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.