Ecosistemas de datos gastronómicos: captura, análisis y generación con IA para el diseño alimentario

El incremento en la capacidad de cómputo y la disponibilidad de modelos de inteligencia artificial (IA) de código abierto, han facilitado la exploración de nuevas oportunidades para la innovación en distintos sectores del sistema alimentario.

Estos avances permiten crear ecosistemas de IA y aprendizaje automático, capaces de procesar y analizar información, y traducirla en pautas para la definición y la aplicación de instrumentos de diseño que funcionan como plataformas para el desarrollo de productos, experiencias y servicios.

Los modelos de IA que ya se han adoptado en diversos ámbitos de la industria alimentaria y en el sector gastronómico, han demostrado ser altamente flexibles, ya que pueden personalizarse mediante la conformación de bancos de datos seleccionados según los objetivos del proyecto.

Aunque muchos desarrollos relevantes provienen de Estados Unidos, Europa y Sudamérica, su aplicación en México merece especial atención debido a la complejidad y riqueza de sus cocinas, reflejo de la diversidad biocultural de su territorio.

De los repositorios de recetas a la nutrición personalizada

Integrar bancos de datos con repositorios de recetas mexicanas (que contienen información sobre ingredientes endémicos e introducidos; técnicas culinarias ancestrales, asimiladas y contemporáneas; contextos culturales, temporalidad y hábitos de consumo), permite desarrollar herramientas tecnológicas que apoyen a todas las fases del diseño alimentario: investigación, análisis, ideación, formulación, desarrollo y evaluación.

En este sentido, la IA facilita organizar, clasificar y procesar estos datos de manera efectiva y detallada, ya sea para:

• Evaluar la recurrencia de ciertos ingredientes, la proporción de distintos grupos alimenticios.

• Detectar patrones que ayuden a establecer pautas organolépticas y compositivas para el diseño de productos dirigidos a sectores específicos de la población o con necesidades particulares.

Los resultados se convierten en criterios de formulación y guías para productos con objetivos determinados. A pesar de que aún no existen metodologías estandarizadas para aprovechar los datos contenidos en las recetas para alimentar modelos de IA, la recopilación de fuentes como documentos escritos, archivos comunitarios, registros etnográficos, menús y entrevistas es esencial y debe procesarse bajo pautas y categorías reconocibles, como tipos de ingredientes según su función (condimentos, proteínas, bases, grasas, etcétera) o por su jerarquía (primarios, secundarios o complementarios).

A estos repositorios se suma el enriquecimiento del modelo mediante el enlace con información nutricional, taxonomía botánica, mapas de biodiversidad regional y metadatos culturales y demográficos.

La importancia de este proceso radica en la necesidad de establecer una ingeniería de contexto robusta, que permita la libre exploración del ecosistema de IA enfocado tanto a la investigación y la creación de nuevos instrumentos para el diseño alimentario como para el desarrollo de metas específicas como formulaciones, maridajes o recetas de cocina.

De los datos al diseño: herramientas que transforman la creación culinaria

En la capa analítica, las técnicas de procesamiento de lenguaje natural (PLN) de la IA/ML permiten convertir instrucciones y descripciones en representaciones estructuradas.

Los embeddings, aplicaciones RAG (Retrieval Augmented Generation) y los grandes modelos de lenguaje habilitan búsquedas semánticas, recomendaciones y la creación de variantes de recetas o asociaciones de ingredientes.

Los algoritmos de clustering y redes de co-ocurrencia ayudan a identificar patrones regionales, familias de recetas y relaciones recurrentes. Asimismo, el análisis de temas (topic modeling) profundiza en la relación entre prácticas culinarias y significados culturales subyacentes.

La IA generativa, condicionada por criterios y objetivos claros y concisos como requerimientos nutricionales, disponibilidad de ingredientes o perfiles sensoriales, puede proponer nuevas formulaciones que adapten recetas tradicionales a necesidades específicas —reducir calorías, facilitar restricciones alimentarias o ajustarse a gustos de grupos demográficos concretos.

Estas herramientas de diseño pueden materializarse en diversos formatos y medios para acompañar las distintas fases del proceso creativo, como tablas numéricas para mapas de frecuencia de ingredientes, visualizaciones comparativas, mapas sensoriales y de coocurrencia, gráficos, matrices de diseño, generadores asistidos de recetas, APIs para integración en procesos de I+D, así como prototipos visuales de productos y menús.

La variedad de aplicaciones y posibilidades es amplia, y, como se mencionó, la personalización radica en la selección creativa de las bases de datos, marcando el inicio del proceso de diseño alimentario a partir de un corpus de información generado de manera consciente y planificada, que dará lugar a acciones específicas según el modelo metodológico adoptado.

La experiencia adquirida en diversos proyectos realizados en el centro de estudios, en los que la IA/ML se ha empleado para ordenar, clasificar y procesar información contenida en recetarios tradicionales mexicanos, ha permitido comprender sus capacidades y niveles de interacción. Esto ha facilitado el establecimiento de protocolos y pautas que promueven procesos de diseño ordenados, encaminados a desarrollar modelos teórico-metodológicos estandarizados para procesos de diseño alimentario en diferentes contextos.

*** Este texto fue redactado originalmente por Roberto Cabezas Hernández y José Antonio Sada Sánchez Mejorada con base en la experiencia y los hallazgos del proyecto académico y de investigación de CENTRO “A qué sabe el color”. Para mejorar su claridad y redacción, se utilizó la herramienta ChatGPT como apoyo en el proceso de edición. Todas las ideas, investigación, argumentos y contenidos fueron concebidos por los autores, y el uso de la inteligencia artificial se limitó a ajustes de redacción, estructura y mejora lingüística.

Cómo la IA impulsa la transformación del sistema alimentario global

En todos los sentidos, en todos los aspectos de la vida moderna, la IA ha acelerado avances y la ciencia de los alimentos no es la excepción. Con la comprensión, el uso e interpretación adecuados, es imposible ignorar el enorme impacto que la IA ha tenido en años recientes y seguirá conservando en el descubrimiento y la innovación aplicados en la ciencia de los alimentos.

Hoy se sabe que los métodos convencionales son limitados en su capacidad para procesar y analizar cantidades masivas de datos, lo que los hace demasiado lentos para impulsar la innovación a escala. No es de sorprender que se pueda observar un uso creciente de IA en la automatización y optimización de los sistemas de producción de alimentos, mejorando la sostenibilidad y la eficiencia del uso de la tierra y el agua, así como prediciendo y reduciendo la pérdida y el desperdicio de alimentos y los recursos para su obtención.

La IA ha llegado al nivel de sugerir recomendaciones dietéticas y guiar desarrollos de nutrición personalizada; a nivel global, puede impulsar cambios estructurales y sistémicos. En el contexto de la innovación alimentaria, puede:

• Impulsar el descubrimiento de nuevas fuentes de proteínas

• Optimizar formulaciones para elevar su sabor y textura

• Mejorar los procesos de producción

• Predecir las preferencias de los consumidores

• Crear productos innovadores que imiten el perfil nutricional, el sabor, el aroma o la textura de los alimentos de origen animal

No obstante, hasta ahora, los sistemas de IA actuales carecen de la capacidad para comprender plenamente las dimensiones sociales, éticas y sensoriales matizadas de los alimentos que están profundamente arraigadas en la cultura humana. La IA no puede sustituir por completo la experiencia humana, la comprensión cultural y la creatividad transformadora necesarias para revolucionar nuestro sistema alimentario.

Sin embargo, existe la esperanza de que, a través de una asociación sinérgica con la IA, se pueden construir futuros alimentarios más saludables y sostenibles, de forma más rápida, económica y eficiente, con una velocidad y precisión que hoy están fuera del alcance de los enfoques tradicionales de prueba y error.

Fuente: National Institutes of Health (NIH) / National Center for Biotechnology Information