותנטיות והאמינות של ה-ICS שפותח. ההגדרה היעילה ביותר עבור ICS נקבעה על ידי ביצוע מחקר השוואתי של מספר שילובי הטמעה ומסווג מילים. כל ניסוי נערך פי 10 והתוצאות הוצגו כערכים ממוצעים עם שגיאות תקן סגורות בסוגריים. שיטה זו הפנתה את תשומת הלב לחוסר החיזוי והעקביות של המודל בביצועים. סטיית התקן היא גורם מכריע שיש לקחת בחשבון בעת הערכת מודל; ערכים גדולים יותר עשויים להצביע על כך שביצועי המודלים משתנים מאוד בין מערכי הנתונים או התרחישים, מה שמ...

Discussion

הביצועים הכוללים של מודל ה-ICS המוצע באמצעות טכנולוגיות AI מושווים ל-k-means עם SVR²⁴, מסעדת שירות מהיר עם LSTM (QSR-LSTM)²⁵ ו-NLP-ANN³⁸. באופן השוואתי, המודל המוצע הבטיח זמן חישוב מופחת בהשוואה לגישות הנחשבות, כפי שמוצג באיור 12. ככל שמספר האיטרציות גדל, זמן החישוב של כל המודלים גדל בהדרגה. מערכת הקייטרינג החכמה המוצעת באמצעות בינה מלאכותית הבטיחה ביצועים משופרים עם זמן חישוב ושגיאו...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
שפת תכנות	פייתון (משמש לפיתוח מודלים, NLP ולמידה עמוקה)	https://www.python.org/	פייתון 3.8+
מסד נתונים	MySQL או SQLite (לאחסון יומני אינטראקציה של משתמשים)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 או SQLite3
מערך נתונים	שאילתות משתמשים שנאספו מצ'אטבוט הזמנות של מסעדות מקומיות		הערות ידניות
מסגרת למידה עמוקה	טנסורפלו / קראס	https://www.tensorflow.org/; קראס 2.11 ורר; https://keras.io/	TensorFlow 2.11 או Keras 2.11
סביבת פיתוח	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (חינמי)
מדדי הערכה	מדדי SCIKIT-LEARN: דיוק, שחזור, חוצה אנטרופיה, R&Sup2;	https://scikit-learn.org/	Scikit-Learn 1.0+
ערכת כלים לשפה טבעית	spaCy / NLTK (לעיבוד מוקדם לזיהוי כוונות)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
מודלים של רשתות עצביות חוזרות	RNN, LSTM, Conv-LSTM	https://keras.io/	מיושם בקראס
חומרת מערכת	Intel Core i7, 16GB RAM, כרטיס מסך NVIDIA GTX 1660 Ti		מערכת מקומית
כלי מידול נושאים	Gensim (משמש להקצאת Dirichlet סמויה)	https://radimrehurek.com/gensim/	Gensim 4.1.2
כלי ויזואליזציה	Matplotlib, Seaborn (לתכנון גרפים של ביצועים)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
הטמעת מילים	הטמעות מאומנות מראש ב-Word2Vec / GloVe	https://nlp.stanford.edu/projects/glove/	GloVe (100D), סטנפורד NLP