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 aumenta....

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-proce....

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