Wymagania funkcjonalne i obiektowe modelowanie systemów do projektowania inteligentnych systemów cateringowych opartych na AI

Summary

Niniejsze badanie wprowadza system cateringu restauracyjnego oparty na AI, który umożliwia bezkontaktową komunikację, spersonalizowane propozycje posiłków oraz prognozowanie satysfakcji. Stosując NLP z LDA, Conv-RNN i Conv-LSTM, wyprzedza techniki oparte na regułach z większą dokładnością, precyzją, przypomnieniem sobie i mniejszym wskaźnikiem błędów, pokazując rewolucyjny potencjał AI w branży gastronomicznej.

Abstract

Branża spożywcza przeszła znaczącą transformację w ostatnich dekadach z powodu globalizacji, postępu technologicznego i zmieniających się oczekiwań klientów. Sztuczna inteligencja (AI) oraz Internet Rzeczy (IoT) odgrywają obecnie kluczową rolę w ulepszaniu produkcji, marketingu i świadczenia usług żywności. Niniejsze badanie proponuje inteligentny system oparty na sztucznej inteligencji, który usprawni usługi cateringowe poprzez bezkontaktową obsługę z wykorzystaniem przetwarzania języka naturalnego (NLP) i analizy dyskryminantnej liniowej (LDA), spersonalizowane rekomendacje żywieniowe za pomocą modelu Convolucjon Recurenc Neure Network (Conv-RNN) oraz prognozowanie satysfakcji klientów z wykorzystaniem zoptymalizowanego modelu Convolucjonalnej Pamięci Krótkotrwałej (Conv-LSTM). Eksperymenty rzeczywiste pokazują, że proponowany system przewyższa tradycyjne metody oparte na regułach, osiągając dokładność 91,5%, precyzję 91%, 91,1% zapamiętywania oraz wynik F1 na poziomie 89,7% w Word2Vec-LDA; 98,5% dokładności przy utracie 0,02 w modelu Conv-RNN; oraz RMSE 0,1011 z^R2 0,9812 w systemie Conv-LSTM. Wyniki te podkreślają transformacyjny potencjał AI w automatyzacji i doskonaleniu obsługi klienta w branży restauracyjnej.

Introduction

Adopcja AI była kluczowym elementem rozwoju technologii cyfrowych od ostatniej dekady. Od^{początku stworzył} wiele branż, w tym sektor hotelarski, zarówno możliwości, jak i wyzwania, a powstało wiele wynalazków opartych na AI, które mają potencjał poprawy jakości życia ludzi, a tym samym rozwoju gospodarki. W bardzo konkurencyjnej branży restauracyjnej utrzymanie najwyższej jakości jedzenia i obsługi klienta jest kluczowe dla sukcesu. Wraz z postępem technologii i zmianami doświadczeń kulinarnych, AI staje się narzędziem zmieniającym zasady gry, które zwiększa efektywność operacyjną i satysfakcję klientów. Systemy monitorujące oparte na AI przeks....

Protocol

Badanie to zostało przeprowadzone zgodnie z wytycznymi Komitetu Etyki Badań Narodowego Uniwersytetu Malezji (UKM) i zatwierdzone pod numerem zatwierdzenia UKM FST/2025-AI/023. Przed zebraniem zapytań chatbotów uzyskano pisemną świadomą zgodę wszystkich uczestników. Wszystkie dane zostały zanonimizowane, aby zapewnić poufność i prywatność uczestników

Przegląd badania

Przegląd proponowanego inteligentnego systemu cateringowego wspomaganego technologiami AI przedstawiono na Rysunku 1. Jak pokazano, dane wejściowe klienta są wstępnie przetwarzane technikami NLP, takimi jak osadzanie słów, ....

Results

Badanie to dokładnie przetestowało i zweryfikowało kilka modeli, aby zagwarantować autentyczność i niezawodność opracowanego ICS. Najefektywniejsze rozwiązanie ICS zostało określone poprzez porównawcze badanie kilku kombinacji osadzania słów i klasyfikatorów. Każdy eksperyment przeprowadzono 10 razy, a wyniki prezentowano jako wartości średnie z błędami standardowymi zasklepionymi w nawiasach. Ta metoda zwróciła uwagę na nieprzewidywalność i spójność wyników modelu. Odchylenie standardowe.......

Discussion

Ogólna wydajność sugerowanego modelu ICS wykorzystującego technologie AI jest porównywana z k-means w SVR²⁴, restauracji szybkiej obsługi z LSTM (QSR-LSTM)²⁵ oraz NLP-ANN³⁸. Dla porównania, proponowany model zapewnił krótszy czas obliczeń w porównaniu z rozważanymi podejściami, jak pokazano na Rysunku 12. Wraz ze wzrostem liczby iteracji, czas obliczeń dla wszystkich modeli stopniowo się wydłuża. Proponowany intelige.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Język programowania	Python (używany do tworzenia modeli, NLP i deep learningu)	https://www.python.org/	Python 3.8+
Baza danych	MySQL lub SQLite (do przechowywania logów interakcji użytkownika)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 lub SQLite3
Dataset	Zapytania użytkowników zebrane z chatbota zamawiającego lokalne restauracje		Ręcznie przypisywane
Ramy Deep Learning	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 &rrr; https://keras.io/	TensorFlow 2.11 lub Keras 2.11
Środowisko rozwoju	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (darmowy)
Metryki ewaluacyjne	metryki scikit-learn: precyzja, przypominanie, entropia krzyżowa, R²	https://scikit-learn.org/	scikit-learn 1.0+
Zestaw narzędzi do języka naturalnego	spaCy / NLTK (do wstępnego przetwarzania wykrywania zamiaru)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Modele rekurencyjnej sieci neuronowej	RNN, LSTM, Conv-LSTM	https://keras.io/	Implementowane w Keras
Sprzęt systemowy	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		System lokalny
Narzędzie do modelowania tematów	Gensim (używany do ukrytej alokacji Dirichleta)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Narzędzia wizualizacyjne	Matplotlib, Seaborn (do wykresów wydajności)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Osadzanie słów	Embeddingi pretrenowane w Word2Vec / GloVe	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP