В эпоху цифровизации ресторанный бизнес сталкивается с вызовом: как не просто накормить гостя, но и создать незабываемый эмоциональный опыт? Ответ кроется в персонализации — и здесь на передний план выходит нейросеть food2mood. Эта инновационная платформа, интегрированная в Telegram, использует искусственный интеллект для подбора блюд под настроение пользователя, учитывая его диетические предпочтения, аллергии и гастрономические привычки.
… Читать далее Нейросеть на тарелке: как персонализация трансформирует ресторанный опытВ эпоху цифровизации ресторанный бизнес сталкивается с вызовом: как не просто накормить гостя, но и создать незабываемый эмоциональный опыт? Ответ кроется в персонализации — и здесь на передний план выходит нейросеть food2mood. Эта инновационная платформа, интегрированная в Telegram, использует искусственный интеллект для подбора блюд под настроение пользователя, учитывая его диетические предпочтения, аллергии и гастрономические привычки.
Food2mood решает сразу несколько задач: помогает гостям быстрее выбрать блюдо, повышает лояльность к ресторану и оптимизирует процесс заказа через QR-коды и мобильных официантов. Система уже работает в 13 ресторанах Москвы, увеличивая скорость обслуживания на 47 % и выручку на 11 %, согласно данным на май 2025 года. В этой статье мы разберём, как работает нейросеть, какие алгоритмы лежат в её основе и как развивать подобные модели.
Принципы работы алгоритмов
Нейросеть food2mood — это комплексная система, обученная на обширных данных о питании, рецептах, нутрициологии и психологии пищевого поведения. Она анализирует пользовательские данные и контекст ресторана, чтобы выдавать персонализированные рекомендации.
Алгоритмы можно разделить на три ключевых этапа: сбор и обработка данных, построение рекомендаций и интеграция с ресторанными процессами.Сбор и обработка данных
Основа работы food2mood — это данные, на которых обучается нейросеть. Модель обучена на отечественных и зарубежных исследованиях диетологов, нутрициологов, иммунологов и психологов. Датасет включает:
- Рецепты и состав блюд: более 10 000 рецептов, включая ингредиенты, калорийность, макро- и микронутриенты.
- Нутрициологические рекомендации: данные о влиянии продуктов на здоровье (например, антиоксиданты в ягодах для иммунитета или магний в орехах для снятия стресса).
- Психология питания: исследования о корреляции настроения и пищевых предпочтений (например, углеводы для поднятия настроения в момент печали).
- Пользовательские данные: по состоянию на май 2025 года база food2mood включает 914 профилей пользователей и 902 анкеты клиентов. Анкеты содержат информацию о поле (70 % — женщины, 30 % — мужчины), возрасте (60 % — от 18 до 25 лет, 40 % — старше 35 лет), настроении (30 % — печаль, 25 % — радость, 20 % — гнев, 15 % — спокойствие, 10 % — волнение), диетических предпочтениях (80 % — стандартное питание, 20 % — вегетарианство) и «чёрных списках» продуктов (30 % — гречка, перец, мясо; 70 % указали «пусто»).
Алгоритм предварительной обработки данных включает:
- Очистку данных: удаление дубликатов и неполных записей (например, 12 пользователей без анкет).
- Нормализацию: приведение текстовых данных (названия блюд, ингредиентов) к единому формату.
- Векторизацию: преобразование текстов в числовые векторы с использованием методов NLP (например, Word2Vec или BERT).
- Аугментацию: генерация синтетических данных для редких настроений или диет (например, веганство — 5 % пользователей).
Эффективность подтверждается статистикой: 79 поисковых запросов показывают, что пользователи активно используют фильтры. Так, самая популярная настройка — европейская кухня: её выбирают 40 % людей, а 60 % пользователей настраивают средний чек на 2000–3000 рублей.
