Optimizasyon ve yapay zekâ algoritmaları kullanarak menü planlama yazılımı geliştirilmesi

Günümüzde, bireylerin sağlık ve beslenme bilincinin giderek arttığı bir dönemdeyiz. Bu durum, gıda sektöründe kişiye özel beslenme önerilerinin sağlanmasının önemini artırmakta ve yemek israfının azaltılması gerekliliğini ortaya koymaktadır. Çalışmada, demografik veriler ve yemek tercihleri gibi kullanıcı bilgileri toplanarak bu veriler yapay zeka modelleri ile analiz edilmiştir. Özellikle, Rastgele Orman algoritması kullanılarak geliştirilen model, kullanıcıların gelecekteki tercihlerini tahmin etmek ve menü planlama sürecinde eğitilmiştir. Modelin doğruluğunu ve performansını değerlendirmek amacıyla çeşitli testler gerçekleştirilmiş ve sonuçlar, yapay zeka ve optimizasyon tekniklerinin birlikte kullanılmasıyla kullanıcı odaklı menü planlarının başarıyla oluşturulabildiğini göstermiştir. Bu sayede, hem çalışan memnuniyetinin arttığı hem de yemek israfının önemli ölçüde azaldığı gözlemlenmiştir. Ayrıca, veri setinin büyüklüğüne bağlı olarak modelin performansında bazı zorluklar yaşanmış ve daha nitelikli ve temsili veri kullanmanın gerekliliği vurgulanmıştır. Geliştirilen model, catering firmaları ve toplu beslenme hizmeti sunan diğer kuruluşlar için, yemek israfını azaltırken çalışan memnuniyetini artıran yenilikçi çözümler sunmaktadır. Gelecekte yapılacak çalışmalarla modelin daha da geliştirilmesi ve farklı sektörlerde de uygulanabilir hale getirilmesi hedeflenmektedir.

In today's world, we are experiencing a period where individuals' awareness of health and nutrition is increasingly growing. This situation emphasizes the importance of providing personalized nutrition recommendations in the food industry and highlights the necessity of reducing food waste. In this study, demographic data and food preferences were collected from users and analyzed using artificial intelligence models. Specifically, a model developed using the Random Forest algorithm was trained to predict users' future preferences and guide the menu planning process. Various tests were conducted to evaluate the model's accuracy and performance, and the results demonstrated that using artificial intelligence and optimization techniques together successfully creates user-focused menu plans. Consequently, it was observed that employee satisfaction increased while food waste significantly decreased. Additionally, challenges related to the size of the dataset were encountered, underscoring the need for more qualitative and representative data. The developed model offers innovative solutions that increase employee satisfaction while reducing food waste for catering companies and other institutions providing mass dining services. Future studies aim to further develop the model and make it applicable in different sectors.