En 2021, la Organización de las Naciones Unidas para la Agricultura y la Alimentación citó un hallazgo de la Comisión Europea de 2018 que estimó el costo anual del fraude alimentario para la industria alimentaria mundial en aproximadamente EUR 30 mil millones ($ 30,5 mil millones).
Crédito: Revisión de la Regulación Alimentaria Mundial
El fraude alimentario es un problema global que generalmente involucra la dilución o el etiquetado incorrecto de productos alimenticios, o la sustitución de ingredientes. En 2013, se encontró carne de caballo en muchas comidas de supermercados en Europa que decían contener carne de res, por ejemplo, mientras que en India se ha encontrado que la leche se diluye a menudo para aumentar las ganancias.
Un estudio de 2021 realizado por la Organización de las Naciones Unidas para la Agricultura y la Alimentación citó un hallazgo de la Comisión Europea de 2018 que estimó que «el costo del fraude alimentario para la industria alimentaria mundial es de aproximadamente 30 mil millones de euros» (alrededor de $ 30,5 mil millones) cada año.
Si bien los análisis químicos se pueden llevar a cabo en un laboratorio para autenticar los alimentos, los métodos tradicionales suelen ser costosos, consumen mucho tiempo y requieren experiencia técnica. Es por eso que los investigadores tienen como objetivo desarrollar nuevas herramientas que aprovechen la inteligencia artificial (IA) para permitir la detección rápida y económica de alimentos y bebidas.
«Sería un escenario muy emocionante que la IA nos ayudara a expandir el alcance y el impacto de los análisis químicos», dice Patrick Ruch, miembro del personal de investigación de IBM Research en Zúrich, Suiza. «Toda la inteligencia puede estar en un teléfono inteligente o en la nube».
Ruch y sus colegas han estado trabajando en un sistema para autenticar bebidas llamado HyperTaste que utiliza un pequeño dispositivo portátil llamado lengua electrónica (e-tongue), combinado con aprendizaje automático. La lengua electrónica contiene 16 sensores hechos de polímeros conductores que pueden considerarse papilas gustativas; cuando se sumerge en una bebida, los sensores recogen información química en el líquido que se puede convertir en una huella digital única medida como una serie temporal de voltajes. «Sabemos que la señal que estamos midiendo es un indicador único de lo que hay dentro del líquido porque estos polímeros interactúan con todas las moléculas pequeñas del interior», dice Ruch.
Luego, el aprendizaje automático se utiliza para dar sentido a la señal compleja detectada, por ejemplo, para identificar una marca específica de vino o su origen. En un trabajo reciente, Ruch y sus colegas se enfocaron en vinos y jugos, entrenando tres modelos diferentes de aprendizaje automático para realizar varias tareas de reconocimiento utilizando datos recopilados con un dispositivo robótico equipado con sensores. El sistema automatizado sumergió sus sensores en nueve tipos diferentes de jugos de frutas varias veces, recopilando 72 mediciones de series temporales de voltaje. El proceso se repitió utilizando 11 tipos diferentes de vinos tintos italianos para generar 110 mediciones. «Hoy en día, puede obtener rápidamente los datos necesarios para el entrenamiento con la automatización», dice Ruch. «Desde medio día hasta un máximo de un día, tienes todos los datos de entrenamiento que necesitas».
Luego, HyperTaste se probó en un subconjunto de los datos que se habían separado para ese propósito. Cuando se probó en nueve tipos diferentes de jugos de frutas, el sistema identificó cada uno con una precisión de hasta el 97,3 %. El sistema también podría predecir si a los consumidores les gustaría el sabor de los jugos almacenados durante diferentes períodos de tiempo a altas temperaturas, con una precisión de hasta el 93 % (según lo evaluado por un panel de degustación humano). HyperTaste pudo identificar un vino individual con una precisión de hasta el 99,1 %, según el modelo de aprendizaje automático utilizado, y se pudo clasificar como originario de una de las cuatro regiones italianas con una precisión de hasta el 98,2 %. «En general, la precisión es muy buena, especialmente en comparación con el catador promedio», dice Ruch.
Abigail Horn, científica informática investigadora y profesora asistente de la Universidad del Sur de California, cree que HyperTaste es prometedor para la detección de fraude y adulteración de alimentos, debido a su alta precisión. Además, la capacidad de la tecnología para predecir la aceptabilidad del consumidor «puede tener implicaciones para la salud pública a través de la evaluación de la seguridad alimentaria en tiempo real en el punto de consumo», dice.
