En Resumen
- La inteligencia artificial mejoró el sabor de la cerveza mediante análisis químicos y machine learning.
- La investigación, publicada en Nature Communications, reveló cómo el big data mejora la gastronomía.
- El algoritmo de aumento de gradiente destacó al predecir la calidad y apreciación de la cerveza.
El próximo trago que sirvas podría deleitar tus papilas gustativas gracias a la experimentación técnica realizada por la inteligencia artificial. Incluso podría convertirse en la próxima gran novedad en la industria de alimentos y bebidas, ciertamente más fácil de vender que la cerveza vaginal y el filete artificial.
Aunque el sabor de la cerveza ya tiene adeptos entre los paladares más exigentes, podría mejorarse con la ayuda de la inteligencia artificial. Un grupo de científicos fue mucho más allá de pedirle a un chatbot un sabor de cerveza al azar en una presentación elegante. Al combinar extensos análisis químicos con modelos de IA entrenados en datos sensoriales, los investigadores han identificado compuestos específicos que pueden potenciar el sabor de tus cervezas favoritas.
"Nuestro estudio revela cómo el big data y el machine learning pueden descubrir vínculos complejos entre la química de los alimentos, el sabor y la percepción del consumidor", dice el artículo de investigación publicado hoy en la revista Nature Communications. "Esto allana el camino para desarrollar nuevos productos alimenticios personalizados con sabores superiores y atractivos para la multitud utilizando un enfoque basado en datos en lugar de simplemente prueba y error."
La investigación, realizada por un equipo internacional de más de una docena de expertos, analizó más de 250 cervezas belgas comerciales que abarcan diversos estilos. Cada cerveza fue sometida a un perfilado químico riguroso para medir más de 200 propiedades diferentes como ésteres, alcoholes, ácidos y compuestos aromáticos.
Esta huella química luego fue comparada con evaluaciones sensoriales cuantitativas de un panel de catadores entrenados que puntuaron 50 atributos de sabor distintos, así como más de 180.000 reseñas en línea de entusiastas de la cerveza que calificaron el aroma, el sabor y la apreciación general.
Aprovechando este conjunto de datos masivo, los investigadores entrenaron y probaron varios algoritmos de machine learning para analizar las complejas relaciones entre la composición química de una cerveza y sus sabores percibidos y su atractivo para el consumidor. Un algoritmo común se destacó como el mejor intérprete, superando significativamente a los métodos estadísticos convencionales.
"El algoritmo de mejor rendimiento, el aumento de gradiente, produce modelos que superan significativamente las predicciones basadas en estadísticas convencionales y predicen con precisión las características alimentarias complejas y la apreciación del consumidor a partir de perfiles químicos", cita la investigación. Este método, según los investigadores, "permite identificar compuestos específicos e inesperados como impulsores del sabor y la apreciación de la cerveza".
El aumento de gradiente o gradient boosting es una técnica de machine learning que combina múltiples modelos pequeños e inexactos en uno más grande capaz de hacer buenas predicciones. Se utiliza ampliamente en la banca y la atención médica, así como en campañas de marketing que intentan predecir los resultados de esfuerzos específicos.
Crear buena cerveza probablemente no fue su propósito principal, pero el aumento de gradiente superó a otros modelos de predicción probados por el equipo de investigación.
Los investigadores descubrieron que "la concentración de compuestos de sabor no siempre se correlaciona con la percepción", lo que significa que los consumidores tienden a apreciar más matices más allá del sabor al disfrutar de una buena cerveza. Esto es difícil de predecir con modelos convencionales y análisis simples, y es una de las razones por las que el equipo consideró una gran cantidad de variables.
A través de técnicas de aprendizaje automático interpretables, los científicos descubrieron algunos compuestos inesperados que influyen fuertemente en la calidad de una cerveza. Por ejemplo, el metanotiol y el acetato de fenilo etílico suelen estar asociados con la rancidez, pero pueden hacer que una cerveza sepa bien en pequeñas dosis.
También se examinaron impulsores de sabor más familiares como el acetato de etilo y el ácido láctico.
Para validar sus modelos, los investigadores llevaron a cabo experimentos de cata en los que añadieron compuestos identificados por modelos de machine learning a cervezas mal valoradas, lo que aumentó su aprecio. Este simple ajuste condujo a aumentos significativos en las puntuaciones de sabor de los catadores entrenados y en las calificaciones de preferencia general para las cervezas modificadas en comparación con las originales.
Cerveceros y amantes de la cerveza de todo el mundo pronto podrían tener que agradecer a la inteligencia artificial por mejorar nuestro disfrute de una de las bebidas más antiguas y queridas de la humanidad. Pero las aplicaciones se extienden mucho más allá de la cerveza de mejor calidad. Perfiles químicos similares impulsados por IA podrían optimizar los sabores de todo, desde alternativas de carne a base de plantas hasta refrescos y snacks bajos en azúcar.
"El presente trabajo demuestra que a pesar de algunos obstáculos importantes restantes, combinar los últimos avances en análisis químicos, análisis sensorial y métodos modernos de machine learning ofrece emocionantes oportunidades para la química y la ingeniería de alimentos", argumentan los investigadores. “Pronto, estas herramientas pueden proporcionar soluciones en control de calidad y desarrollo de recetas, así como nuevos enfoques para la ciencia sensorial e investigación de sabores."
La próxima vez que disfrutes de una cerveza perfectamente equilibrada y deliciosa, podrías tener que desmentir el viejo dicho de que lo 'artificial' es inferior y detenerte a brindar por la inteligencia artificial.
Editado por Ryan Ozawa.