Weather- and Location-Aware Agentic Dining Recommendation: Leveraging LLM World Knowledge for Region-Sensitive Contextual Reasoning

Stel je voor dat je in een bruisende stad staat, je maag knort, en je probeert te beslissen wat je gaat eten. Je weet dat je honger niet alleen gaat over een lege maag; het is een gesprek tussen je locatie, de tijd van de dag en het weer buiten. Dit is de wereld van context-bewuste aanbevelingen, een tak van de informatica waarbij slimme systemen proberen te raden wat je wilt door te kijken naar de "scène" om je heen, en niet alleen naar je eerdere bestellingen. Jarenlang wisten wetenschappers al dat regen je zin kan geven in soep, terwijl een verzengende middag je zin kan geven in ijs. Maar er is een verraderlijke draai: het "juiste" comfortfood verandert afhankelijk van waar je bent. Een regenachtige dag in de ene cultuur kan vragen om hete thee en gefrituerde snacks, terwijl het in een andere cultuur pizza kan betekenen. De uitdaging is geweest om computers te leren deze subtiele, lokale culturele regels te begrijpen zonder voor elke buurt een miljoen verschillende instructiehandleidingen te moeten schrijven.

Dit paper introduceert een slimme nieuwe manier om dit puzzelstukje op te lossen met behulp van Large Language Models (LLMs). Denk aan een LLM als een superintelligente, veelgelezen bibliothecaris die bijna elk boek, reisgids en receptenkaartje ter wereld heeft gelezen. In plaats van een computer te programmeren met rigide regels zoals "Als het regent in Stad A, stel Gerecht X voor," heeft de auteur een digitale assistent gebouwd die fungeert als een slimme reisagent. Deze agent kan je locatie opzoeken, het weer controleren en vervolgens de bibliothecaris-LLM vragen om na te "denken" over wat een lokale bewoner in die specifieke weersomstandigheden zou eten. Het paper suggereert dat door de AI zijn eigen uitgebreide kennis van cultuur en voedsel te laten gebruiken om over de situatie te redeneren, we veel betere, meer gepersonaliseerde aanbevelingen kunnen krijgen zonder dat we het handmatig voor elke regel hoeven te leren.

Het Probleem: Eén maat past niet iedereen

Lama tijd hebben computersystemen die restaurants aanbevelen het weer behandeld als een eenvoudige schakelaar. Als het regent, stellen ze binnenlocaties voor. Als het warm is, stellen ze koude drankjes voor. Het is een beetje als een robot die slechts twee instellingen kent: "Koud" en "Warm." Maar het echte leven is rommeliger. Het paper wijst erop dat de cultureel passende reactie op het weer diep lokaal is. Op een regenachtige avond in delen van Zuid-India kunnen mensen hunkeren naar hete thee met gefrituerde snacks zoals vada of bajji. In een groot deel van de Verenigde Staten zou diezelfde regenachtige weersgesteldheid mensen juist naar pizza of soep kunnen doen grijpen. Op een warme dag kan verlichting in Zuid-India betekenen dat men karnemelk of jong-kokoswater drinkt, terwijl het elders een ijskoude frisdrank kan betekenen.

De oude manier om dit aan te pakken was om te proberen al deze regels op te schrijven of om een speciale computerversie te trainen met een enorme lijst aan gegevens. De auteur stelt dat dit is alsof je probeert een kaart van de hele wereld te maken door elke straat met de hand op een stuk papier te tekenen. Het is broos, duur en onmogelijk op te schalen naar nieuwe plaatsen.

