Yapay Zeka Güdümlü Akıllı İkram Sistemleri Tasarlamak için İşlevsel Gereksinimler ve Nesne Yönelimli Sistem Modelleme

Summary

Bu çalışma, temassız iletişime, özelleştirilmiş yemek önerilerine ve memnuniyet tahminine olanak tanıyan yapay zeka tabanlı bir restoran catering sistemini tanıtıyor. NLP'yi LDA, Conv-RNN ve Conv-LSTM ile kullanarak, daha fazla doğruluk, kesinlik, geri çağırma ve azaltılmış hata oranlarıyla kural tabanlı teknikleri aşarak yapay zekanın yemek hizmeti endüstrisindeki devrim niteliğindeki potansiyelini ortaya koyuyor.

Abstract

Gıda endüstrisi son yıllarda küreselleşme, teknolojik gelişmeler ve değişen müşteri beklentileri nedeniyle önemli bir dönüşüm geçirdi. Yapay Zeka (AI) ve Nesnelerin İnterneti (IoT) artık gıda üretimini, pazarlamasını ve hizmet sunumunu geliştirmede kritik bir rol oynuyor. Bu çalışma, Doğal Dil İşleme (NLP) ve Doğrusal Diskriminant Analizi (LDA) kullanarak temassız hizmet, Evrişimli Tekrarlayan Sinir Ağı (Conv-RNN) modeli aracılığıyla kişiselleştirilmiş yemek önerileri ve optimize edilmiş bir Evrişimli Uzun Kısa Süreli Bellek (Conv-LSTM) modeli kullanarak müşteri memnuniyeti tahmini yoluyla restoran catering hizmetlerini iyileştirmek için yapay zeka odaklı bir akıllı sistem önermektedir. Gerçek dünya deneyleri, önerilen sistemin geleneksel kural tabanlı yöntemlerden daha iyi performans gösterdiğini, Word2Vec-LDA ile %91,5 doğruluk, %91,1 kesinlik, %91,1 hatırlama ve %89,7 F1 puanı elde ettiğini göstermektedir; Conv-RNN modelinde 0,02 kayıpla %98,5 doğruluk; ve Conv-LSTM sisteminde 0.1011'lik bir R² ile 0.9812'lik bir RMSE. Bu sonuçlar, restoran endüstrisinde müşteri hizmetlerini otomatikleştirme ve geliştirmede yapay zekanın dönüştürücü potansiyelini vurgulamaktadır.

Introduction

Yapay zekanın benimsenmesi, son on yıldır dijital teknoloji büyümesinin çok önemli bir parçası olmuştur. Başlangıcından bu yana konaklama sektörü de dahil olmak üzere birçok sektöre hem olanaklar hem de zorluklar sunmuştur¹ ve insanların yaşam kalitesini iyileştirme ve dolayısıyla ekonomiyi geliştirme potansiyeline sahip çok sayıda yapay zeka destekli buluş geliştirilmiştir. Oldukça rekabetçi restoran endüstrisinde, birinci sınıf yemek ve müşteri hizmetlerini sürdürmek başarı için çok önemlidir. Teknoloji ilerledikçe ve yemek deneyimleri değiştikçe yapay zeka, operasyonel etkinliği ve müşteri memnuniyetini artı....

Protocol

Bu çalışma, Malezya Ulusal Üniversitesi (UKM) Araştırma Etik Kurulu'nun yönergelerine uygun olarak yürütülmüş ve UKM FST/2025-AI/023 onay numarasıyla onaylanmıştır. Chatbot sorguları toplanmadan önce tüm katılımcılardan yazılı bilgilendirilmiş onam alındı. Katılımcı gizliliğini ve mahremiyetini sağlamak için tüm veriler anonimleştirildi

Çalışmaya genel bakış

Yapay zeka teknolojileriyle desteklenen önerilen akıllı ikram sistemine genel bakış Şekil 1'de gösterilmektedir. Gösterildiği gibi, müşteri girişi, etiketleri çıkarmak için kelime yerleştirme, lemmatizasyon ve tokenizasyon gibi NLP....

Results

Bu çalışma, geliştirilen ICS'nin orijinalliğini ve güvenilirliğini garanti etmek için çeşitli modelleri kapsamlı bir şekilde test etti ve doğruladı. ICS için en verimli kurulum, birkaç kelime gömme ve sınıflandırıcı kombinasyonunun karşılaştırmalı bir çalışması yapılarak belirlendi. Her deney 10x gerçekleştirildi ve sonuçlar parantez içinde standart hatalarla ortalama değerler olarak sunuldu. Bu yöntem, modelin öngörülemezliğine ve performanstaki tutarlılığına dikkat çekti. Standart sapma.......

Discussion

Yapay zeka teknolojilerini kullanan önerilen ICS modelinin genel performansı, SVR²⁴ ile k-ortalamaları, LSTM (QSR-LSTM⁾²⁵ ile hızlı servis restoranı ve NLP-ANN³⁸ ile karşılaştırılır. Nispeten, önerilen model, Şekil 12'de gösterildiği gibi, dikkate alınan yaklaşımlara kıyasla daha düşük bir hesaplama süresi sağlamıştır. Yineleme sayısı arttıkça, tüm modeller için hesaplama süresi kade.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Programlama dili	Python (model geliştirme, NLP ve derin öğrenme için kullanılır)	https://www.python.org/	Python 3.8+
Veritabanı	MySQL veya SQLite (kullanıcı etkileşim günlüklerini depolamak için)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 veya SQLite3
Dataset	Yerel restoran sipariş sohbet botundan toplanan kullanıcı sorguları		Elle açıklama
Derin Öğrenme Çerçevesi	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 → https://keras.io/	TensorFlow 2.11 veya Keras 2.11
Gelişim Ortamı	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (ücretsiz)
Değerlendirme Metrikleri	scikit-learn metrikleri: hassasiyet, hatırlama, çapraz entropi, R²	https://scikit-learn.org/	scikit-learn 1.0+
Doğal Dil Araç Seti	spaCy / NLTK (niyet algılama ön işleme için)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Tekrarlayan Sinir Ağı Modelleri	RNN, LSTM, Konv-LSTM	https://keras.io/	Keras'ta Uygulandı
Sistem Donanımı	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Yerel sistem
Konu Modelleme Aracı	Gensim (Gizli Dirichlet Tahsisi için kullanılır)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Görselleştirme Araçları	Matplotlib, Seaborn (performans grafiklerini çizmek için)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Kelime Gömülmesi	Word2Vec / GloVe önceden eğitilmiş gömmeler	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP