AI w quizie dotyczącym rekomendacji restauracji i menu

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Na czym głównie opiera się filtrowanie wspólne przy formułowaniu rekomendacji?
   • Wzory od użytkowników o podobnych gustach
   • Wartość odżywcza każdego dania
   • Projekt wnętrz restauracji
   • Temperatura w kuchni w czasie rzeczywistym
2. Dlaczego modele NLP polegające na przeglądaniu recenzji są przydatne w aplikacjach związanych z żywnością?
   • Szybciej gotują jedzenie
   • Podsumowują nastroje i wydobywają z tekstu sygnały z poziomu talerza
   • Zastępują potrzebę menu
   • Ustalili ceny w restauracji
3. In a proposed two-stage food recommender, what would candidate retrieval do before ranking?
   • Confirm the restaurant reservation
   • Process the customer’s payment
   • Select a candidate subset for a later scoring stage
   • Guarantee the final recommendation matches every preference
4. Do czego służą osadzania w rekomendacjach menu?
   • Przechowywanie haseł klientów
   • Szyfrowanie adresów dostaw
   • Pomiar temperatury piekarnika
   • Przedstawianie potraw jako wektorów, tak aby podobne elementy znajdowały się blisko siebie
5. Why can a new diner with no recorded preferences pose a cold-start problem?
   • Interaction-based personalization has little user-history evidence to work from
   • The restaurant must change its menu
   • The model cannot represent food text
   • Opening hours become unavailable to everyone
6. What can the MenuAI research system do with a menu image and a nutritional search key?
   • Book a table without user confirmation
   • Rank menu dishes according to a query such as calories or protein
   • Diagnose a food allergy from a photograph
   • Guarantee a dish is available today
7. Why include restaurant availability or opening hours in recommendations?
   • It improves a model’s parameter count
   • It guarantees the restaurant is highest rated
   • A highly relevant option is not useful if it is unavailable at the requested time
   • It replaces user preferences
8. What is one limitation of review-mining sentiment for food recommendations?
   • Sentiment scores are always objective
   • Reviews contain exact nutrition facts
   • Review mining removes popularity bias
   • A review’s language may be sparse, subjective, or unrepresentative of the current menu