Functionele vereisten en objectgeoriënteerde systeemmodellering voor het ontwerpen van AI-gestuurde intelligente cateringsystemen

Summary

Deze studie introduceert een op AI gebaseerd restaurantcateringsysteem dat contactloze communicatie, op maat gemaakte maaltijdsuggesties en tevredenheidsvoorspelling mogelijk maakt. Door NLP te gebruiken met LDA, Conv-RNN en Conv-LSTM, overtreft het op regels gebaseerde technieken met meer nauwkeurigheid, precisie, herinnering en minder foutenpercentages, wat het revolutionaire potentieel van AI in de foodservice-industrie aantoont.

Abstract

De voedingsindustrie heeft de afgelopen decennia een aanzienlijke transformatie ondergaan als gevolg van globalisering, technologische vooruitgang en veranderende verwachtingen van klanten. Kunstmatige intelligentie (AI) en het Internet of Things (IoT) spelen nu een cruciale rol bij het verbeteren van de voedselproductie, marketing en dienstverlening. Deze studie stelt een AI-gestuurd intelligent systeem voor om restaurantcateringdiensten te verbeteren door middel van contactloze service met behulp van Natural Language Processing (NLP) en Linear Discriminant Analysis (LDA), gepersonaliseerde voedselaanbevelingen via een Convolutional Recurrent Neural Network (Conv-RNN) -model en voorspelling van klanttevredenheid met behulp van een geoptimaliseerd Convolutional Long Short Term Memory (Conv-LSTM) -model. Experimenten uit de praktijk tonen aan dat het voorgestelde systeem beter presteert dan traditionele, op regels gebaseerde methoden, met een nauwkeurigheid van 91,5%, een precisie van 91,1%, een recall van 91,1% en een F1-score van 89,7% met Word2Vec-LDA; 98,5% nauwkeurigheid met een verlies van 0,02 in het Conv-RNN-model; en een RMSE van 0,1011 met een R² van 0,9812 in het Conv-LSTM-systeem. Deze resultaten benadrukken het transformatieve potentieel van AI bij het automatiseren en verbeteren van de klantenservice in de restaurantindustrie.

Introduction

De adoptie van AI is de afgelopen tien jaar een cruciaal onderdeel geweest van de groei van digitale technologie. Het heeft sinds de start¹ verschillende industrieën, waaronder de horecasector, zowel mogelijkheden als uitdagingen geboden, en er zijn tal van AI-aangedreven uitvindingen ontwikkeld die het potentieel hebben om de levenskwaliteit van mensen te verbeteren en daarmee de economie te verbeteren. In de zeer competitieve restaurantindustrie is het behouden van eersteklas eten en klantenservice essentieel voor succes. Naarmate de technologie vordert en eetervaringen veranderen, wordt AI een baanbrekende t....

Protocol

Deze studie is uitgevoerd in overeenstemming met de richtlijnen van de Research Ethics Committee van The National University of Malaysia (UKM) en goedgekeurd onder goedkeuringsnummer UKM FST/2025-AI/023. Voorafgaand aan het verzamelen van chatbotvragen werd schriftelijke geïnformeerde toestemming verkregen van alle deelnemers. Alle gegevens werden geanonimiseerd om de vertrouwelijkheid en privacy van de deelnemers te waarborgen

Studie overzicht

Het overzicht van het voorgestelde intelligente cateringsysteem met behulp van AI-technologieën wordt weergegeven in f....

Results

In deze studie werden verschillende modellen grondig getest en gevalideerd om de authenticiteit en betrouwbaarheid van de ontwikkelde ICS te garanderen. De meest efficiënte opzet voor ICS werd bepaald door een vergelijkende studie uit te voeren van verschillende woordinbeddings- en classificatorcombinaties. Elk experiment werd 10x uitgevoerd en de resultaten werden gepresenteerd als gemiddelde waarden met standaardfouten tussen haakjes. Deze methode vesti.......

Discussion

De algehele prestaties van het voorgestelde ICS-model met behulp van AI-technologieën worden vergeleken met de k-means met SVR²⁴, quick service restaurant met LSTM (QSR-LSTM)²⁵ en NLP-ANN³⁸. Ter vergelijking: het voorgestelde model zorgde voor een kortere rekentijd in vergelijking met de overwogen benaderingen, zoals weergegeven in figuur 12. Naarmate het aantal iteraties toeneemt, n.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Programming Language	Python (used for model development, NLP, and deep learning)	https://www.python.org/	Python 3.8+
Database	MySQL or SQLite (for storing user interaction logs)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 or SQLite3
Dataset	User queries collected from local restaurant ordering chatbot		Manually annotated
Deep Learning Framework	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 → https://keras.io/	TensorFlow 2.11 or Keras 2.11
Development Environment	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (free)
Evaluation Metrics	scikit-learn metrics: precision, recall, cross-entropy, R²	https://scikit-learn.org/	scikit-learn 1.0+
Natural Language Toolkit	spaCy / NLTK (for intent detection preprocessing)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Recurrent Neural Network Models	RNN, LSTM, Conv-LSTM	https://keras.io/	Implemented in Keras
System Hardware	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Local system
Topic Modeling Tool	Gensim (used for Latent Dirichlet Allocation)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Visualization Tools	Matplotlib, Seaborn (for plotting performance graphs)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Word Embedding	Word2Vec / GloVe pre-trained embeddings	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP