Функциональные требования и объектно-ориентированное системное моделирование для проектирования интеллектуальных систем общественного питания на основе ИИ

Summary

В этом исследовании представлена система общественного питания в ресторанах на основе искусственного интеллекта, которая обеспечивает бесконтактное общение, индивидуальные предложения блюд и прогнозирование удовлетворенности. Используя NLP с LDA, Conv-RNN и Conv-LSTM, он превосходит методы, основанные на правилах, благодаря большей точности, точности, запоминаемости и снижению количества ошибок, демонстрируя революционный потенциал искусственного интеллекта в сфере общественного питания.

Abstract

В последние десятилетия пищевая промышленность претерпела значительные преобразования в связи с глобализацией, технологическим прогрессом и меняющимися ожиданиями клиентов. Искусственный интеллект (ИИ) и Интернет вещей (IoT) в настоящее время играют важнейшую роль в улучшении производства, маркетинга и предоставления услуг продуктов питания. В этом исследовании предлагается интеллектуальная система на основе искусственного интеллекта для улучшения услуг общественного питания в ресторанах за счет бесконтактного обслуживания с использованием обработки естественного языка (NLP) и линейного дискриминантного анализа (LDA), персонализированных рекомендаций по еде с помощью модели сверточной рекуррентной нейронной сети (Conv-RNN) и прогнозирования удовлетворенности клиентов с использованием оптимизированной модели сверточной долгосрочной краткосрочной памяти (Conv-LSTM). Реальные эксперименты показывают, что предложенная система превосходит традиционные методы, основанные на правилах, достигая точности 91,5%, точности 91%, запоминаемости 91,1% и оценки F1 89,7% с помощью Word2Vec-LDA; Точность 98,5% с потерей 0,02 в модели Conv-RNN; и среднеквадратичное значение 0,1011 с R² 0,9812 в системе Conv-LSTM. Эти результаты подчеркивают преобразующий потенциал искусственного интеллекта в автоматизации и повышении качества обслуживания клиентов в ресторанной индустрии.

Introduction

Внедрение искусственного интеллекта было важной частью роста цифровых технологий в течение последнего десятилетия. С^{момента своего} основания она предоставила нескольким отраслям, включая сектор гостеприимства, как возможности, так и проблемы, и было разработано множество изобретений на основе искусственного интеллекта, которые могут улучшить качество жизни людей и, таким образом, улучшить экономику. В очень конкурентной ресторанной индустрии поддержание первоклассной еды и обслуживания клиентов имеет важное значение для успеха. По мере развития технологий и изменения качества обслуживания в ресторанах искусстве....

Protocol

Данное исследование было проведено в соответствии с руководящими принципами Комитета по этике научных исследований Национального университета Малайзии (UKM) и утверждено под номером одобрения UKM FST/2025-AI/023. Письменное информированное согласие всех участников было получено до начала сбора запросов к чат-боту. Все данные были обезличены, чтобы обеспечить конфиденциальность и неприкосновенность частной жизни участников

Обзор исследования

Обзор предлагаемой интеллектуальной системы общественного питания с использованием технологий искусственного интеллекта представлен на рисунке 1. К....

Results

В ходе этого исследования были тщательно протестированы и валидированы несколько моделей, чтобы гарантировать подлинность и надежность разработанной АСУ ТП. Наиболее эффективная настройка для ICS была определена путем проведения сравнительного исследования нескольких комбинаций встраивания и классификатора слов. Каждый эксперимент проводился 10 раз, а результаты представлялись в виде средних значений со стандартными ошибками, заключенными в скобки. Этот метод привлек внимание к непредсказ.......

Discussion

Общая производительность предложенной модели АСУ ТП с использованием технологий искусственного интеллекта сравнивается с k-средними с SVR²⁴, ресторанами быстрого обслуживания с LSTM (QSR-LSTM⁾²⁵ и NLP-ANN³⁸. Для сравнения, предложенная модель обеспечила меньшее время вычислений по сравнению с рассмотренными подходами, как показано на рисунке 12. По мере увеличения числа итераций врем.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Язык программирования	Python (используется для разработки моделей, NLP и глубокого обучения)	https://www.python.org/	Python 3.8+
База данных	MySQL или SQLite (для хранения журналов взаимодействия пользователей)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 или SQLite3
Набор данных	Пользовательские запросы, собранные от чат-бота для заказов в местном ресторане		Ручная аннотация
Фреймворк глубокого обучения	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 → https://keras.io/	TensorFlow 2.11 или Keras 2.11
Среда развития	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (бесплатно)
Метрики оценки	метрики scikit-learn: точность, отзыв, перекрестная энтропия, R²	https://scikit-learn.org/	scikit-learn 1.0+
Набор инструментов для естественного языка	spaCy / NLTK (для предварительной обработки обнаружения намерений)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Модели рекуррентных нейронных сетей	RNN, LSTM, Conv-LSTM	https://keras.io/	Реализовано в Keras
Аппаратное обеспечение системы	Intel Core i7, 16 ГБ ОПЕРАТИВНОЙ ПАМЯТИ, ВИДЕОКАРТА NVIDIA GTX 1660 Ti		Местная система
Инструмент моделирования тем	Gensim (используется для латентного распределения Дирихле)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Инструменты визуализации	Matplotlib, Seaborn (для построения графиков производительности)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Вложение слов	Заранее обученные вложения Word2Vec / GloVe	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Стэнфордский национальный университет