BR112021014688A2 - Dispositivos e métodos para recomendação de alimentos para animais de estimação - Google Patents
Dispositivos e métodos para recomendação de alimentos para animais de estimação Download PDFInfo
- Publication number
- BR112021014688A2 BR112021014688A2 BR112021014688-1A BR112021014688A BR112021014688A2 BR 112021014688 A2 BR112021014688 A2 BR 112021014688A2 BR 112021014688 A BR112021014688 A BR 112021014688A BR 112021014688 A2 BR112021014688 A2 BR 112021014688A2
- Authority
- BR
- Brazil
- Prior art keywords
- pet
- pet food
- image
- variance
- user
- Prior art date
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 409
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000694 effects Effects 0.000 claims description 42
- 239000004615 ingredient Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 102000004169 proteins and genes Human genes 0.000 claims description 13
- 108090000623 proteins and genes Proteins 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 12
- 238000013479 data entry Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 2
- 102100037681 Protein FEV Human genes 0.000 description 59
- 101710198166 Protein FEV Proteins 0.000 description 59
- 238000010801 machine learning Methods 0.000 description 17
- 238000012913 prioritisation Methods 0.000 description 17
- 239000000047 product Substances 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 14
- 230000008685 targeting Effects 0.000 description 14
- 235000019577 caloric intake Nutrition 0.000 description 10
- 241000282472 Canis lupus familiaris Species 0.000 description 8
- 208000037063 Thinness Diseases 0.000 description 7
- 206010048828 underweight Diseases 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 241000894007 species Species 0.000 description 5
- 230000004584 weight gain Effects 0.000 description 5
- 235000019786 weight gain Nutrition 0.000 description 5
- 230000037396 body weight Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 230000004580 weight loss Effects 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 208000016261 weight loss Diseases 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 235000015278 beef Nutrition 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001079 digestive effect Effects 0.000 description 2
- 235000005686 eating Nutrition 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 235000015277 pork Nutrition 0.000 description 2
- 235000019624 protein content Nutrition 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 235000008314 Echinocereus dasyacanthus Nutrition 0.000 description 1
- 240000005595 Echinocereus dasyacanthus Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000283073 Equus caballus Species 0.000 description 1
- 244000035744 Hura crepitans Species 0.000 description 1
- 241000270322 Lepidosauria Species 0.000 description 1
- 241000283984 Rodentia Species 0.000 description 1
- 241000282898 Sus scrofa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000013330 chicken meat Nutrition 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 235000021316 daily nutritional intake Nutrition 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 235000014105 formulated food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000037219 healthy weight Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 235000021097 low calorie intake Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000003562 morphometric effect Effects 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23K—FODDER
- A23K50/00—Feeding-stuffs specially adapted for particular animals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Polymers & Plastics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Birds (AREA)
- Zoology (AREA)
- Food Science & Technology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Fodder In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feeding And Watering For Cattle Raising And Animal Husbandry (AREA)
Abstract
a presente invenção refere-se a um sistema ou um método que inclui receber uma imagem de um animal de estimação. a imagem do animal de estimação pode representar um animal de estimação e pode ser recebida a partir de um dispositivo de usuário. o sistema ou o método pode, ainda, analisar a imagem do animal de estimação através do uso de um modelo de reconhecimento de imagem de animal de estimação para determinar uma ou mais características do animal de estimação. em certas modalidades, a análise da imagem do animal de estimação pode incluir, também, identificar uma ou mais características da imagem do animal de estimação. o sistema ou método pode, ainda, analisar as características do animal de estimação através de um modelo de recomendação de alimento para animais de estimação para gerar uma recomendação de alimento para animais de estimação para o animal de estimação.
Description
Relatório Descritivo da Patente de Invenção para "DISPOSITI-
[0001] Este pedido reivindica a prioridade sobre o pedido provisó- rio US No. de Série 62/800.199, depositado em 1 de fevereiro de 2019, cuja revelação está aqui incorporada a título de referência em sua to- talidade.
[0002] A presente revelação refere-se, de modo geral, a métodos e dispositivos para alimentos para animais de estimação. Mais especifica- mente, a presente revelação refere-se a métodos e dispositivos para fornecer uma recomendação de alimento para animais de estimação e/ou uma recomendação de alimentação de animais de estimação.
[0003] Muitos donos de animais de estimação se preocupam profun- damente com seus animais de estimação e entendem que decisões re- lacionadas a qual e quanto alimento dar a seus animais de estimação podem contribuir para uma vida mais longa, mais feliz e mais saudável. Entretanto, as características de cada animal de estimação e as circuns- tâncias e preferências do animal de estimação e do dono são exclusivas. Além disso, essas características, circunstâncias e preferências mudam ao longo do tempo. Por essa razão, os consumidores buscam escolhas sobre o que alimentar seus animais de estimação e informações para ajudar a orientar suas decisões. Entretanto, a infinidade de produtos e fontes de informação pode complicar esse processo e deixar os consu- midores com emoções e questões não resolvidas. A falta de informações ou uma alteração nas condições pode também significar que uma deci-
são de alimentação ideal em um ponto da vida de um animal de estima- ção pode estar aquém da ideal em outro ponto.
[0004] As soluções existentes são fornecidas principalmente por va- rejistas ou fabricantes. As soluções de varejistas dependem de entradas definidas pelo usuário e são amplamente baseadas em filtro, estáticas, reativas e impessoais. Os filtros podem estreitar uma seleção com base nas características dos produtos disponíveis, mas não capturam informa- ções suficientes para fornecer a solução ideal para um animal de estima- ção específico. Além disso, as soluções existentes não fornecem reco- mendações proativas que levam em conta alterações no animal de esti- mação ao longo do tempo. Os seletores de produto do fabricante apre- sentam muitas das mesmas características e desvantagens. Mesmo nos casos em que um fabricante pode capturar mais informações sobre um animal de estimação específico, as recomendações podem ainda incluir apenas recomendações de produto e podem não ter recomendações úteis para os donos. Adicionalmente, essas recomendações podem ser adequadas apenas para um dado ponto no tempo (isto é, as recomenda- ções não são proativas e/ou não mudam ao longo do tempo). Além disso, as recomendações são geralmente limitadas pela amplitude do portfólio de um único fabricante de alimentos para animais de estimação.
[0005] A presente descrição fornece vantagens e soluções para problemas em tecnologias existentes para a produção de recomenda- ções de alimento para animais de estimação. Nesse sentido, um sis- tema de recomendação de alimento para animais de estimação pode capturar as informações mais relevantes sobre o dono de um animal de estimação e um animal de estimação para simplificar o processo de de- cisão e fornecer recomendações personalizadas de alimento para ani- mais de estimação e/ou recomendações personalizadas de alimentação de animais de estimação. Recomendações personalizadas de alimentos para animais de estimação e/ou recomendações personalizadas de ali- mentação de animais de estimação podem ser fornecidas inicialmente e/ou proativamente ao longo da vida do animal de estimação. Por exem- plo, um alimento para animais de estimação e/ou uma recomendação de alimentação de animais de estimação podem ajudar o dono de um animal de estimação a passar de uma dieta atual e recomendação de alimentação para uma que possa ajudar a manter ou alterar a condição corporal, com o objetivo final de alcançar uma condição corporal ideal para aquele animal de estimação específico.
[0006] Em uma modalidade, recomendações personalizadas de ali- mento para animais de estimação e/ou recomendações de alimentação de animais de estimação podem considerar uma condição corporal do animal de estimação, uma variância em relação ao peso esperado do animal de estimação, um nível de atividade do animal de estimação, uma morfologia do animal de estimação, uma raça e/ou um tamanho da raça do animal de estimação. Por exemplo, a raça de um animal de estimação pode fornecer informações sobre determinadas características e parâme- tros gerais que se pode esperar ver dentro dessas características, como uma faixa de peso e nível de atividade, mas cada animal de estimação terá um peso e/ou atividade exclusivos. As recomendações personaliza- das de alimento para animais de estimação e/ou recomendações de ali- mentação de animais de estimação podem considerar adicionalmente preferências do dono do animal de estimação, necessidades do animal de estimação e/ou preferências do animal de estimação (por exemplo, a presença e/ou ausência de certos ingredientes, por exemplo, grãos ou tipo de proteína, no alimento para animais de estimação, o grau em que o produto é produzido a partir de ingredientes naturais, a incompatibili- dade de um alimento com um animal de estimação devido a um potencial para resposta ou sensibilidade alérgica, e o canal de varejo do produto alimentício para animais de estimação) para personalizar as recomenda- ções para o animal de estimação e para o dono do animal de estimação. Adicionalmente, as recomendações de alimento para animais de estima- ção e/ou recomendações de alimentação de animais de estimação po- dem, ainda, considerar características de conformação corporal e/ou me- dições morfométricas, conforme descrito na patente US No. 8.091.509, e na publicação de pedido de patente US No. 2017/0042194, cada uma das quais está aqui incorporada a título de referência.
[0007] Em uma modalidade, o animal de estimação pode ser um cão, um gato, uma ave, um roedor, um cavalo, um porco, um peixe, um réptil e/ou qualquer outro animal de estimação e/ou animal domesti- cado.
[0008] Consequentemente, um aspecto da revelação é direcionado a um método que compreende: receber uma imagem de um animal de esti- mação representando um animal de estimação; analisar, através do uso de um modelo de reconhecimento de imagem de animal de estimação, a imagem do animal de estimação para determinar uma ou mais caracterís- ticas do animal de estimação; receber uma ou mais entradas de dados relacionadas ao animal de estimação; analisar, através do uso de um mo- delo de recomendação de alimento para animais de estimação, as carac- terísticas do animal de estimação e as entradas de dados do animal de estimação para gerar uma recomendação de alimento para animais de es- timação e/ou uma recomendação de alimentação de animal de estimação para o animal de estimação. Em algumas modalidades, as características do animal de estimação compreendem uma ou mais dentre uma raça, um tamanho da raça, um tamanho do animal de estimação, uma condição cor- poral, um estágio da vida, um nível de atividade, um sexo do animal de estimação, um estado do sexo do animal de estimação e um peso do ani- mal de estimação. Em algumas modalidades, as entradas de dados rela-
cionadas ao animal de estimação podem compreender uma ou mais den- tre uma preferência do animal de estimação, uma preferência do usuário e/ou características do animal de estimação. Em uma modalidade, a pre- ferência do animal de estimação e/ou do usuário compreende uma ou mais dentre uma preferência de grão, uma preferência de proteína, uma textura de alimento, uma preferência de ingrediente natural e uma preferência de compras. Em outra modalidade, a preferência do animal de estimação e/ou do usuário é selecionada do grupo que consiste em uma preferência de grão, uma preferência de proteína, uma textura de alimento, uma prefe- rência de ingrediente natural e uma preferência de compras. Em algumas modalidades, os dados de entrada relacionadas ao animal de estimação compreendem uma característica do animal de estimação. Em uma mo- dalidade, uma ou mais características do animal de estimação são deter- minadas pelo modelo de reconhecimento de imagem do animal de estima- ção, e uma ou mais características adicionais do animal de estimação são inseridas pelo usuário.
[0009] Em algumas modalidades, a imagem do animal de estima- ção é recebida a partir de um dispositivo de usuário. Em uma modali- dade, o dispositivo de usuário é um dispositivo móvel, por exemplo, um telefone móvel. Em outra modalidade, o dispositivo de usuário é um lap- top ou um computador de mesa.
[0010] Em algumas modalidades, a análise da imagem do animal de estimação compreende adicionalmente: analisar a imagem do animal de estimação para identificar uma ou mais características da imagem do ani- mal de estimação; e determinar as uma ou mais características do animal de estimação com base nas características da imagem. Em algumas mo- dalidades, as características da imagem são selecionadas do grupo que consiste em um contorno do animal de estimação, uma área delimitada pelo contorno do animal de estimação, a porcentagem de pixels da ima- gem do animal de estimação ocupada pelo animal de estimação, uma ou mais dimensões geométricas do animal de estimação dentro da imagem do animal de estimação. Em algumas modalidades, as dimensões geomé- tricas são selecionadas dentre comprimento, altura, distância da pata ao ombro, distância da parte posterior ao abdome, largura do tórax, profundi- dade do tórax.
[0011] Em algumas modalidades, o método compreende adicional- mente: filtrar uma lista de produtos alimentícios para animais de esti- mação com base em ao menos uma preferência do usuário para criar uma lista filtrada de produtos alimentícios para animais de estimação. Em algumas modalidades a ao menos uma preferência de usuário compreende ao menos uma preferência selecionada do grupo que con- siste em uma preferência de grão, uma preferência de proteína, uma preferência de textura de alimento, uma preferência de ingrediente na- tural e uma preferência de compras.
[0012] Em algumas modalidades as características do animal de esti- mação compreendem uma ou mais características selecionadas do grupo que consiste em uma raça, um tamanho da raça, um tamanho do animal de estimação, uma condição corporal, um estágio da vida, um nível de atividade, um sexo do animal de estimação, um estado do sexo do animal de estimação e um peso do animal de estimação.
[0013] Em algumas modalidades, o método compreende adicional- mente calcular uma ou mais variâncias selecionadas do grupo que con- siste em uma variância do tamanho da raça, uma variância do tamanho do animal de estimação, uma variância da condição corporal, uma vari- ância do estágio da vida, uma variância do nível de atividade e uma variância do peso do animal de estimação.
[0014] Em algumas modalidades, o método compreende adicional- mente calcular uma pluralidade de variâncias para gerar uma plurali- dade de variâncias calculadas; e atribuir escores à lista de produtos alimentícios com base em uma soma das variâncias calculadas para identificar um ou mais produtos alimentícios recomendados para ani- mais de estimação.
[0015] Em algumas modalidades, o método compreende adicional- mente apresentar a recomendação de alimento para animais de esti- mação a um usuário, sendo que a recomendação de alimento para animais de estimação contém uma pluralidade de produtos alimentí- cios para animais de estimação; receber uma seleção do usuário de um produto alimentício para animais de estimação selecionado dentre a pluralidade de produtos alimentícios para animais de estimação; e gerar uma recomendação de alimentação de animais de estimação com base no produto alimentício para animais de estimação selecio- nado. Em uma modalidade, a recomendação de alimentação de ani- mais de estimação é gerada com base em uma densidade calórica do produto alimentício para animais de estimação selecionado.
