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

Краткое содержание

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.

Аннотация

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.

Введение

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....

Протокол

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....

Результаты

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.......

Обсуждение

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.......

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
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