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 אי....

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....

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