La IA predice mejor que el hombre el aroma de un whisky / Foto: © Getty Images North America/AFP/Archivos
La IA predice mejor que el hombre el aroma de un whisky
¿Y si la inteligencia artificial superara al ser humano en el arte de elegir un single malt? Algoritmos de aprendizaje automático han logrado predecir mejor que un experto los aromas dominantes de diferentes whiskies, según un estudio publicado el jueves.
En nuestro entorno, la mayoría de los olores están formados por una mezcla compleja de moléculas que interactúan en nuestro sistema olfativo para crear una impresión específica.
Es el caso del whisky, cuyo perfil aromático puede determinarse a partir de más de 40 compuestos y puede contener un número aún mayor de compuestos volátiles no olorosos.
Esto hace que sea particularmente difícil evaluar o predecir las características aromáticas de un whisky basándose únicamente en su composición molecular.
Sin embargo, esto es precisamente lo que lograron hacer los químicos gracias a dos algoritmos de aprendizaje automático, según los resultados de un estudio publicado el jueves en Communications Chemistry.
El primer algoritmo, OWSum, es una herramienta estadística para predecir olores moleculares desarrollada por los autores del estudio.
El segundo, CNN, es una red neuronal convolutiva que ayuda a descubrir relaciones en conjuntos de datos muy complejos, como las que existen entre "las moléculas y los atributos de aroma más influyentes" en un whisky mezclado ("blended"), explicó a la AFP Andreas Grasskamp, investigador del Instituto Fraunhofer de Ingeniería de Procesos y Empaque IVV en Freising (Alemania) y autor principal del estudio.
Los investigadores "entrenaron" los algoritmos proporcionándoles una lista de moléculas detectadas mediante cromatografía de gases y espectrometría de masas en 16 muestras de whisky: Talisker Isle of Skye Malt (10 años de antigüedad), Glenmorangie Original, Four Roses Single Barrel, Johnnie Walker Red Label o Jack Daniel's, entre otros.
También les dieron los descriptores de aromas determinados para cada muestra por un panel de 11 expertos.
Los algoritmos se utilizaron luego para identificar el país de origen de cada whisky y sus cinco notas dominantes.
- Detección de falsificaciones -
OWSum logró determinar si un whisky era estadounidense o escocés con una precisión superior al 90%.
La detección de compuestos como el mentol y el citronelol se asoció fuertemente con una clasificación como whisky estadounidense, mientras que la detección de metil decanoato y ácido heptanoico se vinculó principalmente a los whiskies escoceses.
El algoritmo también identificó las notas caramelizadas como las más características de los whiskies estadounidenses, mientras que las notas de "manzana", "disolvente" y "fenólica" (a menudo descritas como un aroma ahumado o medicinal) fueron las más características de los whiskies escoceses.
En una segunda etapa, los investigadores pidieron a OWSum y CNN que predijeran las cualidades olfativas de los whiskies basándose en las moléculas detectadas o en sus características estructurales.
Ambos algoritmos lograron identificar las cinco notas dominantes de un whisky con mayor precisión y coherencia, en promedio, que cualquier experto humano del panel.
"Descubrimos que nuestros algoritmos se alinean mejor con los resultados del panel que cada miembro individual, ofreciendo así una mejor estimación de la percepción general de los olores", destacó Grasskamp.
Estas metodologías de aprendizaje automático podrían utilizarse para detectar falsificaciones o para evaluar si whisky mezclado "tendrá el aroma esperado, ayudando así a reducir costos al limitar la necesidad de paneles de evaluación", estima.
¿Podrían obtenerse resultados similares con el vino? "En teoría, sí. Todo lo que necesitan estas herramientas es una lista de compuestos detectados en la muestra y sus descriptores correspondientes", según Grasskamp.
"El desafío reside en los detalles más finos, como determinar si los aromas del vino son lo suficientemente distintivos para un algoritmo de IA", agregó.
D.Pan--ThChM