[0016] Em algumas modalidades, o método compreende adicional- mente armazenar dados comportamentais do animal de estimação e/ou de um usuário em uma base de dados históricos; e treinar um ou ambos dentre o modelo de reconhecimento de imagem do animal de estimação e o modelo de recomendação de alimento para animais de estimação com base nos dados comportamentais armazenados na base de dados históricos.
[0017] Outro aspecto da revelação é direcionado a um sistema que compreende: um processador; e uma memória que armazena instru- ções que, quando executadas pelo processador, fazem com que o pro- cessador receba uma imagem de animal de estimação que representa um animal de estimação; analise, através do uso de um modelo de re- conhecimento de imagem de animal de estimação, a imagem do animal de estimação para determinar uma ou mais características do animal de estimação; receba uma ou mais entradas de dados relacionadas ao ani-
mal de estimação; analise, através do uso de um modelo de recomen- dação de alimento para animais de estimação, as características do ani- mal de estimação e as entradas de dados do animal de estimação para gerar uma recomendação de alimento para animais de estimação para o animal de estimação e/ou uma recomendação de alimentação de ani- mal de estimação para o animal de estimação.
[0018] Em algumas modalidades do sistema, a memória armazena instruções adicionais que, quando executadas pelo processador, fazem com que o processador: analise a imagem do animal de estimação para identificar uma ou mais características da imagem do animal de estimação; e determine as uma ou mais características do animal de estimação com base nas características da imagem.
[0019] Em algumas modalidades do sistema, a memória armazena instruções adicionais que, quando executadas pelo processador, fa- zem com que o processador: filtre uma lista de produtos alimentícios para animais de estimação com base em ao menos uma preferência do usuário para criar uma lista filtrada de produtos alimentícios para animais de estimação.
[0020] Em algumas modalidades do sistema, as características do animal de estimação compreendem uma ou mais características sele- cionadas do grupo que consiste em uma raça, um tamanho da raça, um tamanho do animal de estimação, uma condição corporal, um es- tágio da vida, um nível de atividade, um sexo do animal de estimação, um estado do sexo do animal de estimação e um peso do animal de estimação.
[0021] Em algumas modalidades do sistema, a memória armazena outras instruções que, quando executadas pelo processador, fazem com que o processador: calcule uma ou mais variâncias selecionadas a partir do grupo que consiste em uma variância do tamanho da raça, uma variân-
cia do tamanho do animal de estimação, uma variância da condição cor- poral, uma variância do estágio da vida, uma variância do nível de ativi- dade e uma variância do peso do animal de estimação.
[0022] Em algumas modalidades do sistema, a memória armazena instruções adicionais que, quando executadas pelo processador, fazem com que o processador: calcule uma pluralidade de variâncias para gerar uma pluralidade de variâncias calculadas; e atribua escores a uma lista de produtos alimentícios para animais de estimação com base na soma das variâncias calculadas para identificar um ou mais produtos alimentícios re- comendados para animais de estimação.
[0023] Em algumas modalidades do sistema, a memória armazena instruções adicionais que, quando executadas pelo processador, fazem com que o processador: apresente a recomendação de alimento para animais de estimação a um usuário, sendo que a recomendação de ali- mento para animais de estimação contém uma pluralidade de produtos alimentícios para animais de estimação; receba uma seleção do usuário de um produto alimentício para animais de estimação selecionado dentre a pluralidade de produtos alimentícios para animais de estimação; e gere uma recomendação de alimentação de animais de estimação com base no produto alimentício para animais de estimação selecionado.
[0024] Em algumas modalidades do sistema, a memória armazena instruções adicionais que, quando executadas pelo processador, fazem com que o processador: armazene dados comportamentais do animal de estimação e/ou de um usuário em uma base de dados históricos; e treine um ou ambos o modelo de reconhecimento de imagem e o mo- delo de recomendação de alimento para animais de estimação com base nos dados comportamentais armazenados na base de dados his- tóricos.
[0025] Outro aspecto da invenção refere-se a uma mídia não transi-
tória legível por computador que armazena instruções que, quando exe- cutadas por um processador, fazem com que o processador: receba uma imagem de animal de estimação representando um animal de estimação; analise, através de um modelo de reconhecimento de imagem, a imagem do animal de estimação para determinar uma ou mais características do animal de estimação; receba uma ou mais entradas de dados relaciona- das ao animal de estimação; analise, através do uso de um modelo de recomendação de alimento para animais de estimação, as características do animal de estimação e os dados de entrada para gerar uma recomen- dação de alimento para animais de estimação para o animal de estima- ção.
[0026] Em uma modalidade, a recomendação de alimento para ani- mais de estimação compreende um ou mais produtos alimentícios para animais de estimação. Em uma modalidade, a recomendação de alimento para animais de estimação compreende uma composição destinada ao consumo por um animal de estimação. Em algumas modalidades, a reco- mendação de alimento para animais de estimação compreende um ou mais produtos alimentícios para animais de estimação que um animal de estimação consome como uma refeição principal, incluindo, mas não se limitando a, composições alimentícias secas, úmidas, semiúmidas, úmidas e líquidas. Em outra modalidade, a recomendação de alimento para ani- mais de estimação compreende um petisco para animais de estimação. Em uma modalidade, um petisco é um alimento para consumo por um ani- mal de estimação que se destina a ser uma recompensa ou uma cortesia ocasional e não a ser a única fonte de nutrição de um animal de estimação. Em outra modalidade, a recomendação de alimento para animais de esti- mação compreende um suplemento para animais de estimação. Em uma modalidade, um suplemento para animais de estimação é uma composi- ção para consumo oral oferecida separadamente de alimentos ou petiscos formulados, destinada a ter um efeito sobre o animal de estimação além das necessidades nutricionais normais. Por exemplo, produtos suplemen- tares para animais de estimação podem incluir aqueles que conferem be- nefícios às articulações, pele, pelagem e/ou sistema digestivo.
[0027] Em uma modalidade, recomendações personalizadas de ali- mento para animais de estimação e/ou recomendações personalizadas de alimentação de animais de estimação podem aplicar conhecimento de ca- racterísticas e atributos de alimento para animais de estimação e/ou raças de animais de estimação para determinar o produto e recomendações de alimentação mais adequados.
[0028] Em uma modalidade, a recomendação personalizada de ali- mento para animais de estimação e/ou a recomendação de alimentação de animais de estimação podem usar tecnologia de reconhecimento de imagens para determinar múltiplos fatores do animal de estimação (isto é, raça do animal de estimação, tamanho do animal de estimação, con- dição corporal do animal de estimação) em conjunto com modelos de aprendizado de máquina que são configurados para gerar recomenda- ções de alimento com base em dados obtidos de um usuário final, dados das ferramentas de reconhecimento de imagem e/ou outros dados de uma aplicação de algoritmos para levar em conta o nível de atividade e o estágio da vida de um animal de estimação. Em uma modalidade, a imagem usada pelas ferramentas de reconhecimento de imagem é uma imagem estática ou parada (por exemplo, foto digital). Em outra moda- lidade, a tecnologia de reconhecimento de imagem usa uma pluralidade de imagens ou uma imagem dinâmica (por exemplo, múltiplas fotos in- dividuais ou um vídeo).
[0029] Em uma modalidade, recomendações personalizadas de ali- mento para animais de estimação e/ou recomendações de alimentação de animais de estimação podem ser personalizadas e customizadas, incorporando uma escolha de produto alimentício para animais de esti-
mação, bem como quaisquer variáveis de animais de estimação anteri- ormente inseridas (isto é, raça do animal de estimação, tamanho do ani- mal de estimação, condição corporal do animal de estimação) para ge- rar uma recomendação para uma ingestão diária de alimento para ani- mais de estimação. Em uma modalidade, a ingestão diária de alimento para animais de estimação pode ser ajustada (por exemplo, para alcan- çar um objetivo de ganho de peso do animal de estimação, perda de peso do animal de estimação ou manutenção do peso do animal de es- timação).
[0030] Em uma modalidade, recomendações personalizadas de alimento para animais de estimação e/ou recomendações de alimen- tação de animais de estimação podem usar inteligência artificial (por exemplo, reconhecimento de imagem) para determinar uma espécie de um animal de estimação e/ou uma raça de um animal de estimação para incorporar essa informação à recomendação de alimento para animais de estimação e/ou à recomendação de alimentação de ani- mais de estimação.
[0031] Em uma modalidade, recomendações personalizadas de alimento para animais de estimação e/ou recomendações personaliza- das de alimentação de animais de estimação podem usar aprendizado de máquina para otimizar a recomendação de alimento para animais de estimação e a recomendação de alimentação de animais de esti- mação ao longo do tempo. Por exemplo, modelos de aprendizado de máquina podem ser configurados para gerar uma ou ambas as reco- mendações de alimento para animais de estimação e de alimentação de animais de estimação, e podem incorporar retroinformação sobre a qualidade das recomendações e informações reais sobre desempenho fornecidas por um dono do animal de estimação e/ou outro usuário (por exemplo, um veterinário).
[0032] Em uma modalidade, um dispositivo pode ser configurado para fornecer recomendações personalizadas de alimento para animais de estimação e/ou recomendações personalizadas de alimentação de animais de estimação. Em tal modalidade, o dispositivo pode ser adici- onalmente configurado para rastrear a realização de objetivos relacio- nados à condição corporal para animais de estimação ao longo do tempo e influenciar a seleção do produto alimentício para animais de estimação e o regime de alimentação de alimento para animais de esti- mação com base nos objetivos.
[0033] Em uma modalidade, recomendações personalizadas de ali- mento para animais de estimação e/ou recomendações de alimentação de animais de estimação podem utilizar dispositivos para animais de estimação conectados (por exemplo, colares, tigelas, conchas, caixas de areia, dispensadores de água, câmeras, cercas, baldes, capachos, leitos) para coletar e transmitir automaticamente os dados usados para fornecer as recomendações personalizadas de alimento para animais de estimação e/ou recomendações personalizadas de alimentação de animais de estimação. Os dados usados para fornecer as recomenda- ções personalizadas de alimento para animais de estimação e/ou reco- mendações de alimentação de animais de estimação podem ser rele- vantes para identificar alterações no produto alimentício para animais de estimação ou nas escolhas de alimentação de alimento para animais de estimação ao longo do tempo. Tal configuração pode eliminar fontes de erro ou lapsos no tempo inerentes à entrada de dados manual (por exemplo, entrada de dados por um usuário e/ou dono do animal de es- timação), o que pode permitir uma personalização mais proativa das re- comendações de alimento para animais de estimação e recomendações de alimentação de animais de estimação.
[0034] Em uma modalidade, as recomendações personalizadas de produto alimentício para animais de estimação e/ou recomendações de alimentação de animais de estimação podem usar inteligência arti- ficial e aprendizado de máquina para avaliar as características de re- síduos de animais de estimação e traduzir as características de resí- duos de animais de estimação nas recomendações personalizadas de alimento para animais de estimação.
[0035] As características e as vantagens aqui descritas não são totalmente inclusivas e, em particular, muitas características e vanta- gens adicionais ficarão evidentes ao versado na técnica, tendo em vista as figuras e a descrição. Além disso, deve-se notar que a lingua- gem usada no relatório descritivo foi selecionada principalmente para fins de legibilidade e instrução, e não para limitar o escopo do assunto da invenção.
[0036] A Figura 1 ilustra um fluxograma de uma modalidade de um sistema e método para fornecer recomendações personalizadas de ali- mento para animais de estimação e/ou recomendações personaliza- das de alimentação de animais de estimação, de acordo com a pre- sente revelação.
[0037] A Figura 2 ilustra uma modalidade de um diagrama de aplica- ção de acordo com a presente revelação.
[0038] A Figura 3 ilustra uma modalidade de uma comunicação su- mária para fornecer recomendações personalizadas de alimento para animais de estimação e/ou recomendações personalizadas de alimen- tação de animais de estimação, de acordo presente revelação. DESCRIÇÃO DETALHADA DE MODALIDADES EXEMPLIFICADO-
[0039] Modalidades detalhadas de dispositivos e métodos são aqui reveladas. Entretanto, deve-se compreender que as modalidades re- veladas são meramente exemplificadoras dos dispositivos e métodos,
que podem ser incorporados sob várias formas. Portanto, detalhes fun- cionais específicos aqui revelados não devem ser interpretados como limitadores, mas meramente como uma base para as reivindicações como um exemplo representativo para ensinar ao versado na técnica o emprego variado da presente revelação.
[0040] Como usados aqui, os termos "cerca de", "aproximada- mente" e "substancialmente" são entendidos como referindo-se aos nú- meros em uma faixa de numerais, por exemplo, a faixa de -10% a +10% do número de referência, de preferência de -5% a +5% do número de referência, com mais preferência de -1% a +1% do número de referên- cia, com a máxima preferência de -0,1% a +0,1% do número de referên- cia. Todas as faixas numéricas do presente documento devem ser en- tendidas como incluindo todos os números inteiros, fracionários ou não fracionários contidos na faixa. Além disso, estas faixas numéricas de- vem ser interpretadas como respaldando uma reivindicação direcionada a qualquer número ou subconjunto de números que está naquela faixa. Por exemplo, uma revelação de 1 a 10 deve ser interpretada como abrangendo uma faixa de 1 a 8, de 3 a 7, de 1 a 9, de 3,6 a 4,6, de 3,5 a 9,9, e assim por diante.
[0041] Como usado aqui, as formas singulares de "um", "uma", "o" e "a" incluem referências no plural, a menos que o contexto claramente de- termine em contrário. Por exemplo, a referência a "um ingrediente" ou "um método" inclui uma pluralidade de tais "ingredientes" ou "métodos". O termo "e/ou" usado no contexto de "X e/ou Y" deve ser interpretado como "X" ou "Y" ou "X e Y". De modo similar, "ao menos um dentre X ou Y" deve ser interpretado como "X" ou "Y" ou "tanto X como Y".
[0042] As modalidades preferenciais referem-se a dispositivos e métodos que fornecem recomendações personalizadas de alimento para animais de estimação e/ou recomendações personalizadas de ali- mentação de animais de estimação a um usuário e/ou dono de animal de estimação.
[0043] Conforme descrito na presente invenção, dados robustos a nível individual de cada animal de estimação e pessoa, juntamente com inteligência artificial e aprendizado de máquina, podem auxiliar os dispositivos e métodos apresentados na presente invenção. Em ter- mos amplos básicos, "inteligência artificial" refere-se a técnicas que permitem que computadores imitem as capacidades humanas de de- tecção, resolução de problemas, atuação, adaptação e aprimoramento ao longo do tempo com experiência. O reconhecimento de imagem e o processamento de linguagem natural podem ser considerados dois exemplos ou tipos específicos de inteligência artificial que convertem aspectos de seu ambiente em partes de informações que podem ser fornecidas como entradas em algoritmos implementados por computa- dor. As técnicas de aprendizado de máquina podem ajudar a adaptar e aprimorar o desempenho de uma tarefa de um algoritmo ou uma ca- pacidade de alcançar um resultado desejado ao longo do tempo com base em dados históricos.
[0044] Para uso na presente invenção, o termo "espécie" refere-se ao nome comumente associado à espécie do animal de estimação. Por exemplo, um Golden Retriever é da espécie "cão", um Maine Coon é da espécie "gato", e um Blue Tang é da espécie "peixe".
[0045] Para uso na presente invenção, o termo "estágio da vida" re- fere-se ao estágio relativo de um animal de estimação no ciclo de vida do animal de estimação. Por exemplo, os cães podem ter estágios da vida incluindo "filhote", "adulto" e "idoso". Os gatos podem ter estágios da vida incluindo "filhote", "adulto" e "idoso".
[0046] Para uso na presente invenção, o termo "tamanho da raça" refere-se ao tamanho relativo de uma determinada raça de animais de estimação, em comparação a outras raças de animais de estimação da mesma espécie. Exemplos de tamanhos de raça podem incluir mi- niatura, pequeno, médio, grande e gigante. Por exemplo, um Chihua- hua pode ser considerado uma raça miniatura, enquanto um Dogue Alemão pode ser considerado uma raça gigante. Em alguns casos, um animal de estimação pode não ser facilmente categorizado em uma raça específica. Nesses casos, um animal de estimação pode ser ca- tegorizado de modo mais genérico de acordo com o tamanho (por exemplo, um animal de estimação pequeno, médio ou grande).
[0047] Para uso na presente invenção, o termo "variância do tama- nho da raça" ou "variância do tamanho do animal de estimação" refere- se a uma medida de quão próximo um dado produto alimentício para animais de estimação é projetado para um determinado tamanho da raça ou tamanho do animal de estimação. Animais de estimação de um tamanho de raça ou de um tamanho de animal de estimação diferentes podem ter necessidades diferentes. Por exemplo, cães miniatura ou de pequeno porte podem precisar de uma ingestão calórica menor, tipica- mente expressa como ingestão de energia ao longo do tempo, por exemplo, 150 kcal/dia. Adicionalmente, a densidade calórica do ali- mento que reflete o teor calórico em um dado volume, por exemplo, 150 kcal/xícara, influencia a recomendação de quanto alimento deve ser ali- mentado em um dado tempo para se obter a ingestão calórica. Compa- rativamente, cães de uma raça de porte grande ou gigante podem pre- cisar de alimentos que levam em consideração certas características de saúde correlacionadas ao seu tamanho (por exemplo, alimentos com suplementação incluída para levar em conta problemas de quadril ou digestivos comuns em raças de cães de porte grande ou gigante).
[0048] Por exemplo, a variância de tamanho da raça (BSV) pode ser calculada para um produto alimentício para animais de estimação em relação a um dado tamanho da raça de acordo com a fórmula:
𝑃𝐹 𝐵𝑆𝑉 = (𝑀 + 1) onde PF é um fator de priorização, e sendo que M é determinado com base no tamanho da raça para o qual o produto alimentício para animais de estimação se destina em relação ao tamanho da raça dado. Por exem- plo, para um tamanho de raça especificado, os produtos alimentícios di- recionados ao tamanho de raça especificado podem receber um valor M de 0, os produtos alimentícios direcionados a todos os tamanhos de raça podem receber um valor M de 1, e os produtos alimentícios direcionados aos tamanhos de raça vizinhos ao tamanho de raça especificado podem receber um valor M de 2. Como outro exemplo, em tal implementação, onde o tamanho da raça especificada é pequeno, os produtos alimentí- cios para animais de estimação direcionados ao tamanho de raça pe- quena receberão um valor M de 0, os produtos alimentícios para animais de estimação direcionados a todos os tamanhos de raça receberão um valor M de 1, e os produtos alimentícios para animais de estimação dire- cionados a tamanhos de raça miniatura e média receberão um valor M de 2, conforme mostrado na tabela abaixo: Tamanho da raça Valor M Pequeno 0 Todas as raças 1 Pequeno e médio 2
[0049] O fator de priorização pode refletir uma importância relativa da variância de tamanho da raça em cálculos subsequentes (por exem- plo, ao classificar produtos alimentícios para animais de estimação para gerar uma recomendação de alimento para animais de estimação). A variância de tamanho do animal de estimação pode ser calculada de modo similar.
[0050] Em certas implementações, quando a variância do tamanho de raça ou a variância do tamanho de animal de estimação for alta- mente importante para cálculos subsequentes, o fator de priorização pode ser ajustado para 10 (de um máximo de 10). Em tal implementa- ção, e continuando o exemplo anterior, os produtos alimentícios para animais de estimação direcionados ao tamanho de raça pequena terão uma variância de tamanho de raça 𝐵𝑆𝑉 = 10/(0 + 1) = 10, os produ- tos alimentícios para animais de estimação direcionados a todos os tamanhos de raça terão uma variância do tamanho de raça 𝐵𝑆𝑉 = 10/(1 + 1) = 5, e os produtos alimentícios para animais de estimação direcionados aos tamanhos de raça pequena e de raça média terão uma variância do tamanho de raça 𝐵𝑆𝑉 = 10/(2 + 1) = 3,33. Os pro- dutos alimentícios para animais de estimação direcionados além dos tamanhos de raça vizinhos (isto é, tamanhos de raça grande e gigante para cálculos de raça pequena) podem ser ignorados no cálculo da variância de tamanho da raça.
[0051] Para uso na presente invenção, o termo "variância da con- dição corporal" refere-se a uma medida de quão próximo um determi- nado produto alimentício para animais de estimação é projetado para animais de estimação de uma determinada condição corporal. Por exemplo, animais de estimação com sobrepeso podem exigir uma me- nor ingestão calórica do que animais de estimação com um peso cor- poral ideal, de modo que os produtos alimentícios para animais de es- timação projetados para animais de estimação com sobrepeso podem ter menor densidade calórica. Com todas as outras condições sendo iguais, uma menor ingestão calórica e/ou densidade calórica podem ajudar o animal de estimação a perder peso para restaurar o animal de estimação a um peso corporal ideal. De modo similar, os animais de estimação que estão abaixo do peso podem exigir uma ingestão caló- rica maior que os animais de estimação que estão em um peso corpo- ral ideal. Consequentemente, os produtos alimentícios para animais de estimação projetados para animais de estimação abaixo do peso po-
dem ter uma densidade calórica maior para ajudar animais de estima- ção abaixo do peso a ganhar peso e retornar a um peso corporal ideal. Portanto, a variância da condição corporal de um dado produto alimen- tício para animais de estimação pode ser calculada sobre a densidade calórica do produto alimentício para animais de estimação.
[0052] Por exemplo, a variância da condição corporal (BCV) pode ser calculada para um dado produto alimentício para animais de esti- mação em relação à densidade calórica do produto alimentício para animais de estimação de acordo com a fórmula:
𝑃𝐹 𝐵𝐶𝑉 = (|𝐹𝐴𝑉 − 𝑀| + 1) onde PF é um fator de priorização, FAV é um valor atribuído ao ali- mento e é determinado com base na densidade calórica do produto alimentício para animais de estimação, e M é selecionado com base em uma determinada condição corporal. Por exemplo, o FAV pode ser atribuído com base na densidade calórica (calorias/xícara) do produto alimentício para animais de estimação de acordo com a tabela abaixo: Calorias/Xícara 100 125 200 300 FAV 0 0,25 1 2
[0053] De modo similar, o valor M pode ser calculado com base em uma determinada condição corporal, de acordo com a tabela abaixo: Condição corporal Valor M Sobrepeso 0 Ideal 1 Subpeso 2
[0054] O fator de priorização pode refletir uma importância relativa da variância de condição corporal em cálculos subsequentes (por exem- plo, ao classificar produtos alimentícios para animais de estimação para gerar uma recomendação de alimento para animais de estimação). Em certas implementações, quando a variância da condição corporal é im- portante para cálculos subsequentes, mas não tão importante quanto a variância do tamanho de raça, o fator de priorização pode ser definido em 9 (de um máximo de 10). Em tais implementações, para um animal de estimação com sobrepeso (isto é, M = 0), o produto alimentício para animais de estimação com a densidade calórica mais alta teria uma va- riância de condição corporal de 𝐵𝐶𝑉 = 9/(|2 − 0| + 1) = 4,5 e o produto alimentício para animais de estimação com a densidade calórica mais baixa teria uma variância de condição corporal de 𝐵𝐶𝑉 = 9/(|0 − 0| + 1) = 9.
[0055] Para uso na presente invenção, o termo "variância do está- gio da vida" refere-se a uma comparação entre o estágio da vida do animal de estimação e o estágio da vida do animal de estimação para o qual um produto alimentício para animais de estimação é direcio- nado. Por exemplo, animais de estimação mais jovens podem precisar de alimentos com densidade calórica mais alta, já que esses animais de estimação ainda estão crescendo e, em geral, são muito ativos, en- quanto animais de estimação mais velhos podem precisar de alimentos com densidade calórica mais baixa, já que animais de estimação mais velhos podem, tipicamente, ser menos ativos. Adicionalmente, animais de estimação mais velhos podem exigir alimentos que respondem por problemas de saúde associados à sua idade avançada (por exemplo, problemas de juntas, problemas digestivos, problemas cardíacos). A variância do estágio da vida pode, portanto, ser calculada em relação ao estágio da vida dado pelo animal de estimação.
[0056] Por exemplo, a variância de estágio da vida (LSV) pode ser calculada de acordo com a fórmula:
𝑃𝐹 𝐿𝑆𝑉 = (𝑀 + 1) onde PF é um fator de priorização, e onde M é determinado com base no estágio da vida do animal de estimação e no estágio da vida para o qual se destina o produto alimentício para animais de estimação. Por exemplo, de modo similar à variância de tamanho da raça discutida acima, para um estágio da vida específico, produtos alimentícios direcionados ao mesmo estágio da vida podem ser receber um valor M de 0, produtos alimentícios direcionados a todos os estágios da vida podem receber um valor M de 1, e os produtos alimentícios para animais de estimação direcionados aos estágios da vida adjacentes ao estágio da vida especificado podem rece- ber um valor M de 2. Os produtos alimentícios para animais de estimação destinados a outros estágios da vida além daqueles discutidos aqui podem ser excluídos do cálculo. Como outro exemplo, em tal implementação, onde o estágio da vida especificado é um filhote de cachorro ou filhote de gato, então os produtos alimentícios para animais de estimação destina- dos a filhotes de cachorro ou filhotes de gato recebem um valor M de 0, os produtos alimentícios para animais de estimação direcionados a todos os estágios da vida recebem um valor M de 1, e os produtos alimentícios para animais de estimação direcionados ao estágio da vida adulta recebem um valor M de 2, conforme mostrado na tabela abaixo: Estágio da vida Valor M Filhote 0 Todos 1 Adulto 2
[0057] Os produtos alimentícios para animais de estimação direciona- dos ao estágio da vida idoso podem ser excluídos do cálculo e das poten- ciais recomendações de alimentos para animais de estimação. O fator de priorização pode refletir uma importância relativa da variância de estágio da vida em cálculos subsequentes (por exemplo, ao classificar produtos alimentícios para animais de estimação para gerar uma recomendação de alimento para animais de estimação). Em certas implementações, quando a variância de estágio da vida é relevante para cálculos subsequentes, mas menos importante que a variância do tamanho de raça e a variância da condição corporal, o fator de priorização pode ser definido em 8 (de um máximo de 10). Em tais implementações, e continuando o exemplo ante- rior, os produtos alimentícios para animais de estimação direcionados a filhotes de cachorro ou filhotes de gato terão uma variância de estágio da vida de 𝐿𝑆𝑉 = 8/(0 + 1) = 8, os produtos alimentícios para animais de es- timação direcionados a todos os estágios da vida terão uma variância de estágio da vida de 𝐿𝑆𝑉 = 8/(1 + 1) = 4, e os produtos alimentícios para animais de estimação direcionados aos estágios da vida adulta terão uma variância de estágio da vida de 𝐿𝑆𝑉 = 8/(2 + 1) = 2,67.
[0058] Para uso na presente invenção, o termo "variância do nível de atividade" refere-se a uma comparação entre o nível de atividade do animal de estimação e o teor calórico de um produto alimentício para animais de estimação. Os animais de estimação que são mais ativos podem, em geral, exigir um consumo calórico mais alto para evi- tar a perda de peso excessivo e podem, portanto, exigir produtos ali- mentícios para animais de estimação com densidades calóricas mais altas. De modo similar, os animais de estimação menos ativos podem, em geral, exigir menos calorias para evitar ganho de peso excessivo e podem, portanto, exigir produtos alimentícios para animais de estima- ção com densidades de calorias mais baixas. A variância do nível de atividade para um produto alimentício para animais de estimação pode, portanto, ser calculada em relação a um nível de atividade especifi- cado.
