Existen diversas aplicaciones que pretenden ayudar a los consumidores a comprar vino, como Vivino, Hello Vino, Wine Searcher, etc. Permiten escanear las etiquetas de las botellas, obtener información sobre un vino en particular y leer reseñas. Estas aplicaciones se basan en algoritmos de inteligencia artificial.

Ahora, científicos de la Universidad Técnica de Dinamarca (DTU), la Universidad de Copenhague y Caltech han demostrado que se puede añadir un nuevo parámetro a los algoritmos que haga más fácil encontrar vinos que coincidan de forma precisa con nuestro gusto: las impresiones de sabor de las personas.

“Hemos demostrado que, al alimentar un algoritmo con las impresiones de sabor de las personas, es capaz de hacer predicciones más precisas sobre qué tipo de vino preferimos individualmente”, dice Thoranna Bender, estudiante graduada de DTU que realizó el estudio en el Centro Pionero de IA de la Universidad de Copenhague.

PREDICCIONES MÁS PRECISAS DE LOS VINOS FAVORITOS DE LA GENTE

Los investigadores realizaron catas de vino en las que pidieron a 256 participantes que colocaran copas pequeñas de diferentes vinos en una hoja de papel A3 en función de la similitud de sus sabores: cuanto mayor fuera la distancia entre las tazas, mayor sería la diferencia de sabor. Este método se utiliza ampliamente en pruebas de consumidores. Luego, los investigadores fotografiaron y digitalizaron los puntos en las hojas de papel.

Los datos recopilados en estas catas de vino se combinaron con cientos de miles de etiquetas de vino y reseñas de usuarios proporcionadas por Vivino, un marketplace internacional de vinos que cuenta con su propia aplicación. A continuación, los investigadores desarrollaron un algoritmo basado en este enorme conjunto de datos.

“La dimensión de sabor que creamos en el modelo nos proporciona información sobre qué vinos son similares en sabor y cuáles no. Así, por ejemplo, puedo pararme junto a mi botella de vino favorita y decir: me gustaría saber qué vino se le parece más en sabor, o en sabor y precio”, afirma Thoranna Bender.

Las impresiones de sabor se recogieron a través de una serie de catas de vino. Los vinos fueron anonimizados y cada vino fue etiquetado con un color y un número. A cada participante se le entregó una combinación de vinos para degustar.

El profesor y coautor Serge Belongie, del Departamento de Ciencias de la Computación, que dirige el Centro Pionero de IA de la Universidad de Copenhague, añade:

“Podemos ver que, cuando el algoritmo combina los datos de las etiquetas de vino y las reseñas con los datos de las catas de vino, hace predicciones más precisas sobre las preferencias de vino de las personas que cuando solo utiliza los tipos tradicionales de datos en forma de imágenes y texto. Por lo tanto, enseñar a las máquinas a utilizar las experiencias sensoriales humanas da como resultado mejores algoritmos que benefician al usuario”.

ESTE MÉTODO TAMBIÉN SE PUEDE UTILIZAR PARA CERVEZA Y CAFÉ

Según Serge Belongie, en el aprendizaje automático existe una tendencia creciente a utilizar los datos multimodales, que combinan imágenes, texto y sonido. Usar el gusto u otros estímulos sensoriales como fuentes de datos es completamente nuevo y tiene un gran potencial, por ejemplo en el sector alimentario.

Belongie afirma: “Comprender el sabor es un aspecto clave de la ciencia de los alimentos y esencial para lograr una producción de alimentos saludable y sostenible. Pero el uso de la IA en este contexto aún está en su infancia. Este proyecto muestra el poder de introducir datos humanos en la inteligencia artificial, y predigo que los resultados estimularán más investigaciones en la intersección de la ciencia de los alimentos y la IA”.

Por su parte, Thoranna Bender señala que su método también se puede aplicar fácilmente a otros tipos de alimentos y bebidas, como la cerveza y el café: “Este enfoque se puede utilizar para recomendar productos y quizás incluso recetas. Y, si podemos comprender mejor las similitudes de sabor en los alimentos, también podemos usarlo en el sector de la salud para preparar comidas que satisfagan los gustos y las necesidades nutricionales de los pacientes. Incluso podría usarse para desarrollar alimentos adaptados a diferentes perfiles de sabor”.

Los investigadores publicaron sus datos en un servidor abierto (thoranna.github.io/learning_to_taste) y pueden utilizarse de forma gratuita. Además, ya han recibido solicitudes de personas que tienen datos adicionales que les gustaría incluir en su conjunto de datos.