De Oplossing: De "Slimme Reisagent"

De auteur stelt een andere aanpak voor: een agentisch systeem. Stel je een digitale assistent voor die niet alleen een script volgt, maar ook echt informatie verzamdt voordat hij een beslissing neemt. Zo werkt hun "Slimme Reisagent":

1. Het Detectiewerk: Wanneer je vraagt: "Zoek een goede lunchplek," gebruikt de agent eerst hulpmiddelen om te achterhalen waar je precies bent (met behulp van locatiediensten) en hoe het weer op dit moment is (met behulp van een weer-service).
2. De Brainstormsessie: In plaats van een vooraf geschreven regel op te zoeken, geeft de agent deze gecombineerde informatie door aan een Large Language Model (LLM). Het is alsof je een deskundige vriend vraagt: "Hé, ik ben in [Naam Stad] en het regent nu hard. Wat zou een lokale bewoner eten als comfortfood?"
3. De Redenering: De LLM gebruikt zijn interne "wereldkennis"—de culturele en culinaire feiten die het heeft geleerd tijdens de training op enorme hoeveelheden tekst—om over de situatie te redeneren. Het begrijpt dat "regen + Zuid-India" gelijkstaat aan "hete thee en gefrituerde snacks," terwijl "regen + New York" misschien gelijkstaat aan "soep."
4. De Aanbeveling: De agent kijkt vervolgens naar nabijgelegen restaurants die bij deze specifieke, cultureel bewuste sfeer passen en geeft je een gerangschikte lijst met een uitleg waarom deze zijn gekozen.

Wat ze vonden (en wat ze niet vonden)

De auteur heeft een werkend prototype van dit systeem gebouwd en het van begin tot eind doorlopen. Ze hebben aangetoond dat het haalbaar is om een restaurant-aanbeveler te creëren die de nuance van "weer + locatie + cultuur" begrijpt, simpelweg door een AI over het probleem te laten redeneren. Het systeem produceerde succesvol regio-gevoelige suggesties zonder dat er handmatige regeltabellen of speciale trainingsdata voor specifieke steden nodig waren.

Echter, het paper is zeer eerlijk over wat het niet heeft gedaan. Dit was een werkend prototype, geen volledig getest product. De auteur heeft geen formeel gebruikersonderzoek uitgevoerd om te bewijzen dat mensen de aanbevelingen daadwerkelijk leuker vinden dan bij een standaard app. Ze hebben ook niet precies gemeten hoeveel beter dit was vergeleken met oudere methoden. Ze suggereren dat deze aanpak werkt, maar ze hebben het nog niet met harde cijfers "bewezen".

De Haken en Ogen: Kosten en Vooroordelen

De auteur benadelt ook enkele praktische hindernissen. Omdat dit systeem afhankelijk is van het aanroepen van externe diensten (zoals Google Maps en weer-API's) en het gebruik van een krachtig AI-model, kan het duur zijn om te draaien. Sterker nog, het prototype werd offline gehaald omdat de kosten van deze betaalde diensten te hoog waren om te blijven draaien.

Er is ook een risico op culturele stereotypering. Omdat de AI raadt wat mensen in een bepaalde regio lekker vinden op basis van zijn trainingsdata, kan het ernaast zitten. Bijvoorbeeld, alleen omdat iemand in een bepaalde stad woont, betekent niet dat diegene ook het "traditionele" eten voor het weer van die stad eet; diegene kan iets heel anders verkiezen. De auteur waarschuwt dat hoewel deze methode veelbelovend is, de culturele kennis van de AI ongelijkmatig of bevooroordeeld kan zijn, vooral voor minder vertegenwoordigde regio's. Ze suggereren dat toekomstige versies voorzichtig moeten zijn om te voorkomen dat de gokken van de AI de keuzes van de gebruiker te rigide dicteren.

De Kern van het Verhaal

Dit paper beweert niet dat het het probleem van de perfecte restaurant-aanbevelingen voor altijd heeft opgelost. In plaats daarvan biedt het een nieuw, flexibel blauwdruk. Het suggereert dat in plaats van elke culturele regel in een computer te programmeren, we een slimme AI kunnen laten "denken" over het weer en de locatie om te begrijpen wat logisch is. Het is een verschuiving van het bouwen van een gigantisch regelboek naar het inhuren van een deskundige gids die zich aan het moment kan aanpassen. Hoewel er nog steeds uitdagingen zijn met betrekking met kosten en nauwkeurigheid, is het idee om het natuurlijke redeneervermogen van een AI te gebruiken om complexe, lokale culturele contexten te hanteren een frisse en veelbelovende richting voor de toekomst van slimme aanbevelingen.