[0059] Por exemplo, a variância de nível de atividade (ALV) pode ser calculada para um dado produto alimentício para animais de estima- ção em relação a um nível de atividade de acordo com a fórmula:
𝑃𝐹 𝐴𝐿𝑉 = (|𝐹𝐴𝑉 − 𝑀| + 1) onde PF é um fator de priorização, FAV é um valor atribuído ao ali- mento e é determinado com base na densidade calórica do produto alimentício para animais de estimação, e M é selecionado com base em um determinado nível de atividade. Por exemplo, o FAV pode ser atribuído com base na densidade calórica (calorias/xícara) do produto alimentício para animais de estimação de acordo com a tabela forne- cida acima em conexão com a variância da condição corporal. De modo similar, o valor M pode ser calculado com base em um dado nível de atividade de acordo com a tabela abaixo: Nível de atividade Valor M Menos ativo 0 Semiativo 1 Ativo 2 Altamente ativo 3
[0060] O fator de priorização pode refletir uma importância relativa da variância de nível de atividade em cálculos subsequentes (por exemplo, ao classificar produtos alimentícios para animais de estimação para gerar uma recomendação de alimento para animais de estimação). Em certas implementações, quando a variância do nível de atividade for menos im- portante do que a variância de tamanho de raça, a variância de condição corporal e a variância de estágio da vida, o fator de priorização para a va- riância de nível de atividade pode ser definido em 5 (de um máximo de 10).
[0061] Em tais implementações, para um animal de estimação menos ativo (isto é, M = 0), a variância de nível de atividade para um produto alimentício para animais de estimação com a maior densidade calórica se- ria 𝐴𝐿𝑉 = 5/(|3 − 0| + 1) = 1,25 e a variância de nível de atividade para um produto alimentício para animais de estimação com a menor densidade calórica seria 𝐴𝐿𝑉 = 5/(|0 − 0| + 1) = 5
[0062] Para uso na presente invenção, o termo "variância de peso do animal de estimação" refere-se a uma comparação entre o peso real do animal de estimação e o peso esperado do animal de estimação para a(s) raça(s) do animal de estimação e o teor calórico do alimento para animais de estimação. Animais de estimação com sobrepeso em relação às suas raças podem exigir produtos alimentícios para animais de estimação com menor densidade calórica do que animais de estimação com um peso ideal para sua(s) raça(s). De modo similar, os animais de estimação que estão abaixo do peso em relação à(s) sua(s) raça(s) podem exigir alimentos com densidade calórica maior que os animais de estimação com um peso ideal. Consequentemente, a variância de peso do animal de estimação pode ser calculada em relação ao peso especificado de um animal de estimação em relação à sua raça.
[0063] Por exemplo, a variância de peso do animal de estimação (PWV) pode ser calculada em relação ao peso do animal de estimação de acordo com a fórmula:
𝑃𝐹 𝑃𝑊𝑉 = (|𝐹𝐴𝑉 − 𝑀| + 1) onde PF é um fator de priorização, FAV é um valor atribuído ao ali- mento e é determinado com base na densidade calórica do produto alimentício para animais de estimação, e M é selecionado com base em um determinado estado de peso do animal de estimação. Por exemplo, o FAV pode ser atribuído com base na densidade calórica (calorias/xícara) do produto alimentício para animais de estimação de acordo com a tabela fornecida acima em conexão com a variância da condição corporal. De modo similar, o valor M pode ser calculado com base em um dado nível de atividade de acordo com a tabela abaixo:
Condição de peso Valor M Sobrepeso 0 Ideal 1 Subpeso 2 Em determinadas implementações, o cálculo da variância de peso do animal de estimação pode incluir, também, o cálculo da condição de peso do animal de estimação. Para um dado peso do animal de esti- mação (PW), a condição de peso (WC) pode ser calculada de acordo com a fórmula:
𝑃𝑊 𝑊𝐶 =
𝐴𝐶𝑊 onde ACW é o peso médio calculado da raça do animal de estimação. Para animais de estimação com uma raça única, a ACW pode ser igual à média dos pesos saudáveis mínimo e máximo para a raça. Para animais de estimação com mais de uma raça, a ACW pode ser igual à média dos pesos mínimo e máximo de cada raça. Se o WC for maior que 1, o animal de estimação pode ser considerado acima do peso, se o WC for menor que 1, o animal de estimação pode ser considerado abaixo do peso, e se o WC for aproximadamente 1 (por exemplo, 0,95 a 1,05), o animal de es- timação pode ser considerado em um peso ideal. O fator de priorização pode refletir uma importância relativa da variância de peso do animal de estimação em cálculos subsequentes (por exemplo, ao classificar produtos alimentícios para animais de estimação para gerar uma recomendação de alimento para animais de estimação). Em determinadas implementações, nos casos em que a variância de peso do animal de estimação é menos importante que a variância de tamanho da raça, a variância de condição corporal, a variância de estágio da vida e a variância de nível de atividade, o fator de priorização para a variância de peso do animal de estimação pode ser ajustado para 1 (de um máximo de 10).
[0064] Em tais implementações, para um animal de estimação com sobrepeso (isto é, M=0), o produto alimentício para animais de estima- ção com a densidade calórica mais alta teria uma variância de peso do animal de estimação de 𝑃𝑊𝑉 = 1/(|2 − 0| + 1) = 0,33 e o produto ali- mentício para animais de estimação com a densidade calórica mais baixa teria uma variância de peso do animal de estimação de 𝑃𝑊𝑉 = 1/(|0 − 0| + 1) = 1.
[0065] Para uso na presente invenção, o termo "preferência de grão" refere-se a uma preferência do usuário ou do animal de estimação quanto ao conteúdo de grão de um produto alimentício para animais de estimação. Em certas implementações, a preferência de grão pode in- cluir (i) que os produtos alimentícios para animais de estimação con- tendo grãos sejam preferenciais, (ii) que os produtos alimentícios para animais de estimação contendo grãos sejam desfavorecidos ou que os produtos alimentícios para animais de estimação isentos de grãos se- jam preferenciais, e (iii) nenhuma preferência pelo teor de grãos dos produtos alimentícios para animais de estimação.
[0066] Para uso na presente invenção, o termo "preferência de pro- teína" refere-se a uma preferência do usuário ou do animal de estimação por teores de proteína de um produto alimentício para animais de estima- ção. Em certas implementações, a preferência de proteína pode incluir (i) que produtos alimentícios para animais de estimação contendo aves do- mésticas (por exemplo, frango, pato ou peru) sejam preferenciais, (ii) que produtos alimentícios para animais de estimação contendo carne bovina sejam preferenciais, (iii) que os produtos alimentícios para animais de estimação contendo porco sejam preferenciais, (iv) que os produtos ali- mentícios para animais de estimação contendo peixe sejam preferenci- ais, (v) que os produtos alimentícios para animais de estimação contendo proteínas de origem vegetal sejam preferenciais, e (vi) não preferência pelo teor proteico dos produtos alimentícios para animais de estimação.
[0067] Para uso na presente invenção, o termo "preferência de tex- tura do alimento" refere-se a uma preferência do usuário ou do animal de estimação quanto à textura de um produto alimentício para animais de estimação. Em certas implementações, a preferência de textura de alimento pode incluir (i) que produtos alimentícios úmidos para animais de estimação sejam preferenciais, (ii) que produtos alimentícios secos para animais de estimação sejam preferenciais, e (iii) não preferência pela textura de alimento de produtos alimentícios para animais de es- timação.
[0068] Para uso na presente invenção, o termo "preferência de in- grediente natural" refere-se a uma preferência do usuário ou do animal de estimação quanto à textura de um produto alimentício para animais de estimação. Em certas implementações, a preferência do ingrediente natural pode incluir (i) uma preferência por produtos alimentícios para animais de estimação que contenham ingredientes naturais, (ii) uma preferência por produtos alimentícios para animais de estimação sem ingredientes naturais, e (iii) não preferência pelo teor do ingrediente natural de produtos alimentícios para animais de estimação.
[0069] Para uso na presente invenção, "preferência de compras" re- fere-se a uma preferência do usuário quanto à disponibilidade de compra para um produto alimentício para animais de estimação. Em certas imple- mentações, a preferência de compras pode incluir (i) uma preferência por produtos que estejam disponíveis online (ou tanto online como em lojas), (ii) uma preferência por produtos que estejam disponíveis em lojas (ou am- bos em lojas e online), e (iii) nenhuma preferência pela disponibilidade de compras de produtos alimentícios para animais de estimação.
[0070] As modalidades preferenciais referem-se a métodos e dis- positivos para determinar um alimento para animais de estimação e/ou um cronograma de alimentação de animais de estimação.
[0071] A Figura 1 ilustra de modo geral uma modalidade de um sis- tema 5 para determinar um alimento recomendado para animais de es- timação 21 para um animal de estimação 1. Por exemplo, um usuário 2, que pode ser o dono do animal de estimação 1, pode desejar comprar alimento para o animal de estimação 1. Entretanto, o usuário 2 pode não saber o tipo exato de alimento mais adequado para as necessidades do animal de estimação 1 e/ou o cronograma de alimentação recomendado do alimento para o animal de estimação 1. Consequentemente, o usuá- rio 2 pode usar o sistema 5 para determinar a recomendação de ali- mento para animais de estimação e/ou a recomendação de alimentação de animais de estimação 21 para o animal de estimação 1.
[0072] O sistema 5 pode incluir uma interface 22. Em algumas moda- lidades, a interface é uma interface da web. A interface da web 22 pode ser implementada por um servidor de interface da web 23. Por exemplo, o servidor de interface da web 23 pode fornecer a interface da web 22 ao receber uma solicitação de um dispositivo de usuário 11. O dispositivo de usuário 11 pode ser implementado como, por exemplo, um telefone celu- lar, smartphone, relógio de pulso inteligente, laptop, tablet, assistente digi- tal pessoal (PDA) e/ou computador de mesa. O dispositivo de usuário 11 pode ser capaz de tirar uma imagem de animal de estimação 3 do animal de estimação. Em outra modalidade, o dispositivo de usuário 11 pode adi- cional ou alternativamente armazenar a imagem de animal de estimação 3 do animal de estimação 1. A interface 22 do sistema 5 pode ser capaz de receber a imagem de animal de estimação 3. Por exemplo, o usuário 2 pode ser capaz de carregar a imagem de animal de estimação 3 na inter- face 22. O dispositivo de usuário 11 pode se comunicar com a interface 22 e/ou com o servidor de interface 23 através de uma conexão de rede, como uma conexão de rede através da Internet. Em certas implementações, o dispositivo de usuário 11 pode se comunicar com uma conexão de rede com fio ou sem fio (por exemplo, uma conexão de rede através de cone- xões de dados Wi-Fi, Bluetooth, Ethernet, celular). Em ainda outras imple- mentações, as funcionalidades de um ou ambos dentre a interface 22 e o servidor de interface 23 podem ser implementadas pelo dispositivo de usu- ário 11 (por exemplo, como um programa ou aplicativo executado no dis- positivo de usuário). Em outras modalidades, a interface é uma interface de voz, um aplicativo de telefone móvel, uma integração de conversação ou outras interfaces de usuário para soluções de rede e/ou em nuvem.
[0073] Entradas adicionais ou alternativas podem ser recebidas pela interface 22. Por exemplo, a interface 22 pode, adicional ou alternativa- mente, receber informações referentes a uma raça de um animal de es- timação, um peso do animal de estimação, um nível de atividade do ani- mal de estimação, um gênero do animal de estimação, um estado do gê- nero do animal de estimação (por exemplo, castrado), um ambiente/clima do animal de estimação, suplementos atuais/anteriores tomados pelo ani- mal de estimação, dieta atual/anterior do animal de estimação, hábitos de alimentação, resultados de saúde desejados, uma preferência de in- grediente do usuário e/ou do animal de estimação, e/ou preferência de compras. As informações adicionais referentes ao animal de estimação podem ser fornecidas por um usuário (por exemplo, o dono do animal de estimação ou um veterinário). As informações adicionais podem também ser obtidas a partir de uma base de dados históricos ou mesmo recebidas remotamente a partir de dispositivos no animal de estimação (por exem- plo, coleira) ou no ambiente do animal de estimação (por exemplo, tigela de comida ou caixa de areia).
[0074] Em uma modalidade em que a interface 22 recebe a ima- gem de animal de estimação 3, a imagem de animal de estimação 3 pode ser comunicada a um modelo de reconhecimento de imagem de animal de estimação 33. O modelo de reconhecimento de imagem de animal de estimação 33 pode analisar a imagem de animal de estima- ção 3 para determinar a espécie/raça do animal de estimação, o está- gio da vida do animal de estimação, e/ou o tamanho do animal de es- timação por meio da análise da imagem de animal de estimação 3 quanto a uma ou mais características do animal de estimação. O mo- delo de reconhecimento de imagem de animal de estimação 33 pode produzir um resultado de reconhecimento de imagem de animal de es- timação 32. O resultado de reconhecimento de imagem de animal de estimação 32 pode incluir a variância de raça/tamanho do animal de estimação, a variância de condição corporal, a variância de atividade, a variância de peso do animal de estimação e/ou a variância de estágio da vida. O resultado de reconhecimento de imagem de animal de esti- mação 32 pode, então, ser comunicado de volta à interface 22.
[0075] Em certas implementações, conforme representado na Fi- gura 1, o modelo de reconhecimento de imagem de animal de estima- ção 33 pode ser implementado em um servidor na nuvem 31. Por exemplo, o modelo de reconhecimento de imagem de animal de esti- mação 33 pode ser implementado por um servidor na nuvem fornecido por um fornecedor de serviços na nuvem (por exemplo Google Cloud Platform Services).
[0076] O sistema 5 pode, então, comunicar o resultado de reconheci- mento de imagem de animal de estimação 32 a um modelo de recomen- dação de alimento para animais de estimação 63. Em certas implementa- ções, essa comunicação pode ser indireta. Por exemplo, conforme repre- sentado na Figura 1, o servidor na nuvem 31 e/ou o modelo de reconheci- mento de imagem 33 podem comunicar o resultado de reconhecimento de imagem de animal de estimação 32 ao modelo de recomendação de ali- mento para animais de estimação 63 indiretamente através da interface 22 e/ou do servidor de interface 23. Em algumas implementações, o servidor na nuvem 31 e/ou o modelo de reconhecimento de imagem 33 podem co- municar o resultado de reconhecimento de imagem de animal de estima- ção 32 ao modelo de recomendação de alimento para animais de estima- ção 63 diretamente (por exemplo, através de um link de comunicação en- tre o servidor na nuvem 31 e o servidor na nuvem 61).
[0077] O modelo de recomendação de alimento para animais de esti- mação 63 pode, então, usar o resultado de reconhecimento de imagem de animal de estimação 32 e/ou outras informações fornecidas pelo usuário ou armazenadas pelo modelo de recomendação de alimento para animais de estimação 63 para determinar um resultado de recomendação de ali- mento para animais de estimação 62. O resultado da recomendação de alimento para animais de estimação 62 pode ser selecionado pelo modelo de recomendação de alimento para animais de estimação 63 a partir de uma lista de produtos alimentícios para animais de estimação, por exem- plo, alimentos para animais de estimação 62a, 62b, 62c e 62d através da análise do resultado de reconhecimento de imagem 32. Por exemplo, e conforme explicado em maiores detalhes abaixo, o modelo de recomen- dação de alimento para animais de estimação 63 pode calcular uma ou mais dentre a variância de raça/tamanho do animal de estimação, a vari- ância de condição corporal, a variância de estágio da vida, a variância de nível de atividade e a variância de peso do animal de estimação, com base nas características do animal de estimação incluídas no resultado de re- conhecimento de imagem 32, ou fornecidas pelo usuário 2.
[0078] Em uma modalidade, o alimento para animais de estimação 62a pode compreender um alimento para animais de estimação com alto teor de gordura, o alimento para animais de estimação 62b pode compreender um alimento para animais de estimação sem glúten, o alimento para animais de estimação 62c pode compreender um ali- mento para animais de estimação com baixo teor de açúcar, e o ali- mento para animais de estimação 62d pode compreender um alimento para animais de estimação sem carne. Quando o resultado da reco- mendação de alimento para animais de estimação 62 é determinado pelo modelo de recomendação de alimento para animais de estimação 63, o resultado da recomendação de alimento para animais de estima- ção 62 pode, então, ser comunicado à interface 22. Em outras imple- mentações, o resultado da recomendação de alimento para animais de estimação 62 pode incluir mais de um alimento para animais de esti- mação de 62a a 62d. Por exemplo, o modelo de recomendação de alimento para animais de estimação 63 pode selecionar mais de um alimento para animais de estimação dentre 62a, 62b, 62c e 62d que atende às preferências do usuário fornecidas, e pode incluir os alimen- tos para animais de estimação 62a, 62b, 62c e 62d selecionados no resultado de recomendação de alimento para animais de estimação 62 para seleção pelo usuário. Em algumas modalidades, quando múltiplos produtos alimentícios para animais de estimação são apresentados como parte da recomendação de alimentos para animais de estimação, os produtos podem ser priorizados com base na lógica documentada no modelo.
[0079] Em certas implementações, conforme representado na Fi- gura 1, o modelo de recomendação de alimentos para animais de es- timação 63 pode ser implementado em um servidor na nuvem 61. Por exemplo, o modelo de recomendação de alimentos para animais de estimação 63 pode ser implementado por um servidor na nuvem forne- cido por um fornecedor de serviços na nuvem (por exemplo Google Cloud Platform Services).
[0080] A interface 22 pode usar o resultado da recomendação de alimentos para animais de estimação 62 para sugerir ao usuário 2 o ali- mento recomendado para animais de estimação 21. A interface 22 pode, ainda, fornecer um link para compra do alimento recomendado para ani- mais de estimação 21, juntamente com um cronograma de alimentação sugerido baseado no resultado de reconhecimento de imagem de ani- mal de estimação 32 e no resultado de recomendação de alimento para animais de estimação 62.
[0081] A interface 22 pode coletar dados referentes ao resultado de reconhecimento de imagem de animal de estimação 32 e ao resultado de recomendação de alimento para animais de estimação 62. Por exem- plo, o usuário 2 pode ser capaz de fornecer retroinformação relacionada ao alimento recomendado para animais de estimação 21, como a in- fluência do alimento recomendado para animais de estimação 21 sobre o ganho e/ou a perda de peso do animal de estimação 1, sobre altera- ções na aparência do animal de estimação 1 e/ou se o animal de esti- mação 1 pareceu apreciar comer o alimento recomendado para animais de estimação 21. Além disso, a interface 22 pode receber dados de ou- tras fontes, incluindo coleiras inteligentes usadas para rastrear o movi- mento do animal de estimação 1, tigelas de alimentação inteligentes usadas para alimentar o animal de estimação 1, balanças inteligentes para registrar o peso do animal de estimação, histórico veterinário do animal de estimação 1, resultados subsequentes de reconhecimento de imagem de animal de estimação 32 para o animal de estimação 1 e/ou preferências atualizadas para o animal de estimação 1 inseridas pelo usuário 2. Essa retroinformação pode ser genericamente chamada de "dados históricos" para treinamento e otimização do modelo de reco- mendação de alimento para animais de estimação 63.
[0082] Os dados históricos para treinamento e otimização do mo- delo de recomendação de alimento para animais de estimação podem ser armazenados em uma base de dados históricos 101. Os dados históricos para treinamento e otimização do modelo de recomendação de alimento para animais de estimação podem ser usados no modelo de recomendação de alimento para animais de estimação 63 para for- necer o alimento recomendado para animais de estimação 21 com maior probabilidade de satisfazer as solicitações e preferências do usuário 2 e/ou as necessidades do animal de estimação 1, conforme explicado em maiores detalhes abaixo.
[0083] Em certas modalidades, o sistema 5 pode incluir um ou mais componentes implementados por um sistema de computador que inclui uma CPU e uma memória. Por exemplo, um ou mais componentes do sistema 5 podem incluir uma instrução de armazenamento de memória que, quando executada por uma CPU, faz com que a CPU implemente uma ou mais funções do componente. Como outro exemplo, um ou mais dentre o dispositivo de usuário 11, o servidor de interface 23, os servidores na nuvem 31, 61 e a base de dados históricos 101 podem ser implementados como pelo menos um sistema de computador. Em certas implementações, cada um desses componentes pode ser imple- mentado por um sistema de computador separado. Em outras imple- mentações, um ou mais dos componentes podem ser implementados por um único sistema de computador. Por exemplo, o servidor de in- terface 23 e o dispositivo de usuário 11 podem ser implementados pelo mesmo sistema de computador. Como outro exemplo, os servidores na nuvem 31, 61 podem ser implementados pelo mesmo sistema de computador em certas implementações.
[0084] Adicionalmente, um ou mais componentes do sistema 5 po- dem se comunicar através de uma rede, como uma rede pública ou privada. Por exemplo, o dispositivo de usuário 11, o servidor de inter- face 23, os servidores na nuvem 31, 61 e a base de dados históricos 101 podem se comunicar através da Internet. Os componentes podem se comunicar através de uma ou mais interfaces de rede com fio ou sem fio, incluindo, mas não se limitando a, Ethernet, Wi-Fi, Bluetooth e redes de dados celulares.
[0085] A Figura 1 ilustra também, de modo geral, uma modalidade de um método para fornecer o alimento recomendado para animais de estimação 21 ao usuário 2. O método pode ser implementado em um sistema de computador, como o sistema 5. Por exemplo, o método pode ser implementado pelo dispositivo de usuário 11, servidor de in- terface 23, servidores na nuvem 31, 61 e base de dados históricos 101. O método pode também ser implementado por um conjunto de instru- ções armazenadas em uma mídia legível por computador que, quando executadas por um processador, fazem com que o sistema de compu- tador execute o método. Por exemplo, a totalidade ou parte do método pode ser implementada por uma CPU e uma memória.
[0086] Embora os exemplos abaixo sejam descritos com referência ao fluxograma ilustrado na Figura 1, muitos outros métodos de execução das ações associadas à Figura 1 podem ser usados. Por exemplo, a or- dem de algumas das etapas pode ser alterada, certas etapas podem ser combinadas com outras etapas, uma ou mais das etapas podem ser repe- tidas, e algumas das etapas descritas podem ser opcionais. Em certas im- plementações, as etapas do método podem ser realizadas, de preferência, na ordem mostrada sem etapas intermediárias.
[0087] Na etapa 10, a interface 22 pode receber do usuário 2 uma notificação enviada pelo usuário 2 (por exemplo, uma notificação envi- ada através do dispositivo de usuário 11) de que o usuário 2 deseja receber o alimento recomendado para animais de estimação 21.
[0088] Na etapa 20, a interface 22 pode receber informações de preferência, como a preferência de grão, preferência de proteína, prefe- rência de textura de alimento, preferência de ingrediente natural e/ou preferência de compras do usuário 2 ou do animal de estimação 1. A interface 22 pode usar essas informações para personalizar o resultado da recomendação de alimento para animais de estimação 62 para o ani- mal de estimação e o dono do animal de estimação, e/ou outras prefe- rências do animal de estimação e/ou alimento para animais de estima-
ção. A interface 22 pode também ser configurada para receber a ima- gem de animal de estimação 3 do animal de estimação 1. Conforme explicado adicionalmente abaixo, a interface 22 pode também receber dados sobre o animal de estimação 1, como dados referentes a um ou mais dentre o sexo, a raça ou a idade do animal de estimação 1.
[0089] Na etapa 30, a interface 22 pode comunicar a imagem de animal de estimação 3 ao modelo de reconhecimento de imagem de animal de estimação 33. O modelo de reconhecimento de imagem de animal de estimação 33 pode analisar a imagem de animal de estimação 3 para determinar o resultado de reconhecimento de imagem de animal de estimação 32 com base na imagem de animal de estimação 3. Por exemplo, o modelo de reconhecimento de imagem de animal de estima- ção 33 pode analisar a imagem de animal de estimação 3 para identifi- car uma ou mais características da imagem de animal de estimação 3. Por exemplo, o modelo de reconhecimento de imagem de animal de estimação 33 pode ser implementado como um modelo de aprendizado de máquina, como um modelo de aprendizado de máquina bidimensio- nal (por exemplo, uma rede neural recorrente ou uma rede neural con- volucional). O modelo de reconhecimento de imagem de animal de es- timação 33 pode ser treinado em imagens de animais de estimação de treinamento, que podem ser preparadas ou, de outro modo, coletadas a partir de imagens de animais de estimação 3 anteriormente enviadas, conforme discutido abaixo. Durante o treinamento, o modelo de reco- nhecimento de imagem de animal de estimação 33 pode ser configurado para identificar as características da imagem ou pode, de outro modo, desenvolver as características de imagem para identificação na imagem de animal de estimação 3 com base no processo de treinamento. Exem- plos de características de imagem podem incluir o contorno do animal de estimação 1, a área delimitada pelo contorno do animal de estimação
1, a porcentagem de pixels da imagem de animal de estimação 3 ocu- pada pelo animal de estimação 1, e uma ou mais dimensões geométri- cas do animal de estimação 1 dentro da imagem de animal de estimação 3 (por exemplo, comprimento, altura, distância da pata ao ombro, dis- tância da parte posterior ao abdome, largura do tórax, profundidade do tórax).
[0090] As características da imagem podem, então, ser analisadas para gerar o resultado de reconhecimento de imagem 32. O resultado do reconhecimento de imagem 32 pode incluir uma ou mais características do animal de estimação 1, como altura, peso, comprimento, raça, tamanho da raça, tamanho do animal de estimação, nível de atividade, estágio da vida e/ou condição corporal do animal de estimação 1. As características da imagem podem sugerir ou, de outro modo, indicar a presença de uma ou mais características do animal de estimação 1. Em certas implementa- ções, por exemplo, durante o treinamento, o modelo de reconhecimento de imagem de animal de estimação 33 pode identificar um relacionamento entre o contorno do animal de estimação 1 na imagem de animal de esti- mação 3 e uma ou mais características do animal de estimação 1. Por exemplo, um contorno maior pode sugerir um ou ambos dentre um peso maior para o animal de estimação 1 ou um tamanho de raça maior para o animal de estimação 1. Como outra implementação, o modelo de reconhe- cimento de imagem de animal de estimação 33 pode identificar um relaci- onamento entre o tamanho ou coloração do animal de estimação 1 na ima- gem de animal de estimação 3 e a raça do animal de estimação 1. Por exemplo, o modelo de reconhecimento de imagem de animal de estimação 33 pode determinar que um animal de estimação 1 que é grande e preto e branco com pintas é um Dálmata com base no treinamento anterior. Em outra modalidade, o modelo de reconhecimento de imagem de animal de estimação pode levar em consideração outros recursos da imagem, como características de pelagem e/ou características faciais para determinar uma raça de um animal de estimação.
[0091] O modelo de reconhecimento da imagem para animais de estimação 33 pode ser configurado para gerar ou predizer determinadas características do animal de estimação, dependendo das características do animal de estimação para inclusão no resultado de reconhecimento da imagem para animais de estimação 32 que são relevantes ao pro- cessamento subsequente do modelo de recomendação de alimento para animais de estimação 63. Por exemplo, o modelo de recomenda- ção de alimento para animais de estimação 63 pode calcular uma vari- ância de tamanho da raça e pode, portanto, depender de uma estimativa do tamanho da raça do animal de estimação 1 na produção de um re- sultado de recomendação de alimento para animais de estimação. Em tal implementação, o modelo de reconhecimento de imagem de animal de estimação 33 pode, portanto, ser configurado para estimar o tama- nho da raça do animal de estimação 1 com base na imagem de animal de estimação 3 e para incluir a estimativa de tamanho da raça no resul- tado de reconhecimento de imagem 32.
[0092] Em certas implementações, o modelo de reconhecimento de imagem de animal de estimação 33 pode ser implementado como mais de um modelo de aprendizado de máquina. Por exemplo, o mo- delo de reconhecimento de imagem de animal de estimação 33 pode incluir um primeiro modelo de aprendizado de máquina configurado para identificar as características de imagem da imagem de animal de estimação 3 e um segundo modelo de aprendizado de máquina confi- gurado para analisar as características da imagem e identificar as ca- racterísticas do animal de estimação 1. Em ainda outras implementa- ções, o modelo de reconhecimento de imagem de animal de estimação 33 pode ser implementado por um único modelo de aprendizado de máquina. Por exemplo, o modelo de reconhecimento de imagem de animal de estimação 33 pode incluir um único modelo de aprendizado de máquina configurado tanto para identificar as características de imagem na imagem de animal de estimação 3 quanto para estimar as características do animal de estimação 1 com base nas características da imagem. Em ainda outro exemplo, o modelo de reconhecimento de imagem de animal de estimação 33 pode não estimar as característi- cas da imagem e pode, em vez disso, incluir um único modelo de aprendizado de máquina configurado para estimar as características do animal de estimação 1 com base na imagem de animal de estima- ção 3 diretamente.
[0093] Na etapa 40, o resultado de reconhecimento da imagem de animal de estimação 32 pode ser comunicado à interface 22. Em uma modalidade, o resultado de reconhecimento de imagem 32 pode ser comunicado ao modelo de recomendação de alimento para animais de estimação 63 sem ser primeiramente comunicado à interface 22.
[0094] Na etapa 50, o modelo de recomendação de alimento para animais de estimação 63 pode receber o resultado de reconhecimento da imagem de animal de estimação 32. O resultado de reconhecimento da imagem de animal de estimação 32 pode ser recebido a partir da interface 22, do modelo de reconhecimento da imagem de animal de estimação 33, e/ou de outro local.
[0095] Na etapa 60, o modelo de recomendação de alimento para ani- mais de estimação 63 pode analisar o resultado de reconhecimento da imagem de animal de estimação 32 para determinar o resultado de reco- mendação de alimento para animais de estimação 62. O modelo de reco- mendação de alimento para animais de estimação 63 pode analisar as características do animal de estimação incluídas no resultado de reconhe- cimento da imagem de animal de estimação 32. O modelo de recomenda- ção de alimento para animais de estimação 63 pode analisar as caracte- rísticas do animal de estimação incluídas no resultado de reconhecimento da imagem de animal de estimação e os dados inseridos na interface 22 para determinar o resultado da recomendação de alimento para animais de estimação. Por exemplo, o resultado de reconhecimento de imagem 32 pode incluir um ou mais dentre raça, tamanho da raça, tamanho do animal de estimação, condição corporal, estágio da vida, nível de atividade e peso do animal de estimação 1, e os dados inseridos podem incluir um ou mais dentre gênero do animal de estimação, estado de gênero do animal de estimação, peso do animal de estimação, sensibilidade do animal de esti- mação, condição de saúde do animal de estimação, ambiente do animal de estimação, uso de suplemento atual/anterior, dieta atual/anterior, hábi- tos alimentares e/ou resultados de saúde desejados que o modelo de re- comendação de alimento para animais de estimação 63 pode usar para calcular uma ou mais variâncias, como a variância de tamanho/raça do animal de estimação, a variância de condição corporal, a variância de es- tágio da vida, a variância de nível de atividade e/ou a variância de peso do animal de estimação. O modelo de recomendação de alimento para ani- mais de estimação 63 pode, então, pontuar produtos alimentícios para ani- mais de estimação com base em uma soma de uma ou mais variâncias.
[0096] Em certas implementações, o modelo de recomendação de alimento para animais de estimação 63 pode ser configurado para (i) fil- trar uma lista de produtos alimentícios para animais de estimação para criar uma lista filtrada de produtos alimentícios para animais de estimação com base em uma ou mais preferências do usuário e (ii) classificar a lista filtrada de produtos alimentícios para animais de estimação. Por exem- plo, um usuário 2 pode fornecer uma ou mais preferências para filtrar os produtos alimentícios para animais de estimação fornecidos no resultado de recomendação de alimento para animais de estimação. Em algumas modalidades, um usuário 2 pode fornecer uma preferência de grão, uma preferência de proteína (por exemplo, frango, carne bovina, carne suína), uma preferência de textura de alimento (por exemplo, úmido versus seco), uma preferência de ingrediente natural, uma preferência de com- pra, e/ou outras variáveis adicionais que podem ser úteis para criar uma lista filtrada de produtos alimentícios para animais de estimação. A lista filtrada de produtos alimentícios para animais de estimação pode, então, ser classificada usando-se um ou múltiplos critérios escolhidos pelo usu- ário, por exemplo, preço, disponibilidade e/ou marca.
[0097] Em ainda outras implementações, ou em adição às imple- mentações acima, o modelo de recomendação de alimento para ani- mais de estimação 63 pode incluir um modelo de aprendizado de má- quina que gera o resultado de recomendação de alimento para animais de estimação 62. Por exemplo, o modelo de aprendizado de máquina pode ser treinado para determinar os fatores de priorização das uma ou mais variâncias.
[0098] O resultado da recomendação de alimento para animais de estimação 62 pode ser o alimento recomendado para animais de esti- mação 21 selecionado dentre os alimentos para animais de estimação de 62a a 62d. Em outras implementações, conforme discutido acima, o resultado da recomendação de alimento para animais de estimação 62 pode incluir uma pluralidade de alimentos para animais de estima- ção de 62a a 62d para seleção por um usuário 2.
[0099] Em certas modalidades, o resultado da recomendação de ali- mento para animais de estimação 62 pode incluir também uma recomen- dação de alimentação de animais de estimação. Por exemplo, após os alimentos para animais de estimação de 62a a 62d terem sido identifica- dos, o modelo de recomendação de alimento para animais de estimação 63 pode determinar uma recomendação de alimentação de animais de estimação com base na densidade calórica dos alimentos de 62a a 62d. Por exemplo, o modelo de recomendação de alimento para animais de estimação 63 pode determinar uma recomendação de alimentação com base em uma combinação de fatores, incluindo a ingestão calórica e/ou a densidade calórica desejada do produto selecionado para o animal de estimação 1 com base nas características do animal de estimação 1 (por exemplo, a raça, o tamanho da raça, a condição corporal, o estágio da vida, o nível de atividade e/ou o peso do animal de estimação 1). O mo- delo de recomendação de alimento para animais de estimação 63 pode, então, determinar quanto de cada alimento para animais de estimação de 62a a 62d é necessário para alcançar a ingestão calórica desejada do animal de estimação 1 com base na densidade calórica (por exemplo, dividindo-se a ingestão calórica desejada pela densidade calórica dos ali- mentos para animais de estimação de 62a a 62d). O modelo de recomen- dação de alimento para animais de estimação 63 pode, então, dividir o alimento em um determinado número de refeições desejadas ou reco- mendadas por dia (por exemplo, 2 refeições por dia) para o animal de estimação 1. Em certas implementações, o modelo de recomendação de alimento para animais de estimação pode não gerar a recomendação de alimentação de animais de estimação até depois de um usuário ter sele- cionado um alimento para animais de estimação de 62a a 62d dentre os alimentos para animais de estimação de 62a a 62d incluídos no resultado de reconhecimento da imagem de animal de estimação. Por exemplo, a recomendação de alimento e alimentação de animais de estimação pode ser direcionada à obtenção de uma pontuação ideal de condição corporal dentro de um período de tempo definido (por exemplo, 6 semanas ou 10 semanas), conforme determinado pela manutenção de peso, perda de peso ou ganho de peso.
[0100] Na etapa 70, o resultado da recomendação de alimento para animais de estimação 62 pode ser recebido pela interface 22. Em uma modalidade, a interface é uma interface da web. Em outras mo- dalidades, a interface é um aplicativo de bate-papo, voz ou móvel.
[0101] Na etapa 80, o resultado da recomendação de alimento para animais de estimação 62 pode ser comunicado da interface 22 ao disposi- tivo de usuário 11 e/ou ao usuário 2. O resultado da recomendação de alimento para animais de estimação 62 pode estar sob a forma do alimento recomendado para animais de estimação 21. Em uma modalidade, o ali- mento recomendado para animais de estimação 21 é dois ou mais alimen- tos diferentes para animais de estimação. Em uma modalidade, o alimento recomendado para animais de estimação 21 é duas ou mais marcas de alimento para animais de estimação. Em uma modalidade, o alimento re- comendado para animais de estimação 21 é um único alimento para ani- mais de estimação e/ou uma única marca de alimento para animais de estimação.
[0102] Na etapa 90, uma base de dados históricos 101 pode rece- ber dados comportamentais para treinamento e otimização do modelo de recomendação de alimento para animais de estimação 63 e/ou do modelo de reconhecimento de imagem 33. Por exemplo, a imagem de animal de estimação 3 pode ser armazenada em uma base de dados históricos e pode ser marcada ou analisada manualmente e fornecida ao modelo de reconhecimento de imagem 33 para treinamento. Em cer- tas modalidades, um especialista no assunto em questão pode analisar a imagem de animal de estimação 3 para identificar uma ou mais carac- terísticas do animal de estimação 1 ou características de imagem da imagem de animal de estimação 3 e pode marcar a imagem de animal de estimação 3 com as características do animal de estimação identifi- cadas. O modelo de reconhecimento de imagem 33 pode, então, ser treinado na imagem de animal de estimação 3, em combinação com uma pluralidade de outras imagens de animais de estimação 3. Por exemplo, o modelo de reconhecimento de imagem 33 pode se ajustar (por exemplo, um ou mais pesos ou fatores dentro do modelo de reco- nhecimento de imagem) para maximizar a precisão das características de imagem ou das características de animal de estimação detectadas.
[0103] Em outro exemplo, o modelo de recomendação de alimentos 63 pode analisar dados comportamentais do usuário 2 ou do animal de estimação 1 (por exemplo, se o usuário 2 comprou o alimento recomen- dado para animais de estimação 21, subsequente perda ou ganho de peso pelo animal de estimação 1, subsequente nível de atividade do animal de estimação 1) e pode atualizar um ou mais parâmetros de mo- delo (por exemplo, os fatores de priorização para as variâncias) para maximizar a precisão do alimento recomendado para animais de esti- mação 21. Tais dados podem vir da interação do usuário com a solução através de marcação da atividade da web, cookies, por exemplo, pes- quisas de usuário, registros de compra e imagens de animal de estima- ção 3 subsequentemente enviadas.
O modelo de recomendação de ali- mentos 63 pode, também, analisar dados comportamentais sobre o ani- mal de estimação 1 (por exemplo, se o animal de estimação 1 atingiu alterações desejáveis na condição corporal, se o animal de estimação 1 gostou do alimento recomendado para animais de estimação 21). Tais dados podem vir de dispositivos para animais de estimação conectados (por exemplo, coleiras, tigelas, conchas, caixas de areia, dispensadores de água, câmeras, balanças, caixas, capachos, leitos) que coletam e transmitem automaticamente dados usados para fornecer as recomen- dações personalizadas de alimento para animais de estimação e/ou re- comendações de alimentação de animais de estimação.
Em certas im- plementações, o modelo de recomendação de alimentos 63 pode ser otimizado para melhorar um ou mais dentre se o usuário 2 compra o alimento recomendado para animais de estimação 21, se o animal de estimação 1 sofre uma alteração desejada no peso após comer o ali- mento recomendado para animais de estimação 21, se o animal de es- timação 1 gosta do alimento recomendado para animais de estimação 21, e se o usuário continua a usar o sistema 5 para gerar resultados de recomendação de alimento para animais de estimação 62.
[0104] Na etapa 100, os dados comportamentais para treinamento e otimização do modelo de recomendação de alimento para animais de estimação 63 podem ser comunicados ao modelo de recomendação de alimento para animais de estimação 63 para fornecer o alimento reco- mendado para animais de estimação 21 com maior probabilidade de satisfazer as solicitações e preferências do usuário 2 e/ou as necessi- dades ou preferências do animal de estimação 1.
[0105] A Figura 2 ilustra, de modo geral, uma modalidade de um diagrama de aplicação 200. O diagrama de aplicação 200 pode repre- sentar com o que o usuário 2 interage no dispositivo de usuário 11, mos- trado na Figura 1, para fornecer entradas à interface 22, mostrada na Figura 1.
[0106] Novamente com referência à Figura 2, uma introdução 210 pode ser configurada para receber informações básicas ou de linha de base do usuário 2. Por exemplo, a introdução pode receber informa- ções de login, preferências de conta inicial, documentos de revelação de dados e/ou legais necessários e/ou outras informações gerais do usuário 1. A introdução 210 pode ser usada apenas durante um login inicial na interface 22, e pode não ser apresentada durante registros subsequentes após um perfil de usuário inicial ser criado.
[0107] A interface 22 pode fornecer um menu 220. O menu 220 pode ser o "início", "base" ou interface inicial apresentada ao usuário 2 quando registrado na interface 22. O menu 220 pode fornecer ele- mentos de navegação para permitir que o usuário 2 navegue para ou- tros locais dentro da interface 22.
[0108] A interface 22 pode fornecer uma ou mais opções de menu
230. As opções de menu 230 podem ser acessíveis a partir do menu
220. As opções de menu 230 podem possibilitar que o usuário 2 edite, defina e/ou ajuste as configurações na interface 22 e/ou acesse outras informações relacionadas à interface 22. Por exemplo, as opções de menu 230 podem incluir telas e/ou documentos relacionados a pergun- tas frequentes, contatos e/ou informações de contato, páginas de re- troinformação (por exemplo, retroinformação editável pelo usuário, ou retroinformação já fornecida por outros usuários para que o usuário 2 as revise), uma política, termos e condições de privacidade e/ou uma explicação relacionada a anúncios na interface 22.
[0109] A interface 22 pode fornecer uma ou mais entradas de perfil
240. A entrada de perfil 240 pode ser acessível a partir do menu 220. A entrada de perfil 240 pode permitir que o usuário 2 insira informações re- ferentes ao animal de estimação e/ou preferências do usuário 2 que po- dem ser usadas para determinar o alimento recomendado para animais de estimação 21. Por exemplo, a entrada de perfil 240 pode incluir: uma tela de início, que pode fornecer instruções sobre como o usuário 2 deve pros- seguir; uma tela de informações básicas; uma tela de upload de foto, onde o usuário 2 pode carregar uma imagem de animal de estimação 3 para uso posterior no modelo de reconhecimento de imagem 33, mostrado na Figura 1; uma tela de informações de raça, na qual o usuário 2 pode inserir informações sobre a raça do animal de estimação 1; uma tela de informa- ções sobre peso, na qual o usuário 2 pode inserir informações sobre o peso do animal de estimação 1; uma tela de nível de atividade, na qual o usuário 2 pode inserir informações sobre o nível de atividade do animal de estimação 1; uma tela de preferência de ingrediente, na qual o usuário 2 pode inserir informações sobre as preferências de ingrediente do animal de estimação 1 e/ou do usuário 2; uma tela de preferência de proteína, na qual o usuário 2 pode inserir informações sobre as preferências de prote- ína do animal de estimação 1 e/ou do usuário 2; e/ou uma tela de prefe- rência de compra, na qual o usuário 2 pode inserir informações sobre as preferências de compra do usuário 2.
[0110] Quando ao menos um dos itens na entrada de perfil 240 é completado, um perfil completo 250 pode ser montado usando-se a informação fornecida na entrada de perfil 240 e/ou qualquer informa- ção gerada pelo modelo de reconhecimento de imagem do animal de estimação 33, pelo modelo de recomendação de alimento para animais de estimação 63, e/ou pela base de dados históricos 101, conforme mostrado na Figura 1. O perfil completo 250 pode ser usado para gerar o alimento recomendado para animais de estimação 21. Por exemplo, uma ou mais características incluídas no resultado de reconhecimento de imagem 32 podem ser incluídas no perfil completo 250. O modelo de recomendação de alimento para animais de estimação 63 pode, en- tão, analisar um ou ambos dentre o resultado de reconhecimento da imagem 32 e o perfil completo 250, para gerar um resultado de reco- mendação de alimento para animais de estimação 62, conforme des- crito acima.
[0111] Em uma modalidade, se o upload da foto estiver disponível na entrada de perfil 240, a entrada de perfil 240 pode incluir, também, um upload de arquivo onde o usuário pode enviar a imagem de animal de estimação 3 e/ou receber mensagens referentes aos parâmetros da foto se a foto não atender a determinados parâmetros predefinidos. Em certas implementações, a imagem de animal de estimação 3 pode exi- gir uma ou mais características de foto. Por exemplo, em certas imple- mentações, o modelo de reconhecimento de imagem 33 pode ser con- figurado para fornecer os resultados mais precisos com base nas ima- gens de animal de estimação 3 tomadas com o animal de estimação 1 voltado para a câmera (por exemplo, o modelo de reconhecimento de imagem 33 pode ser treinado principalmente nas imagens de animal de estimação 3 com o animal de estimação 1 voltado para a câmera). Em outros exemplos, o modelo de reconhecimento de imagem 33 pode ser configurado para fornecer os resultados mais precisos com base nas imagens de animal de estimação 3 tomadas com o animal de esti-
mação 1 de perfil (por exemplo, o modelo de reconhecimento de ima- gem 33 pode ser treinado principalmente nas imagens de animal de estimação 3 com o animal de estimação 1 de perfil em relação à câ- mera). O envio da foto pode especificar as características de foto ne- cessárias ou preferenciais para o modelo de reconhecimento de ima- gem 33 produzir um resultado preciso de reconhecimento de imagem
32. Adicional ou alternativamente, uma análise visual da foto pode ser fornecida ao usuário quando o modelo de reconhecimento da imagem de animal de estimação 33 está processando a imagem de animal de estimação 3 para determinar o resultado de reconhecimento da ima- gem de animal de estimação 32.
[0112] A interface 22 pode ser dotada de um visual pensante 260. O visual pensante 260 pode ser fornecido ao usuário quando o modelo de reconhecimento da imagem de animal de estimação 33 está pro- cessando a imagem de animal de estimação 3 e/ou quaisquer outros dados inseridos para determinar o resultado de reconhecimento da imagem de animal de estimação 32, o resultado de recomendação de alimento para animais de estimação 62, e/ou o alimento recomendado para animais de estimação 21.
[0113] A interface 22 pode ser dotada de resultados 270. Os resulta- dos 270 podem ser fornecidos ao usuário 2 após o modelo de reconheci- mento da imagem de animal de estimação 33 ter processado a imagem de animal de estimação 3 e/ou quaisquer outros dados inseridos para de- terminar o resultado de reconhecimento da imagem de animal de estima- ção 32 e/ou o resultado de recomendação de alimento para animal de es- timação 62. Os resultados 270 podem incluir o alimento recomendado para animais de estimação 21. Os resultados 270 podem incluir um link para acessar uma guia de alimentação 280. Conforme descrito acima, em de- terminadas implementações, o resultado da recomendação de alimento para animais de estimação 62 pode incluir uma pluralidade de alimentos para animais de estimação de 62a a 62d a partir dos quais o usuário pode selecionar o alimento recomendado para animais de estimação 21 dentre os alimentos de 62a a 62d. Nessas implementações, os resultados podem incluir uma seleção de alimentos na qual o usuário seleciona o alimento recomendado para animais de estimação.
[0114] O guia de alimentação 280 pode incluir um guia de alimen- tação com base no alimento recomendado para animais de estimação 21, um alimento para animais de estimação selecionado pelo usuário, a imagem de animal de estimação 3 e/ou quaisquer outros dados in- seridos para determinar o resultado de reconhecimento da imagem de animal de estimação 32 e/ou o resultado de recomendação de alimento para animais de estimação 62.
[0115] A interface 22 pode ser dotada de sugestões 290. As su- gestões 290 podem ser integradas em qualquer um dos outros visuais aqui discutidos, e podem fornecer ao usuário 2 recomendações ou es- clarecimentos conforme o usuário 2 navega através das opções inclu- ídas na interface 22.
[0116] Em algumas modalidades, o usuário pode criar um perfil para armazenar informações sobre seu animal de estimação, preferên- cias e histórico de compra. Esse perfil pode ser usado para acionar programas alimentados algoritmicamente que acionam comunicações e interações futuras com o usuário. Por exemplo, a comunicação pode ser um e-mail ou uma mensagem de texto automatizados solicitando ao usuário que mude o alimento para animais de estimação ou a reco- mendação de alimentação quando o animal de estimação atinge um estágio da vida definido (por exemplo, adulto). As capacidades de aprendizado de máquina podem ser aplicadas aos dados capturados em um dispositivo, por exemplo, um dispositivo conectado no animal de estimação ou dados de entrada gerados pelo usuário em resposta à comunicação automatizada para melhorar continuamente a quali- dade e a natureza personalizada do alimento para animais de estima- ção e recomendações de alimentação para cada animal de estimação e/ou dono do animal de estimação.
[0117] A Figura 3 ilustra, de modo geral, uma modalidade da guia de alimentação personalizada 330 para fornecer recomendações perso- nalizadas de alimento para animais de estimação e/ou recomendações personalizadas de alimentação de animais de estimação. Conforme mostrado na Figura 3, o guia de alimentação personalizada 330 é adap- tado para uso em uma aplicação com base em rede e/ou móvel, embora o guia de alimentação personalizada 330 possa ser fornecido em outros meios. O guia de alimentação personalizada 330 pode incluir: uma se- leção de alimento para animais de estimação 301; um perfil do animal de estimação 302; instruções de alimentação de animais de estimação 303; instruções de transição de alimentação de animais de estimação 304; uma visão geral do produto 305; informações nutricionais e dos ingredientes do produto 306; e outras recomendações de alimento para animais de estimação 307. A seleção de alimento para animais de esti- mação pode incluir o nome do animal de estimação, nome comercial, nome do produto e uma opção para navegar até um site da Web para comprar o alimento para animais de estimação. A seleção de alimento para animais de estimação 301 pode, também, indicar o tamanho e/ou o estilo de alimento para animais de estimação selecionado pelo usuário
2. O perfil do animal de estimação 302 pode refletir entradas de dados e gerar informações relacionadas ao animal de estimação 1. Por exem- plo, essas informações podem incluir a raça do animal de estimação, o peso do animal de estimação, o nível de atividade do animal de estima- ção, a preferência de ingrediente do usuário e/ou do animal de estima- ção, a preferência de proteína do animal de estimação e/ou a preferên- cia de compra. As instruções de alimentação de animais de estimação
303 podem incluir instruções para alimentar o animal de estimação 2. As instruções de alimentação de animais de estimação 303 podem con- siderar a imagem do animal de estimação 3 e/ou quaisquer outros dados inseridos para determinar o resultado de reconhecimento da imagem do animal de estimação 32 e/ou o resultado de recomendação de alimento para animais de estimação 62, bem como o resultado de reconheci- mento da imagem do animal de estimação 32 e/ou o resultado de reco- mendação de alimento para animais de estimação 62.
[0118] As instruções de transição de alimentação de animais de es- timação 305 podem incluir instruções sobre como fazer uma transição segura e bem-sucedida do animal de estimação 1 de um primeiro ali- mento para um segundo alimento. As outras recomendações de ali- mento para animais de estimação 307 podem incluir outros alimentos para animais de estimação 62a, 62b, 62c e 62d identificados pelo mo- delo de recomendação de alimento para animais de estimação 63, mas que o usuário 2 não selecionou.
[0119] Deve-se entender que várias alterações e modificações nos exemplos aqui descritos ficarão evidentes aos versados na técnica. Tais alterações e modificações podem ser feitas sem que se afaste do espírito e escopo do presente assunto e sem que se diminua suas van- tagens pretendidas. Pretende-se, portanto, que tais alterações e modi- ficações sejam abrangidas pelas reivindicações em anexo. Dessa forma, as presentes modalidades não devem ser limitadas aos deta- lhes precisos da metodologia ou da construção apresentados acima, já que essas variações e modificações se destinam a ser incluídas no escopo da presente revelação. Além disso, exceto se especificado em contrário, qualquer uso dos termos primeiro, segundo etc. não denota qualquer ordem ou importância, mas, ao invés disso, os termos pri- meiro, segundo etc. são meramente usados para distinguir um ele- mento do outro.
Claims (20)
1. Método caracterizado por compreender: receber uma imagem de um animal de estimação representando um animal de estimação; analisar, através do uso de um modelo de reconhecimento de imagem de animal de estimação, a imagem do animal de estimação para determinar uma ou mais características do animal de estimação; receber uma ou mais entradas de dados relacionadas ao animal de estimação; analisar, através do uso de um modelo de recomendação de alimento para animais de estimação, as características do animal de estimação e as entradas de dados do animal de estimação para gerar uma recomendação de alimento para animais de estimação e/ou uma recomendação de alimentação de animal de estimação para o animal de estimação.
2. Método, de acordo com a reivindicação 1, caracterizado por a imagem do animal de estimação ser recebida a partir de um dispositivo de usuário.
3. Método, de acordo com a reivindicação 1, caracterizado por a análise da imagem do animal de estimação compreender adicionalmente: analisar a imagem do animal de estimação para identificar uma ou mais características da imagem do animal de estimação; e determinar as uma ou mais características do animal de estimação com base nas características da imagem.
4. Método, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente: filtrar uma lista de produtos alimentícios para animais de estimação com base em ao menos uma preferência do usuário para criar uma lista filtrada de produtos alimentícios para animais de estimação.
5. Método, de acordo com a reivindicação 4, caracterizado por ao menos uma preferência do usuário compreender ao menos uma preferência selecionada do grupo que consiste em: uma preferência de grão, uma preferência de proteína, uma preferência de textura de alimento, uma preferência de ingrediente natural e uma preferência de compras.
6. Método, de acordo com a reivindicação 3, caracterizado por as características do animal de estimação compreenderem uma ou mais características selecionadas do grupo que consiste em: raça, tamanho da raça, tamanho do animal de estimação, uma condição corporal, o estágio da vida, o nível de atividade, sexo do animal de estimação, um estado do sexo do animal de estimação e o peso do animal de estimação.
7. Método, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente: calcular uma ou mais variâncias selecionadas do grupo que consiste em: uma variância de tamanho da raça, uma variância de tamanho do animal de estimação, uma variância de condição corporal, uma variância de estágio de vida, uma variância de nível de atividade e uma variância de peso do animal de estimação.
8. Método, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente: calcular uma pluralidade de variâncias para gerar uma pluralidade de variâncias calculadas; e atribuir escores a uma lista de produtos alimentícios para animais de estimação com base em uma soma das variâncias calculadas para identificar um ou mais produtos alimentícios recomendados para animais de estimação.
9. Método, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente: apresentar a recomendação de alimento para animais de estimação a um usuário, sendo que a recomendação de alimento para animais de estimação contém uma pluralidade de produtos alimentícios para animais de estimação; receber uma seleção do usuário de um produto alimentício para animais de estimação selecionado dentre a pluralidade de produtos alimentícios para animais de estimação; e gerar uma recomendação de alimentação para animais de estimação com base no produto alimentício para animais de estimação selecionado.
10. Método, de acordo com a reivindicação 9, caracterizado por a recomendação de alimentação para animais de estimação ser gerada com base em uma densidade calórica do produto alimentício para animais de estimação selecionado.
11. Método, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente: armazenar dados comportamentais do animal de estimação e/ou de um usuário em uma base de dados históricos; e treinar um ou ambos dentre o modelo de reconhecimento de imagem do animal de estimação e o modelo de recomendação de alimento para animais de estimação com base nos dados comportamentais armazenados na base de dados históricos.
12. Sistema, caracterizado por compreender: um processador; e uma memória que armazena instruções que, quando executadas pelo processador, fazem com que o processador: receba uma imagem de um animal de estimação representando um animal de estimação; analise, através do uso de um modelo de reconhecimento de imagem de animal de estimação, a imagem do animal de estimação para determinar uma ou mais características do animal de estimação; receba uma ou mais entradas de dados relacionadas ao animal de estimação; analise, através do uso de um modelo de recomendação de alimento para animais de estimação, as características do animal de estimação e as entradas de dados do animal de estimação para gerar uma recomendação de alimento para animais de estimação e/ou uma recomendação de alimentação de animal de estimação para o animal de estimação.
13. Sistema, de acordo com a reivindicação 12, caracte- rizado por a memória armazenar instruções adicionais que, quando executadas pelo processador, fazem o processador: analisar a imagem do animal de estimação para identificar uma ou mais características da imagem do animal de estimação; e determinar as uma ou mais características do animal de estimação com base nas características da imagem.
14. Sistema, de acordo com a reivindicação 12, caracte- rizado por a memória armazenar instruções adicionais que, quando executadas pelo processador, fazem o processador: filtrar uma lista de produtos alimentícios para animais de estimação com base em ao menos uma preferência do usuário para criar uma lista filtrada de produtos alimentícios para animais de estimação.
