Core Concepts
Automatisierung des Tischservices durch Modellvergleich für schnelle Domänenanpassung.
Abstract
I. Einführung
Automatisierung von Kundenservice in Restaurants durch tiefes neuronales Netzwerk.
Herausforderungen bei der Automatisierung des gesamten Prozesses.
Ziel: Automatisches Überprüfen und Bereitstellen von Diensten am Tisch.
II. Verwandte Arbeit
Objekterkennung für Resteverwertung und Fortschritt von Mahlzeiten.
Aktives Lernen zur Verbesserung der Modellzuverlässigkeit.
III. Ansatz
Erkennung von Tischinformationen und Dienstvorschlägen.
Training des Modells mit verschiedenen Datensätzen und Verfahren.
Vergleich von Eingabefunktionen und -kombinationen.
IV. Schlussfolgerungen
Optimale Strategie: Kombination von niedrig- und hochstufigen Merkmalen.
Bedeutung von weniger, aber nützlichen Datenpunkten für das Training.
Zukünftige Entwicklung zuverlässigerer Modelle für den Einsatz in Restaurants.
Qualitative Ergebnisse
Beispiele für erkannte Dienstfälle: Nachfüllen von Lebensmitteln, Müllentsorgung, Dessertbereitstellung, Verlorenes finden.
Stats
Wir bauten ein Basismodell zur Erkennung gemeinsamer Hinweise auf.
Das Modell wurde mit einer kleinen Menge lokaler Restaurantdaten neu trainiert.
Das Modell mit wenigen signifikanten Datenpunkten und trainierbaren Parametern ist entscheidend.
Quotes
"Wir zeigen unser Experiment zur automatischen Überprüfung und Bereitstellung notwendiger Dienste am Tisch."
"Blending von niedrig- und hochstufigen Merkmalen ist die optimale Strategie."