Requisitos funcionais e modelagem de sistemas orientados a objetos para projetar sistemas inteligentes de catering orientados por IA

Summary

Este estudo apresenta um sistema de catering de restaurante baseado em IA que permite comunicação sem contato, sugestões de refeições personalizadas e previsão de satisfação. Ao utilizar NLP com LDA, Conv-RNN e Conv-LSTM, ele supera as técnicas baseadas em regras com mais exatidão, precisão, recall e taxas de erro reduzidas, demonstrando o potencial revolucionário da IA no setor de food service.

Abstract

A indústria de alimentos passou por uma transformação significativa nas últimas décadas devido à globalização, avanços tecnológicos e evolução das expectativas dos clientes. A Inteligência Artificial (IA) e a Internet das Coisas (IoT) estão agora desempenhando um papel crítico no aprimoramento da produção, marketing e prestação de serviços de alimentos. Este estudo propõe um sistema inteligente orientado por IA para melhorar os serviços de catering de restaurantes por meio de serviço sem contato usando Processamento de Linguagem Natural (NLP) e Análise Discriminante Linear (LDA), recomendações alimentares personalizadas por meio de um modelo de Rede Neural Recorrente Convolucional (Conv-RNN) e previsão de satisfação do cliente usando um modelo otimizado de Memória Convolucional de Longo Prazo e Curto (Conv-LSTM). Experimentos do mundo real demonstram que o sistema proposto supera os métodos tradicionais baseados em regras, alcançando 91,5% de precisão, 91% de precisão, 91,1% de recall e uma pontuação F1 de 89,7% com Word2Vec-LDA; 98,5% de acurácia com perda de 0,02 no modelo Conv-RNN; e um RMSE de 0,1011 com um R² de 0,9812 no sistema Conv-LSTM. Esses resultados destacam o potencial transformador da IA na automação e aprimoramento do atendimento ao cliente na indústria de restaurantes.

Introduction

A adoção da IA tem sido uma parte crucial do crescimento da tecnologia digital na última década. Ele deu a vários setores, incluindo o setor de hospitalidade, possibilidades e desafios desde o seu início¹, e inúmeras invenções baseadas em IA foram desenvolvidas com potencial para melhorar a qualidade de vida das pessoas e, assim, melhorar a economia. Na indústria de restaurantes muito competitiva, manter comida e atendimento ao cliente de alto nível é essencial para o sucesso. À medida que a tecnologia avança e as experiências gastronômicas mudam, a IA está se tornando uma ferramenta revolucionária para aumentar a eficácia operacional e a satisfação do cliente. Os sistemas de monitoramento baseados em IA estão transformando as operações dos restaurantes² para gerenciar melhor suas cozinhas, ficar de olho na qualidade dos alimentos e oferecer atendimento ao cliente de alto nível. Por meio do uso de algoritmos avançados e análise de dados em tempo real, essas tecnologias simplificam as operações e garantem consistência, segurança e excelência em todos os aspectos da experiência gastronômica. Agora é possível que os restaurantes alcancem um maior grau de precisão para os procedimentos operacionais normais².

O sucesso financeiro geral, a adaptabilidade às mudanças nas circunstâncias e a capacidade de expandir e mudar suas ofertas para atender às necessidades e expectativas dos clientes são fatores no setor de turismo e hospitalidade, e esses fatores frequentemente determinam se uma empresa sobrevive³. Portanto, o setor de turismo e hospitalidade está usando tecnologias avançadas como IA e robótica (AIR) para aprimorar o atendimento e a experiência do cliente. Esses avanços tecnológicos estão sendo usados como ferramentas inteligentes para o atendimento ao cliente, a fim de melhorar a experiência do cliente⁴. Além disso, o desempenho corporativo pode ser aprimorado pelo rápido avanço da IA na gestão hoteleira. Um exemplo de indústria intensiva em dados que coleta grandes quantidades de dados em vários formatos é o setor hoteleiro.

Ineficiências na gestão operacional, crescentes expectativas dos consumidores por serviços individualizados, crescente escassez de mão de obra e a exigência de previsões precisas de demanda são alguns dos problemas contínuos enfrentados pelo setor de hospitalidade. As abordagens convencionais frequentemente não conseguem lidar adequadamente com esses problemas, o que aumenta as despesas operacionais e resulta em qualidade de serviço desigual. Ao automatizar processos tediosos, facilitar a tomada de decisões baseada em dados, aumentar a previsão de demanda, otimizar preços e gerenciamento de estoque e aprimorar a personalização do consumidor, a inteligência artificial (IA) fornece soluções. A IA está se posicionando cada vez mais como um instrumento revolucionário para melhorar a eficácia operacional do setor de hospitalidade e a experiência do hóspede, preenchendo essas lacunas.

Ao restaurar a eficácia operacional e reconhecer os eventos do cliente, a IA está transformando a história do atendimento ao cliente na indústria de restaurantes². Habilidades de IA, como aprendizado de máquina e análise extrapolativa, são cruciais para simplificar procedimentos como criação de demanda e gerenciamento de estoque. Melhor consistência de serviço e menores custos operacionais são os resultados desses avanços ^5,6. Além disso, ao avaliar os dados do consumidor para oferecer sugestões e elevações de menu personalizadas, a IA facilita as interações personalizadas e promove a fidelidade e a felicidade do cliente⁷. Os sistemas inteligentes desempenham um papel fundamental no setor de viagens e turismo, aumentando a concorrência ao se concentrar na sofisticação⁸. Os hotéis estão experimentando tecnologia de ponta, incluindo estratégias digitais⁹ e robôs aprimorados com IA e Internet das Coisas (IoT). Os robôs alimentados por IA e tecnologias relacionadas estão se tornando cada vez mais comuns¹⁰. Por meio de interfaces digitais, os assistentes de voz (AVs), que são dispositivos de inteligência artificial (IA) ativados por comandos de voz, fornecem um grau de inteligência semelhante ao humano¹¹. Os AVs apresentam dificuldades apesar de seus avanços, como baixa conscientização do usuário, aborrecimento e oposição ocasional de funcionários e visitantes^{do hotel 12}.

As operações de entrega e retirada estão crescendo na indústria de restaurantes à medida que a dinâmica da sociedade muda e mais americanos escolhem opções convenientes e que economizam tempo¹³. Quase 60% dos consumidores nos EUA fazem um pedido para entrega ou retirada pelo menos uma vez por semana, e 78% dos consumidores usam ativamente plataformas de pedidos de comida online¹⁴. Essa tendência é reforçada ainda mais pelos dados de que o mercado de entrega de comida online atingiu US$ 220 bilhões até o final de 2023, respondendo por 40% das vendas de restaurantes, e que o mercado chegará a US$ 365 bilhões até o final de 2030¹⁵. Prevê-se que aumente para mais de US$ 534,60 bilhões até 2028. Com uma taxa de crescimento anual composta prevista de aproximadamente 9,5% até 2034, o mercado global foi avaliado em aproximadamente US$ 288,87 bilhões em 2024 e deve atingir US$ 316,31 bilhões até o final de 2025¹⁵. Além disso, o número de pedidos online diretos aumentou impressionantes 54% entre 2019 e 2021, indicando que os clientes estão cada vez mais escolhendo pedidos digitais em vez das opções tradicionais de jantar. A crescente importância da mineração de texto e da tomada de decisão baseada em dados no gerenciamento de serviços, iluminando novos domínios de gerenciamento e tópicos importantes, como inteligência de mercado e análise de mídia social¹⁶. Esta pesquisa fornece um argumento convincente para os restaurantes usarem chatbots para desenvolver eficácia operacional e envolvimento do cliente. Além disso, a pesquisa de Proença e Soukiazis¹⁷ destaca a possibilidade de abordagens baseadas em dados em iniciativas de marketing e gerenciamento de relacionamento com o cliente, oferecendo informações perspicazes sobre como usar chatbots para maximizar as interações com o cliente e estimular a expansão da empresa.

Para aumentar a eficiência e escolher um atendimento individualizado e focado no cliente, a indústria de restaurantes está implementando Robótica, Inteligência Artificial e Automação de Serviços (RAISA)¹⁸. O uso do RAISA em restaurantes tem uma série de implicações que devem ser avaliadas, assim como qualquer outra mudança tecnológica¹⁹. Ao reduzir erros e melhorar a qualidade geral do serviço, a RAISA pode fornecer um serviço confiável e padronizado²⁰. Além disso, pode fornecer aos clientes uma experiência interativa distinta. De acordo com Kreishan¹⁸, os robôs de serviço agora são mais sofisticados, independentes e adaptáveis. Mas eles também podem ter um impacto no ambiente geral de um restaurante, bem como nas interações sociais entre clientes, funcionários e robôs. É fundamental avaliar os aspectos que impactam a aceitabilidade da tecnologia, pois gestores, funcionários e consumidores têm percepções variadas sobre esses elementos, e sua prontidão para interagir com a RAISA está mudando²¹.

As capacidades linguísticas significativas dos modelos Omni foram destacadas por sua precisão aprimorada de classificação de sentimento na análise de avaliações de hotéis, que atingiu mais de 67% em comparação com 60,6% para o BERT²². Ao mesmo tempo, os sistemas de recomendação estão usando progressivamente Large Language Models (LLMs) para melhorar a personalização gerenciando perfis e analisando avaliações de usuários. Enquanto os sistemas híbridos integram saídas LLM com incorporações de redes neurais gráficas para melhorar a precisão da recomendação em circunstâncias de dados esparsos, a estrutura PURE usa LLMs para atualizar dinamicamente os perfis dos usuários com base nas revisões²³. Enquanto isso, em situações baseadas em sessão, as arquiteturas de recomendação no estilo transformador, como o Transformers4Rec, estão superando os modelos convencionais de RNN²⁴.

Ainda existem várias facetas inexploradas ou pouco exploradas do catering inteligente, apesar dos rápidos desenvolvimentos em IA, automação e tecnologia inteligente. Esses desafios incluem o gerenciamento da eficiência energética e do desperdício de alimentos por meio de sistemas orientados por IA, dimensionando a personalização para uma variedade de preferências do cliente, integrando a IA aos fluxos de trabalho tradicionais da cozinha, protegendo a privacidade e a segurança do cliente no perfil do cliente e implementando soluções inteligentes de catering para restaurantes de pequeno e médio porte com financiamento limitado. Para que as soluções inteligentes de catering sejam adotadas de forma ampla e sustentável, essas lacunas devem ser preenchidas. Isso cria uma oportunidade para mais estudo e invenção. Potenciais lacunas de pesquisa em sistemas inteligentes de catering incluem o seguinte:

Embora os sistemas de IA sejam capazes de fazer recomendações de refeições com base nas escolhas do usuário, eles frequentemente lutam para compreender completamente as sutilezas das necessidades dietéticas e preferências pessoais²⁵. A maioria das soluções ainda é um tanto básica e propensa a erros, como prever incompatibilidades; no entanto, alguns sistemas inteligentes de catering empregam IA para gerenciar o estoque ou estimar a demanda. Muitos sistemas inteligentes de catering têm apenas uma maneira de interagir, como telas sensíveis ao toque ou reconhecimento de voz²⁶. Muitos sistemas ainda são limitados em sua capacidade de compreender ou prever totalmente as preferências individuais, mesmo que os agentes de IA possam fornecer um certo nível de personalização com base no histórico ou nas preferências do consumidor. Entradas básicas, como dados demográficos ou pedidos anteriores, são frequentemente usadas por bots de IA.

Avanços recentes no aprendizado de máquina têm se concentrado cada vez mais na modelagem do comportamento humano e dados contextuais em diversos domínios. Em sua avaliação de fontes de dados e metodologias para perfis de ocupação de edifícios urbanos, Nejadshamsi et ^al.27 enfatizaram o valor de dados heterogêneos na captura de padrões comportamentais dinâmicos. Com base nisso, Nejadshamsi et ^al.28 mostraram como o aprendizado profundo prevê fluxos espaço-temporais da atividade humana, apresentando um modelo de previsão de fluxo comutativo com reconhecimento de contexto geográfico-semântico utilizando redes neurais gráficas. Da mesma forma, Nejadshamsi et ^al.29 destacaram a importância de pistas contextuais para melhorar o desempenho preditivo, criando uma estrutura informada sobre transporte para ocupação em escala urbana e estimativa de energia.

Melhorar a experiência do cliente e aumentar a eficiência operacional tornaram-se elementos cruciais de sucesso na indústria de restaurantes em rápida mudança. Muitos restaurantes ainda lutam para oferecer serviços suaves, individualizados e eficazes, apesar do uso crescente da tecnologia, porque carecem de sistemas inteligentes integrados. Questões-chave, incluindo o aprimoramento do serviço sem contato, o fornecimento de recomendações de refeições individualizadas e a previsão precisa da felicidade do cliente em tempo real, são frequentemente negligenciadas pelos sistemas atuais²⁵. Ao criar um sistema de catering inteligente que utiliza tecnologias de ponta para melhorar as operações do restaurante, este projeto visa colmatar esta lacuna. Três elementos essenciais estão integrados ao sistema:

Serviço sem contato usando Alocação Latente de Dirichlet (LDA) e Processamento de Linguagem Natural (NLP): Ao alavancar LDA e NLP, interações eficazes sem contato com o cliente são possíveis, reduzindo o tempo de espera e o erro humano.

Sistemas de recomendação baseados em Conv-RNN para sugestões alimentares: Isso aumenta a satisfação do menu usando uma Rede Neural Recorrente Convolucional (Conv-RNN) para produzir recomendações alimentares dinâmicas e personalizadas com base nas preferências do consumidor.

Prevendo a satisfação do cliente com um modelo Conv-LSTM otimizado: Os restaurantes podem fazer melhorias baseadas em dados usando um modelo aprimorado de memória convolucional de longo prazo (Conv-LSTM) para prever a felicidade do cliente com base em dados e feedback em tempo real. Além de oferecer engajamento sem contato e experiências alimentares personalizadas de maneira mais escalável e eficaz, o sistema inteligente sugerido busca melhorar a satisfação do cliente, agilizar as operações e melhorar a prestação de serviços.

Contrastamos este trabalho com vários métodos anteriores para colocá-lo no contexto atual dos sistemas de recomendação de alimentos orientados por IA. Por exemplo, uma estrutura de recomendação conversacional sequencial baseada em transformador que usa processos de autoatenção para capturar a dinâmica da discussão foi desenvolvida por Zou et ^al.30. Para facilitar o diálogo e as tarefas de recomendação baseadas em visual, Gambetti e Han³¹ desenvolveram o AiGen-FoodReview, um conjunto de dados multimodal que consiste em textos e fotos de avaliações de restaurantes correspondentes. Anteriormente, o MenuAI foi criado por Ju et ^al.32 e usa modelos de transformadores para fazer recomendações de itens de menu diretamente de gráficos textuais de menu. A interpretabilidade e a eficiência computacional são ocasionalmente comprometidas por essas abordagens, apesar de suas excelentes habilidades no processamento de informações contextuais ou multimodais. Nosso sistema integrado NLP-LDA + Conv-RNN + Conv-LSTM, por outro lado, atinge um equilíbrio entre explicabilidade, implantação leve e alta precisão de previsão, o que o torna particularmente apropriado para situações de catering com recursos limitados.

Examinar como a tecnologia baseada em IA pode melhorar os padrões de hospitalidade e agilizar as operações do restaurante por meio de Serviços Inteligentes de Catering (ICS) é o principal objetivo deste estudo. A Alocação Latente de Dirichlet (LDA) e a PNL são combinadas no método sugerido para lidar com eficiência com as consultas dos clientes sem contato. Um Conv-RNN é usado para produzir recomendações de refeições a fim de fornecer experiências individualizadas, e um modelo Conv-LSTM otimizado é usado para prever os níveis de satisfação do consumidor. Ao integrar esses elementos, o ICS criado mostra uso prático para aumentar a satisfação geral do cliente, garantir a qualidade e aumentar a eficiência do serviço. Usando medidas de desempenho na precisão da recomendação de alimentos e na previsão de satisfação, os resultados experimentais verificam a eficácia do modelo.

O sistema de catering inteligente proposto fornece um serviço sem contato para fornecer sugestões de alimentos e previsões de satisfação do cliente. Um sistema de catering inteligente sem contato é focado principalmente em automação e conveniência, permitindo que os clientes interajam com o sistema de maneira sem toque enquanto executam tarefas específicas, como sugestão de comida e previsão de satisfação. Considerando que um agente de IA vai além da automação, usando insights orientados por dados para tomar decisões mais precisas, adaptáveis e personalizadas, aprimorando a experiência do cliente e melhorando a eficiência operacional em uma ampla gama de funções. O objetivo deste estudo é desenvolver um Sistema de Catering Inteligente (ICS) orientado por IA que integre NLP-LDA para interações sem contato, Conv-RNN para recomendações personalizadas de alimentos e Conv-LSTM para prever a satisfação do cliente. Esse sistema é útil para restaurantes porque aumenta a eficiência operacional, reduz custos, oferece um serviço consistente e melhora o envolvimento do cliente por meio de personalização e feedback em tempo real.

Protocol

Este estudo foi conduzido de acordo com as diretrizes do Comitê de Ética em Pesquisa da Universidade Nacional da Malásia (UKM) e aprovado sob o número de aprovação UKM FST/2025-AI/023. O consentimento informado por escrito foi obtido de todos os participantes antes da coleta de consultas do chatbot. Todos os dados foram anonimizados para garantir a confidencialidade e privacidade dos participantes

Visão geral do estudo

A visão geral do sistema de restauração inteligente proposto assistido por tecnologias de IA é mostrada na Figura 1. Conforme ilustrado, a entrada do cliente é pré-processada com as técnicas de NLP, como incorporação de palavras, lematização e tokenização para extrair as tags. Em seguida, o modelo de ML chamado LDA foi aplicado à modelagem de tags de clientes para fornecer serviço sem contato a eles. A sugestão alimentar é realizada por meio de um modelo Conv-RNN. Com base na sequência de fluxo registrada a partir das escolhas do cliente anterior, o alimento é sugerido ao cliente de forma inteligente. Por fim, o nível de satisfação do cliente é previsto usando um modelo Conv-LSTM otimizado para melhoria adicional nos serviços do restaurante. O desempenho dos modelos de IA propostos é avaliado sob as várias métricas de avaliação.

Figura 1: Modelo de sistema proposto para serviços de catering inteligentes (ICS). A arquitetura integra interação do usuário, pré-processamento de dados, detecção de intenção, recomendação de alimentos e mecanismos de feedback. Clique aqui para ver uma versão maior desta figura.

Conjunto de dados usado

Para criar o sistema de catering inteligente, reunimos 283 solicitações de um restaurante próximo usando um chatbot. Essas perguntas, que incluíam uma ampla variedade de consultas de clientes, desde detalhes do menu até horários de funcionamento, foram divididas manualmente em 15 grupos de intenções diferentes. Isso garante uma cobertura completa de todas as possíveis interações do usuário com o sistema. Saudações, despedidas, apreciação, catering, horários, configuração, informações de contato, perguntas sobre pagamentos, menu de hoje, alternativas de entrega, perguntas do menu, processos de pedidos, ofertas especiais, reservas, opções de bebidas e acessibilidade para sentar ao ar livre são apenas alguns dos aspectos específicos das consultas dos clientes que as classes de intenção foram feitas para registrar. A Tabela 1 mostra a frequência das perguntas em cada um dos grupos de propósito e a classificação de acordo com a substância temática das perguntas. Por exemplo, a categoria Informações de contato teve as maiores consultas, sugerindo que os clientes estão muito interessados em saber como entrar em contato com o restaurante. Por outro lado, as categorias Assentos e Bebidas foram as que receberam menos consultas, o que pode indicar que há menos interesse do consumidor por esses assuntos ou que já há mais esclarecimentos sobre eles.

Serviço sem contato usando NLP com LDA

A entrada do usuário que inicia a atividade da estrutura é inicialmente pré-processada para padronizar o texto e eliminar o ruído. Tokenização, eliminação de palavras irrelevantes e lematização são exemplos dessa preparação, que prepara os dados para análises adicionais. Após o processamento preliminar, as consultas dos usuários são convertidas em representações numéricas. Ligações semânticas e relevância contextual estão entre as características linguísticas capturadas por essas representações. Vários classificadores de aprendizado de máquina foram usados para treinar essas representações vetoriais de consultas de usuários para a classificação de 16 classes predefinidas (intenções/tags). O modelo busca a resposta relacionada predeterminada e a retorna ao usuário depois de prever com precisão as intenções de consulta do usuário.

Pré-processamento

A confiabilidade de nossa análise é bastante aprimorada pelas consultas pré-processadas, que verificam se os dados recebidos estão formatados de forma consistente e relevante para o procedimento de classificação a seguir. Os padrões de intenção (por exemplo, saudações como oi, olá, ei) foram coletados e pré-processados convertendo texto em minúsculas, removendo palavras de parada e aplicando tokenização usando o kit de ferramentas NLTK³³. A Tabela 2 mostra as etapas de pré-processamento seguidas por este estudo.

Modelagem de tags baseada em LDA

O sistema classifica as tags do usuário usando a Regressão de Vetor de Suporte (SVR) para que as saudações do usuário sejam reconhecidas pelo sistema. Para melhorar a capacidade do sistema de antecipar a intenção do usuário, examinamos minuciosamente os métodos de processamento de texto convencionais e de ponta, além dos modelos de Machine Learning (ML) e Deep Learning (DL). Construir um algoritmo altamente preciso que pudesse compreender uma ampla gama de perguntas do usuário era nosso objetivo. Este estudo empregou as estratégias fundamentais do Bag of Words (BoW) e do TF-IDF devido à sua facilidade de uso e potência em enfatizar a frequência das palavras e a importância das palavras no texto. A capacidade de Glove e Word2Vec de produzir incorporações de palavras de acordo com o uso de palavras juntas permitiu que eles fornecessem conhecimento dos significados e do contexto das palavras²².

Depois que os dados são preparados, as consultas de intenções são classificadas usando o método de alocação latente de Dirichlet (LDA). O objetivo é usar a mineração de texto com o método LDA para analisar as conexões entre os termos e identificar padrões em suas estruturas^34,35. Não supervisionado e de natureza probabilística, o LDA assume que cada documento em um corpus é composto por um número predeterminado de temas definidos manualmente. Cada documento no LDA tem o mesmo peso e tem um saco de palavras. Presume-se que as palavras de cada documento não sejam ordenadas. Um tópico também é descrito usando uma função de massa de probabilidade de palavras. Cada documento usa uma função de massa de probabilidade para escolher temas. Para classificação de intenção, a Alocação Latente de Dirichlet (LDA) foi aplicada usando a biblioteca GensimPython³⁴.

No LDA, as intenções são vistas como a distribuição sobre o latente que é denotada pelo ar de distribuição LDA chamado . Um padrão é selecionado com base na distribuição de intenção, que é denotada como θ (multinomial) que define a intenção dada, a probabilidade de I pertence à classe C dada. Uma distribuição de Dirichlet está relacionada a β que codifica o padrão em um saco de palavras. Dada a α e β, é definida como a distribuição multivariada com N palavras relacionadas a M padrões com z intenções. O grupo de N termos é denotado como W, que é dado como³⁶:

(1)

Ao integrar sobre θ, a soma é declarada como Z, e o produto é tomado das probabilidades da marginal das intenções individuais, e toda a probabilidade da intenção é calculada como,

(2)

Os padrões, incluindo as variações de intenção para saudações, são oi, olá, Ei, Bom dia/meio-dia/véspera e hola. Ao receber esses padrões, o sistema encontra a intenção do usuário como saudações e responde a elas consequentemente com a frase definida, como O que posso ajudá-lo? ou Como posso ajudá-lo? Se a consulta não for reconhecida pelo sistema com as 15 classes predefinidas, o sistema fornecerá informações sobre o restaurante e sugerirá que o usuário se comunique com o atendimento ao cliente. O resultado da modelagem de tags baseada em LDA de consultas de usuário relacionadas a saudações é mostrado na Figura 2. Da mesma forma, as respostas são realizadas para todas as 15 classes relacionadas às intenções do usuário (Consultas). O modelo LDA tem os seguintes parâmetros. O número de tópicos (k) é declarado como 40, Alfa é fixado como 0,05, o valor Beta é 0,04 e o número de iterações é declarado como 100.

Sugestão de alimentos usando Bi-NN para ICS

No Sistema de Catering Inteligente (ICS), os alimentos são sistematicamente categorizados para apoiar recomendações precisas. Cada entrada do menu pode representar um único item (por exemplo, hambúrguer, lanche, bebida) ou uma combinação de itens, como um conjunto de refeições (por exemplo, frango frito com uma bebida gelada). Esses itens são agrupados em seis categorias principais: frango, hambúrguer, lanche, bebida, terno e tiffin. Para maior clareza, o terno refere-se a conjuntos de refeições embalados, enquanto o tiffin representa as refeições tradicionais com vários itens. Cada alimento é definido por três características principais: seu preço, sua categoria e um vetor de conteúdo que descreve sua composição. Essa categorização estruturada permite que o modelo de recomendação analise os históricos de compras do cliente nos níveis de item e categoria, melhorando a capacidade do sistema de sugerir refeições e combos relevantes que se alinhem às preferências do usuário. Todos os alimentos no ICS são um conjunto denotado como,  onde N denota o número total de itens alimentares no ICS. Para cada produto  alimentício em F,  consiste em detalhes das características do alimento, e é denotado como,

(3)

onde,  denota os preços dos alimentos,  denota a categoria dos itens alimentares onde , C denota as categorias.  denota o número de menus onde onde M denota os menus denota o vetor de conteúdo de comida,  onde onde é o elemento do vetor de conteúdo e representa frango, hambúrguer, lanche, bebida, terno e Tiffin, respectivamente.

Os dados do usuário consistem em detalhes sobre o usuário para denotar os recursos do usuário que podem ser obtidos do aplicativo ou do fluxo de uso. Para cada usuário , os recursos são indicados como,

(4)

onde , denota os detalhes sobre o usuário, como idade e sexo.  denota o evento de clique do usuário, que é um vetor de comprimento variável em  que e t declara a hora do evento de clique recente,  é o número positivo e  denota toda a sequência de fluxo que denota toda a compra realizada pelo usuário.  Denota a lista de alimentos comprados pelo cliente, onde , k denota a quantidade total de alimentos comprados pelo usuário.

Com o uso de F e U, que denotam itens alimentares e dados do usuário, respectivamente, o sistema de recomendação é enquadrado no ICS. O objetivo deste sistema é melhorar a precisão para aumentar a intenção de compra do usuário. O problema do ICS é formulado como,

(5)

A Equação (5) denota o objetivo do problema de encontrar resultados de precisão aprimorados no problema ICS, reduzindo a função de perda que é denotada na Equação (6).

(6)

onde,  é o resultado previsto e  é o resultado real. O modelo tem melhor desempenho quando o valor da função de perda é menor. A função de perda é empregada para determinar a discrepância entre o valor previsto do modelo e o valor real Y. Neste,

(7)

onde

(8)

(9)

Neste, r denota os dados de treinamento em X e s é o número do item de alimento comprado de um dado de treinamento. O ICS desenvolvido empregou a entropia cruzada como uma função de perda, que é descrita na seção a seguir.

Recomendação alimentar baseada em Conv-RNN

Ao analisar os atributos do produto, classificações de usuários e perfis de usuários, um sistema de recomendação baseado em Conv-RNN fornece aos usuários recomendações com base em seus interesses. A Figura 3 mostra o projeto CRNN proposto. Os modelos Conv-RNN frequentemente consideram ou adicionam automaticamente informações específicas sobre o contexto temporal do usuário ao fazer sugestões. No entanto, o quão bem um sistema de recomendação compreende e utiliza o contexto fornecido pelas solicitações de sugestão geralmente determina sua eficácia. O Conv-RNN calcula as classificações de previsão com base nos recursos e atributos dinâmicos do item e no contexto de tempo atual do usuário para fornecer recomendações adequadas para um usuário específico. É inevitável que as pessoas que estão passando por coisas semelhantes ao mesmo tempo tenham preferências semelhantes. A eficácia de um sistema de reconhecimento de tempo baseado na CNN para recomendações depende de sua capacidade de encontrar usuários que sejam mais comparáveis ao receptor pretendido e compartilhem o mesmo contexto temporal. Assim, a CNN registra o contexto temporal, que são as informações sensíveis ao tempo sobre a atividade do usuário. A camada de entrada da CNN foi então alimentada com os atributos do usuário, características do item e informações de tempo para reconstruir a matriz original. Um método para calcular a saída final é dado uma vez que a camada de convolução tenha sido usada para extrair recursos da matriz.

A partir das camadas de convolução, os eventos de clique de alimentos são extraídos usando Eqn (10)

(10)

onde O é o tamanho da saída, X é o tamanho dos dados de entrada, F é o tamanho do kernel convolucional, a é para preencher os dados de entrada e S é maior que 1 e S é o passo do kernel. A rede neural pode modelar modelos mais complexos do que se estivesse restrita a simular cálculos entre camadas vizinhas da rede, o que faz usando uniformidade, mas apenas operação linear, porque a função de ativação dentro da camada de estimulação é usada para realizar operações não lineares. Em uma rede neural, a comunicação camada a camada é estritamente sequencial. Em Conv-RNN, as funções de ativação foram as mais prevalentes. O Tanh convencional, sigmóide e outros tipos de funções de ativação não possuem um gradiente e têm intervalos de intervalo pequenos e práticos. Quando uma operação não linear eficiente em termos de recursos também é usada, as funções de unidade linear retificada (ReLU) tornam-se o principal instrumento para superar esses dois problemas.

Para eficiência computacional, a camada de pooling reduz a amostragem e processa esparsamente os dados de recursos. Os métodos de pooling máximo e médio são dois exemplos bem conhecidos de algoritmos de pooling; MaxPooling fornece melhores resultados de seleção de recursos. MaxPooling selecionou os seguintes recursos:

(11)

O Conv-RNN então emprega a camada totalmente conectada usando duas abordagens densas para treinar novamente a cauda do Conv-RNN com menos perda de informações de recursos. As camadas recorrentes são comumente usadas em redes neurais para a análise de dados sequenciais. Por causa das conexões que permitem manter uma memória interna de entradas anteriores, as camadas recorrentes lidam com cada entrada separadamente, ao contrário das camadas feedforward tradicionais. Isso torna as camadas recorrentes particularmente adequadas para tarefas que envolvem sequências, dados de séries temporais ou qualquer tipo de informação em que a ordem das entradas seja importante. A unidade fundamental de uma camada recorrente é o neurônio recorrente, muitas vezes conhecido como célula RNN. À medida que as células RNN lidam com as entradas uma de cada vez, elas mantêm um estado interno que contém dados de entradas anteriores. Sua condição interna é alterada a cada passo de tempo, o que influencia o processamento de entradas subsequentes. A camada de saída mostra ao usuário os resultados após usar o classificador SoftMax. Antes de usar os campos, cujas características são categorizadas como o índice da matriz incorporada, eles devem primeiro ser convertidos em números inteiros.

A função de perda de entropia cruzada categórica, que quantifica a diferença entre os rótulos de classe verdadeiros y e a distribuição de probabilidade projetada y', foi usada para treinar o modelo de recomendação Conv-RNN. O gradiente descendente estocástico (SGD) com estimativa de momento adaptativo (Adam) foi usado para melhorar os parâmetros do modelo θ (pesos e vieses). Os parâmetros foram modificados da seguinte forma em cada iteração de treinamento t:

(12)

onde, η é a taxa de aprendizado,  é o gradiente da função de perda em relação a θ.

As seguintes táticas foram usadas para evitar o overfitting. Durante o treinamento, a regularização de abandono (ρ = 0,3) é usada em camadas totalmente ligadas para desativar neurônios aleatoriamente. Quando nenhuma melhora foi observada por 15 épocas consecutivas, o treinamento foi interrompido precocemente com base na perda de validação.

Validação cruzada dividida em cinco vezes para confirmar o desempenho da generalização

Usando uma pesquisa em grade no conjunto de validação, o ajuste de hiperparâmetro foi realizado. Incluídos no espaço de pesquisa estavam o número de filtros para a camada de convolução, 64, o tamanho do kernel, 3 x 3, o número de camadas recorrentes como 100, o tamanho do lote, taxa de abandono 0,2 e taxa de aprendizado 0,002. O otimizador usado é o ADAM. Finalmente, a camada de saída retorna os resultados dos alimentos recomendados como um vetor de codificação one-hot, onde os alimentos sugeridos são indicados por um e outras saídas serão denotadas como 0.

Previsão de satisfação do cliente usando Conv-LSTM

Este estudo utilizou a Memória de Longo Curto Prazo de Convolução (Conv-LSTM) para prever a satisfação do cliente depois de terminar o serviço de bufê. A estrutura do Conv-LSTM é mostrada na Figura 4. A arquitetura da CNN inclui neurônios de entrada, uma série de camadas convolucionais, pooling, camadas completamente conectadas e camadas de normalização³⁷. As células nervosas da camada de convolução estão conectadas à camada acima dela por meio de uma região estreita, enquanto os neurônios de ativação das camadas totalmente ligadas estão totalmente relacionados às camadas abaixo delas. As entradas Conv-LSTM definem explicitamente as formas tensoriais e a granularidade temporal. Cada sequência de entrada é estruturada por sessão de pedido do cliente (intervalo de tempo = por pedido), onde a lista de compras é codificada como um vetor multi-hot e o nível de satisfação associado é representado como uma pontuação numérica. O tensor resultante tem a forma (tamanho do lote × comprimento da sequência × dimensão do recurso).

A transmissão reversa para frente e para trás de uma função na CNN geralmente separa os fatores em diferentes grupos com base em sua entrada. Numerosos projetos da CNN surgiram como resultado de recentes avanços de pesquisa. Conforme mostrado na Equação (15), três pesos, iw, rw e b, denotam peso de entrada, peso recorrente e viés, respectivamente, que foram empregados em cada bloco LSTM.

(13)

A seguir está uma declaração do estado da célula na etapa de tempo t:

 (14)

onde o produto Hadamard é denotado por . O código para o estado oculto Ht de t é,

 (15)

Os hiperparâmetros e seus valores de Conv-LSTM são declarados da seguinte forma: O número de filtros para a camada de convolução é 64, o tamanho do kernel é 3 x 3, as unidades LSTM são 100 com uma taxa de desistência de 0,2, o tamanho do lote é 64, a taxa de aprendizado é 0,002 e o número de intervalos de tempo é 50 com o otimizador Adam.

Diagrama UML e pseudocódigo para interação com o cliente

O fluxo dinâmico de interações no sistema sugerido é representado no diagrama de sequência UML (Figura 5). O módulo NLP–LDA processa a solicitação do usuário (como um pedido de refeição ou consulta) para modelagem de tópicos e extração de intenção. Após o processamento, o mecanismo de recomendação (Conv-RNN) recebe a solicitação e produz uma recomendação personalizada. Por fim, o usuário recebe uma resposta em tempo real do sistema. Essa sequência garante transparência na conversão da entrada do usuário em saídas de serviço inteligentes e enfatiza a interação modular dos componentes.

O algoritmo de recomendação Conv-RNN recebeu pseudocódigo para melhorar a reprodutibilidade. Ele fornece uma visão geral da lógica computacional sequencial, que inclui o pré-processamento da solicitação do usuário, usando camadas convolucionais e recorrentes para modelagem de sequência e extração de recursos, regularização e uma camada de saída softmax para gerar uma sugestão. Esse pseudocódigo oferece uma visão clara do fluxo de trabalho do modelo em nível de implementação, o que aprimora as formulações matemáticas.

Pseudocódigo: Algoritmo de recomendação Conv-RNN

Entrada: solicitação do usuário U, sequência de interação histórica H

Saída: Item de alimento recomendado R

1. Pré-processe U → tokenize, incorpore com Word2Vec
2. Construa a sequência de entrada S = [H, U]
3. Aplicar camada convolucional:
   S_conv = Conv1D(S, filtros, kernel_size)
4. Passagem pela camada recorrente (RNN/GRU):
   S_RNN = RNN(S_conv, hidden_units)
5. Aplicar Dropout para regularização
6. Camada densa com ativação Softmax:
   P = Softmax(W xS_rnn + b)
7. Selecione a recomendação:
   R = argmax (P)
8. Retornar R para o usuário

Results

Este estudo testou e validou exaustivamente vários modelos para garantir a autenticidade e confiabilidade do ICS desenvolvido. A configuração mais eficiente para ICS foi determinada realizando um estudo comparativo de várias combinações de incorporação de palavras e classificadores. Cada experimento foi conduzido 10x e os resultados foram apresentados como valores médios com erros padrão entre parênteses. Esse método chamou a atenção para a imprevisibilidade e consistência do modelo no de...

Discussion

O desempenho geral do modelo ICS sugerido usando tecnologias de IA é comparado com o k-means com SVR²⁴, restaurante de serviço rápido com LSTM (QSR-LSTM)²⁵ e NLP-ANN³⁸. Comparativamente, o modelo proposto garantiu um tempo de computação reduzido em comparação com as abordagens consideradas, conforme mostrado na Figura 12. À medida que o número de iterações aumenta, o tempo de computa...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Linguagem de programação	Python (usado para desenvolvimento de modelos, NLP e deep learning)	https://www.python.org/	Python 3.8+
Base de dados	MySQL ou SQLite (para armazenar logs de interação do usuário)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 ou SQLite3
Dataset	Consultas de usuários coletadas de chatbot de pedidos de restaurantes locais		Anotado manualmente
Estrutura de Aprendizado Profundo	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 & rarr; https://keras.io/	TensorFlow 2.11 ou Keras 2.11
Ambiente de Desenvolvimento	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (grátis)
Métricas de Avaliação	Métricas scikit-learn: precisão, recordação, entropia cruzada, R²	https://scikit-learn.org/	scikit-learn 1.0+
Kit de Ferramentas de Linguagem Natural	spaCy / NLTK (para pré-processamento de detecção de intenção)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Modelos de Redes Neurais Recorrentes	RNN, LSTM, Conv-LSTM	https://keras.io/	Implementado no Keras
Hardware do Sistema	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Sistema local
Ferramenta de Modelagem de Tópicos	Gensim (usado para Alocação de Dirichlet Latente)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Ferramentas de Visualização	Matplotlib, Seaborn (para plotar gráficos de desempenho)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Incorporação de Palavras	Embeddings pré-treinados Word2Vec / GloVe	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP