Por: Rhiannon Williams. 12/04/2024
Los modelos de inteligencia artificial son mejores que los expertos humanos a la hora de predecir las puntuaciones que habían recibido cervezas belgas en un popular sitio web de reseñas, ha descubierto una investigación
Elaborar una cerveza con buen sabor es una tarea difícil. Las grandes cerveceras seleccionan a cientos de catadores formados entre sus empleados para probar sus nuevos productos. Pero organizar estos paneles de cata es caro y la percepción de lo que sabe bien puede ser muy subjetiva.
¿Y si la inteligencia artificial pudiera aligerar la carga? Según un estudio publicado en Nature Communications, los nuevos modelos de inteligencia artificial pueden determinar con precisión no solo la puntuación que los consumidores otorgan a una determinada cerveza belga, sino también qué tipo de compuestos deben añadir los fabricantes para que la cerveza sepa mejor.
Este tipo de modelos podría ayudar a los fabricantes de alimentos y bebidas a desarrollar nuevos productos o ajustar las recetas existentes para que se adapten mejor a los gustos de los consumidores, lo que ahorraría mucho tiempo y dinero en ensayos.
Para entrenar sus modelos de IA, los investigadores pasaron cinco años analizando químicamente 250 cervezas comerciales, midiendo las propiedades químicas y los compuestos aromáticos de cada cerveza, que determinan su sabor.
A continuación, los investigadores combinaron estos análisis detallados con las valoraciones de las cervezas realizadas por un panel de cata entrenado —incluidos los sabores a lúpulo, levadura y malta— y 180.000 reseñas de las mismas cervezas extraídas de la popular plataforma en línea RateBeer, muestreando las puntuaciones del sabor, el aspecto, el aroma y la calidad general de las cervezas.
Este gran conjunto de datos, que vincula datos químicos con características sensoriales, se utilizó para entrenar 10 modelos de aprendizaje automático que predecían con exactitud el sabor, el aroma y la sensación en boca de una cerveza, así como la probabilidad de que un consumidor la valorara positivamente.
Para comparar los modelos, dividieron los datos en un conjunto de entrenamiento y otro de prueba. Una vez entrenado un modelo con los datos del conjunto de entrenamiento, evaluaron su capacidad para predecir el conjunto de prueba.
Los investigadores descubrieron que todos los modelos eran mejores que el panel de expertos humanos a la hora de predecir la puntuación que una cerveza había recibido en RateBeer.
Gracias a estos modelos, los investigadores pudieron identificar compuestos específicos que contribuyen a que los consumidores aprecien una cerveza: era más probable que la gente valorase positivamente una cerveza si contenía estos compuestos específicos. Por ejemplo, los modelos predijeron que añadir ácido láctico, presente en las cervezas ácidas, podría mejorar otros tipos de cervezas haciéndolas más frescas.
«Hicimos que los modelos analizaran estas cervezas y luego les preguntamos: ‘¿Cómo podemos mejorar estas cervezas?’«, dice Kevin Verstrepen, profesor de la Universidad Católica de Lovaina y director del Centro de Microbiología VIB-KU Leuven, que trabajó en el proyecto. «A continuación, introdujimos esos cambios en las cervezas añadiendo compuestos aromáticos. Y he aquí que, una vez realizadas las catas a ciegas, las cervezas mejoraron y fueron más apreciadas en general«.
Una aplicación interesante de la investigación es que podría utilizarse para fabricar mejores cervezas sin alcohol, un reto importante para la industria de las bebidas, afirma. Los investigadores utilizaron las predicciones del modelo para añadir una mezcla de compuestos a una cerveza sin alcohol que los catadores humanos valoraron significativamente mejor en términos de cuerpo y dulzor que su encarnación anterior.
Este tipo de método de aprendizaje automático también podría ser enormemente útil para explorar la textura y la nutrición de los alimentos y adaptar los ingredientes a las distintas poblaciones, afirma Carolyn Ross, profesora de ciencias de la alimentación de la Universidad Estatal de Washington, que no participó en la investigación. Por ejemplo, las personas mayores tienden a encontrar menos atractivas las combinaciones complejas de texturas o ingredientes, explica.
«Hay muchas cosas que podemos explorar, sobre todo cuando nos fijamos en poblaciones diferentes y tratamos de idear productos específicos para ellas», afirma.
LEER EL ARTÍCULO ORIGINAL PULSANDO AQUÍ
Fotografía: technology review