La inteligencia artificial podría ayudar a los cerveceros a predecir los atributos de una cerveza a partir de una nueva receta antes de que realmente se produzca.
Crédito: Cerveza de caballos de batalla
Por lo general, la creación de nuevas cervezas se ha basado únicamente en la experiencia humana, pero la inteligencia artificial (IA) pronto podría aprovecharse para ayudar en el desarrollo de la cerveza.
«(AI) puede ayudar a las personas a ser más creativas», dice Marc Bravin, investigador de la Universidad de Ciencias Aplicadas y Artes de Lucerna en Suiza. «La mayoría de las personas tienen una mentalidad (específica) y no piensan en otros ingredientes que podrían usar».
La IA también podría ayudar a los cerveceros a predecir los atributos de una cerveza a partir de una nueva receta antes de que realmente se produzca. Su color, contenido de alcohol y amargor definitivos, por ejemplo, podrían obtenerse de la elección de los ingredientes. «Si no es tan amargo como le gustaría, puede hacer ajustes antes de comenzar», dice Ellyn Ayton, científica de datos del Laboratorio Nacional del Noroeste del Pacífico en Richland, WA.
Se están investigando técnicas de aprendizaje automático para ayudar a crear cervezas novedosas. En un trabajo reciente, Ayton y sus colegas intentaron modelar la relación entre una receta de cerveza y varios atributos. En una prueba, se centraron en el tipo de cerveza, para ver si su sistema podía clasificar una receta como ale, lager o cerveza de trigo. En otra tarea, su modelo tenía como objetivo clasificar las cervezas en uno de 81 tipos específicos, como American IPA (India Pale Ale) o Dry Stout. En un tercer experimento, el modelo intentaría predecir rangos para 10 atributos diferentes, como unidades de amargor o color.
El equipo utilizó dos modelos de aprendizaje profundo diferentes para comparar las predicciones generadas. Uno de ellos, llamado Red neuronal profunda (DNN), que es simple y ampliamente utilizado, puede aprender las características de los ingredientes individuales en una receta. El segundo modelo, sin embargo, llamado Long Short-Term Memory (LSTM), es más complejo, ya que aprende de secuencias de ingredientes. «(Los modelos LSTM) funcionan muy bien con datos de texto que son secuenciales como lo sería una receta o como una oración, donde se lee de izquierda a derecha», dice Ayton.
Una colección de más de 200.000 recetas de cerveza compartidas por cerveceros caseros en un sitio web disponible al público se utilizó como datos para los experimentos. Los dos modelos de aprendizaje profundo se entrenaron con el 70% de las recetas, mientras que el resto se retuvo para fines de prueba posteriormente.
Ayton y sus colegas encontraron que el modelo LSTM se desempeñó mejor en las tres tareas. En la compleja tarea de clasificación con 81 tipos de cerveza, demostró una precisión de alrededor del 34%, que es bastante baja. Sin embargo, el equipo pudo utilizar técnicas de visualización para confirmar que el modelo estaba aprendiendo estructuras significativas en las recetas. «O el modelo está teniendo dificultades para distinguir las clases entre sí o necesita más datos de entrenamiento», dice Ayton. «No teníamos muchos ejemplos para algunos de (los tipos de cerveza), por lo que podría ser donde el modelo estaba fallando».
El uso de un nuevo método de aprendizaje profundo llamado transformador podría ayudar a obtener mejores resultados. Se ha demostrado que supera a los modelos LSTM en otras tareas que utilizan datos de texto. «Creo que eso definitivamente ayudaría a mejorar nuestro desempeño», dice Ayton.
Los modelos de aprendizaje profundo podrían ser herramientas útiles para las cervecerías, según Ayton, donde a menudo se necesitan tres meses o más para desarrollar una nueva cerveza. Además de predecir los atributos de una cerveza, dichos modelos podrían usarse a la inversa para generar recetas basadas en los atributos deseados. «Creo que ayudaría con el proceso de planificación, que sé que es muy complicado para las cervecerías», dice.
Otro grupo investigó si el aprendizaje profundo podría generar nuevas recetas de cerveza. Habiendo utilizado previamente la inteligencia artificial para adaptar recetas de cocina, Bravin y sus colegas decidieron ver si se podía aplicar un enfoque similar para crear nuevas cervezas. Hasta donde ellos sabían, no se había hecho antes de partir de una lista de ingredientes parcial o vacía. «Un viernes por la tarde, cuando estábamos bebiendo una cerveza en nuestro instituto, tuvimos la idea de que si funciona bien para recetas de cocina, ¿por qué no deberíamos probarla con cerveza?» dice Bravin.
El equipo recopiló más de 150.000 recetas de cerveza de cerveceros profesionales y aficionados de todo el mundo, que se presentaron en el mismo sitio web disponible públicamente. El conjunto de recetas, que contenía información como cantidades de ingredientes y pasos de procesamiento, se refinó luego a un conjunto de entrenamiento y prueba de más de 65,000 recetas.
Luego, Bravin y sus colegas entrenaron un modelo de aprendizaje profundo transformador con los datos. Al igual que un LSTM, este tipo de modelo es secuencial, por lo que es posible limitar qué lúpulos se seleccionarían en función de la elección del fermento, por ejemplo. El equipo trabajó con una fábrica de cerveza para recibir asesoramiento. «Les preguntamos cómo diseñarían una receta y dijeron, ‘primero elegimos los fermentos y luego los lúpulos que combinan con estos fermentos'», dice Bravin. «Por eso lo modelamos de la misma manera».
El modelo pudo generar 10,000 nuevas recetas de cerveza. Para evaluar qué tan novedosos eran, compararon qué tan similares eran a un conjunto de datos de prueba, así como a las recetas con las que se entrenó el modelo. «Esto nos dio un indicador de si nuestro modelo simplemente superó por completo y simplemente copió todas las recetas en el conjunto de entrenamiento, o si siempre se le ocurrieron nuevas recetas», dice Bravin.
En promedio, las recetas generadas fueron más novedosas que las del conjunto de prueba. Los investigadores también hicieron que un cervecero profesional evaluara la viabilidad de producir las recetas, basándose en varios factores, como el costo de los ingredientes y los aspectos técnicos. Se consideró que poco menos de un tercio de las recetas generadas por IA eran aptas para la producción.
Sin embargo, la prueba definitiva fue elaborar una cerveza cuya receta se creó con aprendizaje profundo. Una microcervecería local utilizó el generador de recetas del equipo para crear una receta para una cerveza India Pale Ale (IPA). Luego produjeron la cerveza, acertadamente llamada Deeper, que tenía un sabor a pomelo. «Creo que a la mayoría de la gente le gustó mucho», dice Bravin.
Aunque Bravin está satisfecho con el modelo como prototipo inicial, cree que hay margen de mejora. Por ejemplo, para simplificar la tarea, el modelo se entrenó solo en algunos tipos de ingredientes en una cerveza. Por lo tanto, pudo seleccionar diferentes tipos de lúpulo, por ejemplo, pero ignoró las variedades de levaduras, que dependerían del cervecero elegir. «Sería realmente interesante agregar más componentes a una receta y verificar si el modelo aún funciona bien», dice.
Bravin cree que tales modelos podrían ser adoptados por microcervecerías para acelerar el proceso de innovación. Sin embargo, sigue creyendo que se requiere la participación de cerveceros profesionales. «A veces, nuestro modelo genera algo que los expertos nos dicen que nunca funcionará», dice. «Creo que queda un largo camino hasta producir recetas perfectas que todos puedan preparar en casa en su bañera».
Sandrine Ceurstemont es un escritor científico independiente con sede en Londres, Reino Unido.
entradas no encontradas
