Requisiti funzionali e modellazione di sistemi orientati agli oggetti per la progettazione di sistemi di ristorazione intelligenti basati sull'intelligenza artificiale

Summary

Questo studio introduce un sistema di catering per ristoranti basato sull'intelligenza artificiale che consente la comunicazione senza contatto, suggerimenti personalizzati sui pasti e previsione della soddisfazione. Utilizzando l'NLP con LDA, Conv-RNN e Conv-LSTM, supera le tecniche basate su regole con maggiore accuratezza, precisione, richiamo e tassi di errore ridotti, dimostrando il potenziale rivoluzionario dell'intelligenza artificiale nel settore della ristorazione.

Abstract

L'industria alimentare ha subito una trasformazione significativa negli ultimi decenni a causa della globalizzazione, dei progressi tecnologici e dell'evoluzione delle aspettative dei clienti. L'intelligenza artificiale (AI) e l'Internet of Things (IoT) stanno ora svolgendo un ruolo fondamentale nel migliorare la produzione, il marketing e la fornitura di servizi alimentari. Questo studio propone un sistema intelligente basato sull'intelligenza artificiale per migliorare i servizi di ristorazione dei ristoranti attraverso il servizio contactless utilizzando l'elaborazione del linguaggio naturale (NLP) e l'analisi discriminante lineare (LDA), raccomandazioni alimentari personalizzate attraverso un modello di rete neurale ricorrente convoluzionale (Conv-RNN) e la previsione della soddisfazione del cliente utilizzando un modello di memoria a lungo termine convoluzionale ottimizzato (Conv-LSTM). Gli esperimenti del mondo reale dimostrano che il sistema proposto supera i metodi tradizionali basati su regole, raggiungendo un'accuratezza del 91,5%, una precisione del 91%, un richiamo del 91,1% e un punteggio F1 dell'89,7% con Word2Vec-LDA; Precisione del 98,5% con una perdita di 0,02 nel modello Conv-RNN; e un RMSE di 0,1011 con un R² di 0,9812 nel sistema Conv-LSTM. Questi risultati evidenziano il potenziale trasformativo dell'intelligenza artificiale nell'automazione e nel miglioramento del servizio clienti nel settore della ristorazione.

Introduction

L'adozione dell'intelligenza artificiale è stata una parte cruciale della crescita della tecnologia digitale nell'ultimo decennio. Ha offerto a diversi settori, tra cui il settore dell'ospitalità, sia possibilità che sfide sin dal suo inizio¹, e sono state sviluppate numerose invenzioni basate sull'intelligenza artificiale che hanno il potenziale per migliorare la qualità della vita delle persone e quindi potenziare l'economia. Nel settore della ristorazione molto competitivo, mantenere cibo e servizio clienti di prim'ordine e essenziale per il successo. Con l'avanzare della tecnologia e il cambiamento delle es....

Protocol

Questo studio è stato condotto in conformità con le linee guida del Comitato etico per la ricerca dell'Università nazionale della Malesia (UKM) e approvato con il numero di approvazione UKM FST/2025-AI/023. Il consenso informato scritto è stato ottenuto da tutti i partecipanti prima della raccolta delle query del chatbot. Tutti i dati sono stati resi anonimi per garantire la riservatezza e la privacy dei partecipanti

Panoramica dello studio

La panoramica del sistema di ristorazione intelligente proposto assistito da tecnologie di intelligenza artificiale è mostrata nella Figura 1. Come....

Results

Questo studio ha testato e convalidato a fondo diversi modelli per garantire l'autenticità e l'affidabilità dell'ICS sviluppato. La configurazione più efficiente per ICS è stata determinata eseguendo uno studio comparativo di diverse combinazioni di word embedding e classificatori. Ogni esperimento è stato condotto 10 volte e i risultati sono stati presentati come valori medi con errori standard racchiusi tra parentesi. Questo metodo ha portato l'attenzione sull'imprevedibilità e sulla co.......

Discussion

Le prestazioni complessive del modello ICS suggerito che utilizza le tecnologie AI sono confrontate con il k-means con SVR²⁴, il ristorante a servizio rapido con LSTM (QSR-LSTM⁾²⁵ e NLP-ANN³⁸. In confronto, il modello proposto ha garantito un tempo di calcolo ridotto rispetto agli approcci considerati, come mostrato nella Figura 12. All'aumentare del numero di iterazioni, il tempo di.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Linguaggio di programmazione	Python (utilizzato per lo sviluppo di modelli, NLP e deep learning)	https://www.python.org/	Python 3.8+
Banca dati	MySQL o SQLite (per memorizzare i log di interazione con l'utente)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 o SQLite3
Dataset	Domande degli utenti raccolte da chatbot locale di ordini di ristoranti		Annotato manualmente
Quadro di Deep Learning	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 & rarr; https://keras.io/	TensorFlow 2.11 o Keras 2.11
Ambiente di sviluppo	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (gratuito)
Metriche di valutazione	metriche scikit-learn: precisione, richiamo, entropia incrociata, R²	https://scikit-learn.org/	scikit-learn 1.0+
Kit di strumenti per il linguaggio naturale	spaCy / NLTK (per la preelaborazione del rilevamento dell'intento)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Modelli di reti neurali ricorrenti	RNN, LSTM, Conv-LSTM	https://keras.io/	Implementato in Keras
Hardware di sistema	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Sistema locale
Strumento di Modellazione Topic	Gensim (usato per l'Allocazione Dirichlet latente)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Strumenti di visualizzazione	Matplotlib, Seaborn (per tracciare grafici di performance)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Incorporamento delle parole	Embeddings pre-addestrati Word2Vec / GloVe	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP