Pesquisadores desenvolveram um sistema de inteligência artificial e machine learning capaz de gerar receitas personalizadas de alimentos para cães, analisando dados de produtos comerciais e considerando fatores como raça, idade e nível de atividade. Entretanto, lacunas importantes nas informações sobre ingredientes e nutrientes ainda limitam a capacidade do sistema de criar formulações nutricionalmente completas.
- O sistema de IA combina análise de texto, recomendações de ingredientes e otimização matemática para criar receitas personalizadas de alimentos úmidos para cães, considerando raça, peso, idade e nível de atividade.
- O sistema analisou 330 alimentos comerciais para cães e dados nutricionais de 126 ingredientes, mas não dispunha de informações completas sobre as proporções dos ingredientes nem sobre componentes especializados, como hidrolisados e aditivos funcionais.
- O machine learning teve dificuldades para distinguir categorias de produtos sobrepostas e exigiu a classificação manual de 242 produtos que inicialmente não apresentavam etiquetas funcionais, como cuidados renais ou controle de peso.
- As receitas geradas não comprovaram adequação nutricional completa em relação a vitaminas, minerais e aditivos tecnológicos. Os pesquisadores alertaram que as formulações simuladas podem divergir dos padrões de produção e das exigências veterinárias.
- O trabalho demonstra uma base para organizar dados sobre alimentos para pets e explorar possíveis formulações, apesar das limitações atuais nas informações sobre ingredientes e na completude nutricional.
A inteligência artificial e o machine learning podem ajudar a organizar dados de alimentos comerciais para cães e gerar receitas candidatas de alimentos úmidos, mas lacunas nas informações sobre ingredientes e nutrientes limitam seu uso na elaboração de formulações completas. É o que mostram os resultados de uma pesquisa publicada na revista Informatics.
Pesquisadores do Cazaquistão desenvolveram um sistema que combina análise de texto, recomendações de ingredientes e otimização matemática. Cientistas da Astana IT University e da S. Seifullin Kazakh Agrotechnical Research University conduziram um estudo computacional para avaliar a classificação de produtos e as semelhanças entre as receitas geradas.
O sistema utilizou dados de 330 alimentos comerciais para cães da Hill’s Pet Nutrition, bancos de dados sobre raças e doenças e informações nutricionais de 126 ingredientes selecionados de uma base de dados mais ampla sobre composição de alimentos. Tanto produtos comerciais secos quanto úmidos foram utilizados na análise, embora a geração de receitas tenha se concentrado nos alimentos úmidos.
Os usuários inseriam características como raça, peso corporal, idade, nível de atividade e condição reprodutiva. O sistema calculava as necessidades energéticas com base nas diretrizes nutricionais de 2024 da Federação Europeia da Indústria de Alimentos para Animais de Estimação (FEDIAF) e selecionava ingredientes associados à finalidade nutricional escolhida. Em seguida, um algoritmo de otimização matemática calculava as proporções dos ingredientes, considerando limites para as categorias de ingredientes e faixas de umidade, proteína, gordura e carboidratos observadas em alimentos úmidos comerciais.
Esses cálculos, porém, não comprovaram a adequação nutricional completa das formulações.
Os pesquisadores observaram que as características individuais influenciavam principalmente as necessidades calóricas e as quantidades de alimento recomendadas. Já a especialização nutricional escolhida determinava a estrutura da receita. Assim, alterações no peso ou no nível de atividade de um cão não necessariamente modificavam a combinação de ingredientes.
Uma das principais tarefas foi preencher lacunas nas descrições dos produtos. Dos 330 alimentos analisados, 242 inicialmente não apresentavam classificações por categoria funcional, como cuidados renais ou controle de peso. Após a classificação manual, os pesquisadores avaliaram duas abordagens de rotulagem automatizada. Ambos os métodos tiveram dificuldades com categorias sobrepostas ou descritas de maneira genérica, incluindo cuidados com o envelhecimento e suporte às articulações.
Os pesquisadores também compararam duas abordagens para a seleção de ingredientes. O machine learning gerou receitas com conjuntos de ingredientes mais semelhantes entre si, enquanto os métodos de associação estatística produziram maior variedade. Essas comparações avaliaram a consistência e a diversidade das receitas, e não sua qualidade nutricional.
Várias limitações continuam relevantes para a formulação de alimentos para pets. As proporções dos ingredientes nos produtos comerciais não estavam disponíveis, e descrições genéricas exigiram substituições. Por exemplo, os pesquisadores associaram a descrição “carnes e subprodutos de origem animal” ao frango e “cereais” ao arroz. Essas substituições foram pressupostos utilizados na modelagem, e não identificações verificadas dos ingredientes.
O banco de dados de ingredientes também não incluía componentes especializados, como hidrolisados e aditivos funcionais. Embora o artigo descreva o cálculo das necessidades de micronutrientes, a discussão e as conclusões reconhecem que vitaminas, minerais e aditivos tecnológicos não foram totalmente incorporados à otimização das receitas.
Os autores alertaram que “as receitas simuladas podem divergir dos padrões de produção ou das exigências veterinárias”. Ainda assim, o trabalho demonstra uma possível base para organizar informações sobre produtos e explorar formulações candidatas.