Построение рекомендаций
Рекомендательная система food2mood использует гибридный подход, объединяя контентную и коллаборативную фильтрации:
- Контентная фильтрация: анализирует профиль пользователя (настроение, диета, чёрный список) и характеристики блюд. Например, для настроения «печаль» нейросеть чаще рекомендует блюда с высоким содержанием углеводов (пибимпаб, чизкейк), что подтверждается популярностью этих блюд в таблице orders_history.
- Коллаборативная фильтрация: учитывает поведение схожих пользователей. Например, если пользователи 25 лет с настроением «радость» выбирают корейский корндог, нейросеть предложит его аналогичным профилям.
- Контекстный анализ: учитывает данные ресторана (тип кухни, средний чек, стоп-листы). Таблица rest_filters_parameters показывает, что 9 из 13 ресторанов — корейские, что влияет на рекомендации (50 % заказов — из Korean Chick).
Алгоритм рекомендаций работает так:
- Ввод данных: пользователь указывает текущее настроение, заполняет анкету (возраст, пол, диета, аллергии).
- Фильтрация меню: исключаются блюда из чёрного списка (например, мясо для 5 % пользователей) и из стоп-листов ресторана (например, хинкали).
- Ранжирование: используется модель машинного обучения (градиентный бустинг или нейросеть типа LSTM) для оценки релевантности.
- Вывод: пользователь получает список блюд (например, рис с говядиной при настроении «радость»).
Эффективность подтверждается: 40 % отзывов отмечают, что система «угадала с блюдом», средний рейтинг сервиса — 4.8 из 5 (на основе 57 отзывов).
Интеграция с ресторанными процессами
Food2mood не только рекомендует, но и оптимизирует процесс:
- QR-коды: пользователь формирует корзину и генерирует QR-код. Официант сканирует его — заказ поступает в POS-систему (интеграция с IIKO в 10 ресторанах).
- Мобильный официант: 34 официанта зарегистрированы в системе. Процесс регистрации сокращает взаимодействие с клиентами и ускоряет обработку заказов на 47 %.
- Аналитика: рестораны получают данные о предпочтениях гостей, что помогает корректировать меню и маркетинг.
Статистика заказов (85 записей):
- Средний чек: ~800 рублей.
- Период: 10.11.2024 – 13.05.2025.
- Популярные рестораны: «Korean Chick» (50 %), «Молодёжь» (40 %).
- Интеграция увеличила количество заказов с учётом аллергий на 60 %.
Сервис food2mood набирает популярность. На данный момент его подключили 13 заведений, зарегистрированы 914 пользователей. Статистика показывает: с момента внедрения скорость обслуживания выросла на 47 %, а выручка — на 11 %.
В планах команды — интеграция в 1315 ресторанов к 2029 году. По мере подключения новых заведений модель будет дообучаться.
Дальнейшие планы развития
Расширение датасета:
- Добавить редкие диеты (например, кето, безглютеновая).
- Интегрировать внешние источники: Edamam API (~100 000 рецептов), PubMed.
- Увеличить количество отзывов (цель — 10 000 к 2026 году).
Аугментация данных:
- Использовать GPT-4 или аналоги для генерации синтетических анкет.
- Применять SMOTE для балансировки редких категорий (например, веганство).
Обновление модели:
- Дообучение каждые 3 месяца.
- Тестирование архитектур (например, трансформеры вместо LSTM).
Контроль качества:
- Внедрение A/B-тестирования рекомендаций (например, для настроения «печаль»).
Технический стек
- Хранилища данных: PostgreSQL (структурированные), MongoDB (неструктурированные).
- Облачные платформы: AWS SageMaker, Google Cloud AI Platform, Yandex Cloud.
- API: Edamam, Spoonacular.
- Инструменты NLP: Hugging Face Transformers.
- Мониторинг: Prometheus, Grafana.
Food2mood уже доказала свою эффективность, но дальнейший рост требует инвестиций: в технологии, масштабирование команды и маркетинг. В позитивном сценарии сервис способен занять 3 % ресторанного рынка России к 2029 году.