15. Sistema, de acordo com a reivindicação 14, caracte- rizado por as características do animal de estimação compreenderem uma ou mais características selecionadas do grupo que consiste em: uma raça, um tamanho da raça, um tamanho do animal de estimação, uma condição corporal, um estágio da vida, um nível de atividade, o sexo do animal de estimação, o estado do sexo do animal de estimação e um peso do animal de estimação.
16. Sistema, de acordo com a reivindicação 12, caracteri- zado por a memória armazenar instruções adicionais que, quando executadas pelo processador, fazem o processador: calcular uma ou mais variâncias selecionadas do grupo que consiste em uma variância de tamanho da raça, uma variância de tamanho do animal de estimação, uma variância de condição corporal, uma variância de estágio da vida, uma variância de nível de atividade e uma variância de peso do animal de estimação.
17. Sistema, de acordo com a reivindicação 12, caracteri- zado por a memória armazenar instruções adicionais que, quando executadas pelo processador, fazem o processador: calcular uma pluralidade de variâncias para gerar uma pluralidade de variâncias calculadas; e atribuir escores a uma lista de produtos alimentícios para animais de estimação com base na soma das variâncias calculadas para identificar um ou mais produtos alimentícios recomendados para animais de estimação.
18. Sistema, de acordo com a reivindicação 12, caracteri- zado por a memória armazenar instruções adicionais que, quando executadas pelo processador, fazem o processador: apresentar a recomendação de alimento para animais de estimação a um usuário, sendo que a recomendação de alimento para animais de estimação contém uma pluralidade de produtos alimentícios para animais de estimação; receber uma seleção do usuário de um produto alimentício para animais de estimação selecionado dentre a pluralidade de produtos alimentícios para animais de estimação; e gerar uma recomendação de alimentação para animais de estimação com base no produto alimentício para animais de estimação selecionado.
19. Sistema, de acordo com a reivindicação 12, caracteri- zado por a memória armazenar instruções adicionais que, quando executadas pelo processador, fazem o processador: armazenar dados comportamentais do animal de estimação e/ou de um usuário em uma base de dados históricos; e treinar um ou ambos dentre o modelo de reconhecimento de imagem do animal de estimação e o modelo de recomendação de alimento para animais de estimação com base nos dados comporta- mentais armazenados na base de dados históricos.
20. Mídia legível por computador não transitória, caracteri- zada por armazenar instruções que, quando executadas por um processador, fazem o processador: receber uma imagem de um animal de estimação represen- tando um animal de estimação; analisar, através de um modelo de reconhecimento de imagem, a imagem do animal de estimação para determinar uma ou mais características do animal de estimação; receber uma ou mais entradas de dados relacionadas ao animal de estimação; analisar, através do uso de um modelo de recomendação de alimento para animais de estimação, as características do animal de estimação e os dados de entrada do animal de estimação para gerar uma recomendação de alimento para animais de estimação para o animal de estimação.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962800199P | 2019-02-01 | 2019-02-01 | |
| US62/800,199 | 2019-02-01 | ||
| PCT/IB2020/050706 WO2020157678A1 (en) | 2019-02-01 | 2020-01-29 | Pet food recommendation devices and methods |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021014688A2 true BR112021014688A2 (pt) | 2021-09-28 |
Family
ID=69467615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021014688-1A BR112021014688A2 (pt) | 2019-02-01 | 2020-01-29 | Dispositivos e métodos para recomendação de alimentos para animais de estimação |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US11538087B2 (pt) |
| EP (1) | EP3909009A1 (pt) |
| JP (1) | JP7377876B2 (pt) |
| CN (1) | CN113366525A (pt) |
| AU (1) | AU2020215339A1 (pt) |
| BR (1) | BR112021014688A2 (pt) |
| CA (1) | CA3128156A1 (pt) |
| MX (1) | MX2021009164A (pt) |
| WO (1) | WO2020157678A1 (pt) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11083169B2 (en) * | 2019-11-26 | 2021-08-10 | Companion Labs, Inc. | Training apparatus and method for feeding animals during training sessions for reinforcement of behaviors |
| US11468487B2 (en) * | 2020-02-12 | 2022-10-11 | Tyson Foods, Inc. | Apparatus and method of communicating information about a packaged food product |
| US20220211008A1 (en) * | 2021-01-07 | 2022-07-07 | Société des Produits Nestlé S.A. | Generating pet image training data based on source images |
| WO2023211736A1 (en) * | 2022-04-25 | 2023-11-02 | Mars, Incorporated | Systems and methods for recommending a food product based on characteristics of an animal |
| CN114819712A (zh) * | 2022-05-17 | 2022-07-29 | 江苏邦鼎科技有限公司 | 一种基于人工智能的宠物饲料推荐方法及系统 |
| JP2024009707A (ja) * | 2022-07-11 | 2024-01-23 | ユニ・チャーム株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Family Cites Families (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6156355A (en) | 1998-11-02 | 2000-12-05 | Star-Kist Foods, Inc. | Breed-specific canine food formulations |
| US6358546B1 (en) * | 1999-01-15 | 2002-03-19 | Ralston Purina Company | Methods for customizing pet food |
| AU2003285161A1 (en) | 2002-11-08 | 2004-06-03 | Data Flow / Alaska, Inc. | System for uniquely identifying subjects from a target population |
| US20050240434A1 (en) * | 2004-04-26 | 2005-10-27 | Healthport Corp. | System and method of implementing multi-level marketing of weight management products |
| CN101189514B (zh) | 2004-08-30 | 2013-05-29 | 希尔氏宠物营养品公司 | 基于基因组的饮食设计 |
| EP1820407A1 (en) * | 2006-02-17 | 2007-08-22 | Nestec S.A. | Method for improving dog food |
| US8301483B2 (en) * | 2008-01-16 | 2012-10-30 | The Procter & Gamble Company | Modeling system and method to predict consumer response to a new or modified product |
| US9179198B2 (en) | 2010-10-01 | 2015-11-03 | Sony Corporation | Receiving apparatus, receiving method, and program |
| US9355329B2 (en) | 2011-05-09 | 2016-05-31 | Catherine G. McVey | Image analysis for determining characteristics of pairs of individuals |
| JP2013065110A (ja) * | 2011-09-15 | 2013-04-11 | Omron Corp | 検出装置、該検出装置を備えた表示制御装置および撮影制御装置、物体検出方法、制御プログラム、ならびに、記録媒体 |
| US20130085893A1 (en) * | 2011-09-30 | 2013-04-04 | Ebay Inc. | Acquisition and use of query images with image feature data |
| JP5895629B2 (ja) | 2012-03-15 | 2016-03-30 | オムロン株式会社 | 画像処理装置、画像処理方法、制御プログラムおよび記録媒体 |
| JP2016508027A (ja) | 2012-11-19 | 2016-03-17 | ジョンソン・キース・ディーＪＯＨＮＳＯＮ， Ｋｅｉｔｈ， Ｄ． | ペットフードのカスタマイズされたブレンドを作るためのシステムおよび方法 |
| BR112015022889A2 (pt) * | 2013-03-15 | 2017-07-18 | Nestec Sa | sistemas e métodos para ordenação e fabricação de alimentação personalizada para animais de estimação |
| US20150220569A1 (en) | 2013-05-01 | 2015-08-06 | Image Searcher, Inc. | Priority Based Image Processing Methods |
| KR101527801B1 (ko) * | 2013-05-22 | 2015-06-11 | 주식회사 아이싸이랩 | 동물들의 코무늬를 이용한 동물 개체 인식 장치 및 방법 |
| ES2753298T3 (es) * | 2013-08-13 | 2020-04-08 | Nestle Sa | Sistema y procedimiento para la monitorización y la alimentación remotas de mascotas |
| US9443166B2 (en) | 2013-09-17 | 2016-09-13 | William Brian Kinard | Animal / pet identification system and method based on biometrics |
| GB201316846D0 (en) * | 2013-09-23 | 2013-11-06 | Bosher Graham | Breed-targeted ordering and delivery system |
| US20150131868A1 (en) | 2013-11-14 | 2015-05-14 | VISAGE The Global Pet Recognition Company Inc. | System and method for matching an animal to existing animal profiles |
| US10402446B2 (en) | 2015-04-29 | 2019-09-03 | Microsoft Licensing Technology, LLC | Image entity recognition and response |
| UA124378C2 (uk) * | 2015-07-01 | 2021-09-08 | Вікінг Генетікс Фмба | Система і спосіб ідентифікації окремих тварин на основі зображень спини |
| PL3334290T3 (pl) | 2015-08-11 | 2021-08-16 | Société des Produits Nestlé S.A. | Sposoby wykorzystujące pomiary morfometryczne małego psa do polepszania karmy dla małych psów |
| US9792530B1 (en) | 2015-12-28 | 2017-10-17 | Amazon Technologies, Inc. | Generating and using a knowledge base for image classification |
| CN105740402B (zh) | 2016-01-28 | 2018-01-02 | 百度在线网络技术（北京）有限公司 | 数字图像的语义标签的获取方法及装置 |
| CN106447117B (zh) * | 2016-10-10 | 2018-05-01 | 重庆科技学院 | 基于宠物日常数据分析的宠物喂养方法及系统 |
| CN106577350B (zh) | 2016-11-22 | 2020-10-09 | 深圳市沃特沃德股份有限公司 | 宠物类型识别的方法及装置 |
| US10282772B2 (en) * | 2016-12-22 | 2019-05-07 | Capital One Services, Llc | Systems and methods for wardrobe management |
| EP3566234A1 (en) * | 2017-01-09 | 2019-11-13 | Mars, Incorporated | Systems and methods for maintaining optimal growth in animals |
| JP2019000102A (ja) * | 2017-06-19 | 2019-01-10 | 千波 浜谷 | ペット用食事管理システム |
| US10701905B2 (en) * | 2017-12-06 | 2020-07-07 | International Business Machines Corporation | Imaging and three dimensional reconstruction for weight estimation |
| US10810655B2 (en) * | 2018-01-04 | 2020-10-20 | Facebook, Inc. | Generating catalog-item recommendations based on social graph data |
| SG11202006697YA (en) * | 2018-01-16 | 2020-08-28 | Habi Inc | Methods and systems for pet wellness platform |
| CN109548691A (zh) | 2018-12-26 | 2019-04-02 | 北京量子保科技有限公司 | 一种宠物识别方法、装置、介质和电子设备 |
-
2020
- 2020-01-29 WO PCT/IB2020/050706 patent/WO2020157678A1/en unknown
- 2020-01-29 CN CN202080011752.1A patent/CN113366525A/zh active Pending
- 2020-01-29 AU AU2020215339A patent/AU2020215339A1/en active Pending
- 2020-01-29 JP JP2021544541A patent/JP7377876B2/ja active Active
- 2020-01-29 CA CA3128156A patent/CA3128156A1/en active Pending
- 2020-01-29 EP EP20703549.4A patent/EP3909009A1/en active Pending
- 2020-01-29 US US16/775,825 patent/US11538087B2/en active Active
- 2020-01-29 MX MX2021009164A patent/MX2021009164A/es unknown
- 2020-01-29 BR BR112021014688-1A patent/BR112021014688A2/pt unknown
Also Published As
| Publication number | Publication date |
|---|---|
| US11538087B2 (en) | 2022-12-27 |
| JP7377876B2 (ja) | 2023-11-10 |
| CN113366525A (zh) | 2021-09-07 |
| CA3128156A1 (en) | 2020-08-06 |
| WO2020157678A1 (en) | 2020-08-06 |
| US20200250733A1 (en) | 2020-08-06 |
| JP2022519069A (ja) | 2022-03-18 |
| MX2021009164A (es) | 2021-08-24 |
| AU2020215339A1 (en) | 2021-08-12 |
| EP3909009A1 (en) | 2021-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112021014688A2 (pt) | Dispositivos e métodos para recomendação de alimentos para animais de estimação | |
| JP7386166B2 (ja) | ペットウェルネスプラットフォームのための方法及びシステム | |
| Dawkins | Does smart farming improve or damage animal welfare? Technology and what animals want | |
| McInerney | Animal welfare, economics and policy | |
| Bruijnis et al. | Moral “Lock-In” in responsible innovation: the ethical and social aspects of killing day-old chicks and its alternatives | |
| Buller et al. | Modifying and commodifying farm animal welfare: The economisation of layer chickens | |
| US20140141134A1 (en) | Systems and methods for creating a customized blend of pet food | |
| Tatwangire | Uganda smallholder pigs value chain development: Situation analysis and trends | |
| Donati | ‘Herding is his favourite thing in the world’: Convivial world-making on a multispecies farm | |
| De Vries et al. | Economic evaluation of stall stocking density of lactating dairy cows | |
| Mills et al. | Field study of the efficacy of three types of nose net for the treatment of headshaking in horses | |
| Marescotti et al. | Consumer preferences for wild game cured meat label: do attitudes towards animal welfare matter? | |
| Koenen et al. | Guidance on risk assessment for animal welfare | |
| Serisier et al. | Seasonal variation in the voluntary food intake of domesticated cats (Felis catus) | |
| de Jong et al. | Simplifying the Welfare Quality assessment protocol for broilers= Vereenvoudiging van het Welfare Quality protocol voor het meten van welzijn bij vleeskuikens | |
| Cartoni Mancinelli et al. | Validation of a behavior observation form for geese reared in agroforestry systems | |
| Puig-Pons et al. | Relationship between weight and linear dimensions of Bluefin tuna (Thunnus thynnus) following fattening on western Mediterranean farms | |
| RU2800013C2 (ru) | Устройства и способы представления рекомендации по кормам для домашних животных | |
| Ellerbrock et al. | Static space requirements of male meat turkeys | |
| Baker | Humane dog food? caring and killing in the certified humane dog food value chain | |
| KR102574972B1 (ko) | 맞춤형 반려견 사료 추천 방법 및 그 서버 | |
| Jahan et al. | Economic assessment of commercial Turkey and broiler farming in Bangladesh: an application of binary probit model | |
| Klasky et al. | Milking Welfare: Bovis Sacer and the Inclusive Thanatopolitics of the Dairy Farm | |
| KR102540498B1 (ko) | 사용자 단말을 이용한 가상 양돈 콘텐츠 제공 장치 및 방법 | |
| JP7330258B2 (ja) | 感情判定システム及び感情判定方法 |