El rendimiento de HyperTaste ha mejorado considerablemente desde que se desarrolló por primera vez hace unos años mediante el perfeccionamiento de la metodología de capacitación y la representación de la huella digital utilizada para la capacitación. En 2019, una versión anterior del sistema pudo distinguir entre cuatro tipos diferentes de agua mineral con una precisión de alrededor del 68 %.
Ruch cree que el sistema podría ayudar a los laboratorios que investigan el fraude alimentario a acelerar sus análisis.
El equipo también está desarrollando la herramienta para otras aplicaciones, como el análisis de la acidez en el agua del océano, que se probó en un barco autónomo que recientemente completó un viaje por el Atlántico. «Este tipo de tecnología puede ayudar a la comunidad a caracterizar más fácilmente las sustancias y obtener información con fines de innovación, para desarrollar nuevas sustancias, desarrollar nuevas recetas o verificar la identidad de las sustancias», dice Ruch.
Otro equipo tiene como objetivo abordar el fraude alimentario simplemente mediante el uso de un teléfono móvil y el aprendizaje automático.
En un trabajo anterior, Hui Wang, profesor de la Escuela de Electrónica, Ingeniería Eléctrica y Ciencias de la Computación de la Universidad Queen de Belfast en Irlanda del Norte, Reino Unido, y sus colegas desarrollaron un sistema que utiliza un espectrómetro de infrarrojo cercano (NIR) para recopilar datos de muestras de alimentos para la autenticación. Sin embargo, el dispositivo en sí cuesta más de $ 18,000, lo que sería una barrera importante para un uso más amplio. Más tarde cambiaron a un tipo de espectrómetro menos costoso, pero eso aún sería una pieza adicional de equipo para llevar. «Me pregunté si era posible usar el hardware existente en tu teléfono móvil para hacer lo mismo», dice Wang. «Casi todo el mundo lleva consigo un teléfono móvil, por lo que sería muy útil».
Wang y su equipo han desarrollado una aplicación que se puede usar para analizar alimentos o bebidas usando un teléfono inteligente. Una muestra de comida de interés se ilumina con una secuencia de colores en la pantalla de un teléfono inteligente, mientras que su cámara frontal captura un video. Usando técnicas de visión por computadora, el video se procesa cuadro por cuadro para extraer información espectral, que se utiliza para entrenar un modelo de aprendizaje automático. La idea es que una muestra de comida específica pueda distinguirse de otras debido a las diferencias de color. La secuencia particular de colores utilizada para la iluminación, que el equipo ha patentado, es clave para el éxito de la aplicación. «Diferentes secuencias de colores le brindan diferentes niveles de rendimiento, por lo que optimizamos esa secuencia de colores», dice Wang.
En un trabajo reciente, el equipo se centró en la autenticación del aceite de oliva y la leche. Capturaron videos de 160 muestras de aceite de oliva, algunas puras y otras adulteradas con diferentes concentraciones de aceites vegetales, y entrenaron tres modelos diferentes de aprendizaje automático con los datos procesados. Para la leche se grabaron videos de 138 muestras que variaban en su contenido de grasa y podían clasificarse como leche descremada, semidescremada o entera.
Luego, los modelos se probaron en muestras de aceite de oliva y leche que no había visto antes. Los aceites puros y adulterados se distinguieron con una precisión de hasta el 96,2 %, mientras que todas las muestras de prueba de leche se clasificaron correctamente en una de las tres clases por dos de los modelos. Wang y sus colegas se sorprendieron de la precisión de los resultados. «Al principio, esto era solo un pasatiempo y pensé que diseñar una aplicación sería bastante interesante», dice Wang. «Pero resulta que esta aplicación de teléfono móvil se puede usar para hacer un trabajo serio».
El equipo también probó la aplicación en carne de res picada pura y en muestras que contenían carne de cerdo, con buenos resultados. Los investigadores ahora planean entrenar y probar el sistema con especias, que a menudo son propensas al fraude alimentario ya que combinan varios ingredientes.
El objetivo de Wang es ayudar a los consumidores a combatir el fraude alimentario con la aplicación de su equipo. Él planea adaptar el sistema para permitir que los ciudadanos también controlen su entorno, al permitir la prueba del agua del río o del aire de la ciudad para determinar los niveles de contaminación. Actualmente está investigando la detección de virus respiratorios como el COVID-19 usando un espectrómetro, pero le gustaría crear una aplicación de teléfono capaz de realizar la tarea en una etapa posterior.
«Si podemos realizar pruebas de virus usando un teléfono móvil, eso será muy significativo», dice Wang. «Me gustaría empoderar a los ciudadanos que no tienen acceso a equipos sofisticados».
Sandrine Ceurstemont es un escritor científico independiente con sede en Londres, Reino Unido
entradas no encontradas
