Geração de Dieta Canina Personalizada Usando Aprendizado de Máquina e Otimização por Restrições

A crescente demanda por dietas personalizadas para animais de estimação destaca as limitações dos alimentos comerciais para cães projetados para todas as raças, especialmente no que diz respeito ao tratamento de doenças específicas de raças, distúrbios metabólicos e riscos à saúde. Esta pesquisa apresenta o desenvolvimento e avaliação de um sistema híbrido para formulação de receitas de ração úmida para cães. O sistema combina dados sobre ingredientes, ração veterinária e doenças relacionadas a raças; a arquitetura inclui um módulo de recomendação para seleção de ingredientes e um bloco de programação linear para otimização de receitas, considerando restrições de nutrientes veterinários. A avaliação do sistema incluiu classificação automática de alimentos por especialização, análise visual de agrupamento de receitas e comparação de fórmulas obtidas por diferentes modelos. A precisão média de recuperação de rótulos foi de 85,4% para TF-IDF e 88,2% para o modelo E5. A comparação de métodos de extração de ingredientes mostrou que o aprendizado de máquina produz receitas mais estáveis, enquanto a abordagem estatística fornece maior variabilidade. O sistema desenvolvido demonstra potencial para automatizar a criação de receitas, preencher dados ausentes e desenvolver plataformas de apoio à decisão veterinária voltadas para a seleção personalizada de dietas com base nas necessidades fisiológicas dos animais.