Um framework baseado em LLM para sistemas de recomendação de alimentos.

Abstract

Este trabalho apresenta um estudo baseado no desenvolvimento de uma prova de conceito de um sistema de recomendação conversacional de alimentos, visando solucionar a sobrecarga de informações e a falta de personalização profunda no setor gastronômico digital. A iniciativa justifica-se pela urgência em superar as limitações das plataformas tradicionais e as falhas críticas (alucinações) de modelos puramente generativos, que frequentemente desconsideram restrições dietéticas rigorosas, necessidades nutricionais e o contexto dinâmico do usuário, como tempo e geolocalização. Foi proposto e implementado um framework fundamentado em Modelos de Linguagem de Grande Escala (LLMs) integrado à técnica de Retrieval-Augmented Generation (RAG), materializado em uma Prova de Conceito full stack que abrange o mapeamento e a vetorização de um banco de dados de cardápios, a implementação de um pipeline RAG para ancoragem factual, e o desenvolvimento de uma interface modular amparada pelos princípios Single Responsibility, Open-Closed, Liskov Substitution, Interface Segregation e Dependency Inversion (SOLID). Como etapa de validação, conduziu-se uma avaliação quantitativa automati- zada, com 540 execuções, utilizando simulações de perfis de consumo (personas) para comparar o desempenho de seis modelos das famílias Llama, Claude e GPT operando sobre o mesmo pipeline RAG. Os resultados demonstraram diferenças estatisticamente significativas de desempenho entre os modelos avaliados (teste de Friedman, χ2 = 214,189; p < 0,001), com os modelos da família Claude apresentando a maior pontuação de segurança alimentar, safety score médio de 4,59 (claude-sonnet-4-6) e 4,52 (claude-haiku-4-5), ambos sem nenhuma ocorrência de falha crítica em 90 execuções e a menor taxa de alucinações dentre os seis avaliados, contra até 3,3% de falhas críticas de segurança registradas pelo gpt-4o-mini. O claude-sonnet-4-6 também liderou o desempenho geral, com nota média de 4,44 em uma escala Likert de 1 a 5.