A pesar de que la inteligencia artificial esté íntimamente relacionada con los chatbots como ChatGPT, de OpenAI, o los vehículos autónomos, hay mucho más. Se puede usar para escuchar los dolores de las máquinas de la industria, predecir comportamientos sociales con precisión o para el tratamiento de desechos.
Todos los proyectos mencionados surgieron en América Latina, como Ingredi-I.A, una iniciativa que se incuba dentro del programa de doctorado en el Biofoods Lab del Tecnológico de Monterrey. La plataforma que usa inteligencia artificial está basada en la tesis de Alejandro de la Brena, doctorante en el grupo de investigación de NutriOmics y Tecnologías Emergentes, y fundador de griYUM. Su tesis se centra en el estudio del grillo comestible, con el objetivo de aumentar el conocimiento sobre sus propiedades nutritivas y tecnológicas.
A partir de esta investigación, se desarrolló Ingredi-I.A., una plataforma que utiliza aprendizaje automático y modelos de lenguaje para facilitar la creación de mezclas de ingredientes sustentables que funcionan igual que los ingredientes convencionales.
Viajamos al futuro y sabe a grillos. Alejandro de la Brena Meléndez, cofundador de griYUM, habla sobre la primera empresa mexicana que apuesta por la elaboración de harinas a partir de insectos comestibles, la proteína más sustentable del planeta, según la FAO.
La verdad es que, aunque la mayoría de las veces escuchamos el término inteligencia artificial, esa tecnología específica se denomina aprendizaje automático. A pesar de su nombre, se basa en gran medida en la enseñanza humana. En el siglo XX, los programadores se veían obligados a escribir líneas de código especificando exactamente lo que querían que hicieran sus equipos electrónicos. El aprendizaje automático libera a los humanos de parte de ese trabajo al obligar a la computadora a resolver las cosas por sí misma.
Ingredi-A.I. se presentó en el Protein Challenge del Institute of Food Technologists (IFT) Protein Division, una de las instituciones con mayor prestigio en el ámbito de la ingeniería en alimentos.
“Hace 2 días nos llegó la noticia de que ganamos el segundo premio a nivel mundial. Ahora tendremos la oportunidad de presentar Ingredi-I.A., en el IFT First 2024 en Chicago, ante un foro de más de 15,000 personas relacionadas con la industria de alimentos”, contó De la Brena, quien junto con estudiantes de ingeniería de alimentos, Ana Sofía Gómez Rubio, Mariana Fernández Cervantes y David Guevara Camacho, han trabajado en el proyecto.
“Pero cubrir los gastos de viaje del equipo se ha convertido en un nuevo reto. Por eso, estamos invitando a las empresas del sector a sumar su apoyo”, explican a esta revista. “A cambio, nos convertiremos en fieles representantes de la marca durante nuestra estancia en el congreso, portando su logotipo en nuestra ropa y en los materiales que generemos durante nuestra presentación”.
Qué inspiró la creación de Ingredi-I.A. y cómo surgió la idea durante tu programa de doctorado en el Biofoods Lab del Tec de Monterrey?
Alejandro de la Brena: Para hacer alimentos súper ricos con proteínas sustentables hay que tener mucho conocimiento sobre sus capacidades, por ejemplo, para absorber agua, aceite o crear espumas. Esto hace que el uso de ingredientes derivados de estas proteínas se vuelva complejo y el proceso de diseño de alimentos se haga muy largo. ¡Pero nos urge comer proteínas sustentables de manera cotidiana!
Cuando entendí que los modelos de lenguaje eran mucho más que un chatbot divertido, visualicé una herramienta en la que los modelos de lenguaje facilitaran la interpretación de datos para diseñar alimentos súper ricos y más sustentables.
¿Podrías explicar cómo utiliza Ingredi-I.A. el machine learning y los modelos de lenguaje para desarrollar mezclas de ingredientes sustentables?
IngredAI utiliza machine learning y modelos de lenguaje para ayudar a crear mezclas de ingredientes sustentables de una manera más sencilla y eficiente. Aquí te explico cómo funciona:
Recolectar datos: Primero, IngredAI junta mucha información sobre diferentes proteínas alternativas (como las que vienen de plantas, algas e insectos). Esta información incluye datos sobre cómo estas proteínas se comportan en diferentes condiciones, como cuánto agua o aceite pueden absorber o si pueden formar geles y emulsiones.
Machine learning: IngredAI usa machine learning, que es una tecnología que permite a las computadoras aprender de los datos. Con esto, la plataforma puede predecir cómo se comportarán diferentes mezclas de proteínas alternativas sin tener que probar cada mezcla manualmente. Por ejemplo, puede predecir si una mezcla específica será buena para hacer un pan que se esponje bien o una galleta que se mantenga crujiente. Cuando ingred-AI hace una predicción la podemos probar en el laboratorio y devolverle los datos experimentales para que mejore su capacidad de predicción.
Modelos de lenguaje: Estos modelos, similares a los que permiten a los chatbots entender y responder preguntas, ayudan a interpretar toda la información recolectada y hacerla fácil de usar. Así, cuando alguien quiere crear un nuevo producto alimenticio, puede describir lo que necesita (como una proteína que haga una buena espuma) y el modelo de lenguaje se conecta con la aplicación de Machine learning para encontrar la mejor mezcla de ingredientes. Después le da la respuesta al usuario en un lenguaje coloquial para que el uso de proteínas sustentables este a la mano de todas las personas.
¿Cuáles fueron algunos de los mayores desafíos técnicos que enfrentaron al desarrollar Ingredi-I.A., y cómo los superaron?
Algunos desafíos han sido la construcción de una base de datos sólida de propiedades tecno-funcionales de proteínas alternativas. Para resolverlo, la Dra. Viridiana Tejada Ortigoza nos ayudó diseñando una estrategia para generar los datos en laboratorio y a partir de la literatura. Además, diseñar un modelo de machine learning capaz de predecir estas propiedades implica crear y entrenar una red neuronal con ajustes iterativos y validaciones experimentales. Esto es algo que estaré optimizando durante el programa de doctorado con la guía de la Dra. Mariel Alfaro Ponce. Finalmente, integrar este modelo con un modelo de lenguaje (como GPT-4) para interpretar y responder preguntas en tiempo real se pudo hacer utilizando la API de OpenAI para conectar ambos sistemas, permitiendo que el modelo de lenguaje presentara las predicciones de manera comprensible y útil.
¿Qué significó para ustedes ganar el segundo premio en el Protein Challenge del IFT?
IFT es una de las instituciones con mayor prestigio en el ámbito de la ingeniería en alimentos, por lo que recibir este premio valida el potencial de la idea y nos motiva para seguir perfeccionando sus capacidades. Por ejemplo, que la herramienta pueda conectarte directamente con proveedores verificados de los ingredientes sustentables que utiliza en sus predicciones.
También significa mucho para nuestro grupo de investigación, ya que trabajamos en equipo y nos permite contribuir a que el laboratorio sea más prestigioso y atractivo para que más estudiantes de posgrado se unan. Además, nos da la oportunidad de incrementar nuestra red de contactos en la industria para potenciales colaboraciones.
¿Qué esperan lograr al presentar Ingredi-I.A. en el IFT First 2024 en Chicago ante una audiencia tan grande e influyente?
Esperamos demostrar que Ingred A.I. tiene gran potencial. Encontrar socios para probar la plataforma en entornos reales. Recibir retroalimentación de posibles usuarios para mejorar sus características. Encontrar posibles fuentes de financiamiento para continuar con la investigación y desarrollo.
¿Cómo ven el futuro de Ingredi-I.A. en términos de desarrollo tecnológico y su impacto en la industria alimentaria?
El propósito de Ingred A.I. es que sus mezclas de ingredientes resulten en productos que gusten al 90% de las personas en una población específica, como personas viviendo en Monterrey o personas en edad infantil viviendo en Colombia. Si podemos demostrar que la plataforma tiene esta tendencia, entonces podríamos desplegar la tecnología en cualquier región del mundo, adaptada a los ingredientes sustentables disponibles en distintas localidades. Para esto, tendríamos que encontrar a los socios ideales y robustecer nuestra investigación con más recursos tecnológicos.
Fuente: Wired
