Los modelos de IA separan la lógica de las recetas de la química del sabor

Dos maneras de preguntar qué combina con un ingrediente

Cuando alguien pregunta con qué va el pollo, hay al menos dos respuestas válidas. Una es culinaria: qué ingredientes suelen aparecer junto al pollo en recetas reales. La otra es química: qué ingredientes comparten un perfil de sabor similar a nivel molecular. Una nueva investigación destacada por Kaikaku.AI sostiene que muchos sistemas de IA confunden esas dos respuestas y que hacerlo oculta una distinción importante.

El nuevo trabajo de la empresa introduce tres modelos estrechamente relacionados bajo el nombre Epicure. Un modelo, Cooc, se entrena solo con coocurrencia en recetas. Otro, Chem, se entrena solo con moléculas de sabor compartidas usando la base de datos de química FlavorDB. Un tercero, Core, combina ambos enfoques.

Por qué importa la distinción

Las diferencias se vuelven obvias en indicaciones simples. Según el texto original, Cooc responde a “chicken” con ingredientes como ajo, cebolla y pimienta negra, reflejando lo que los cocineros suelen combinar en recetas. En cambio, Chem devuelve ingredientes como carne de res o cerdo, que no necesariamente son los acompañamientos más comunes en recetas, pero sí están más cerca en el perfil molecular del sabor.

El mismo patrón aparece con las hierbas. Para “basil”, Cooc sugiere ingredientes asociados con usos familiares, incluidos perejil, aceite de oliva y parmesano. Chem agrupa la albahaca con parientes de sabor como orégano, estragón y romero. En otras palabras, un modelo se comporta más como un libro de cocina y el otro más como un mapa de química.

Escala de datos y alcance multilingüe

Epicure fue entrenado con 4,14 millones de recetas procedentes de once fuentes en siete idiomas, entre ellos chino, ruso, vietnamita, turco, indonesio y alemán. Ese alcance multilingüe es una parte importante de la afirmación del proyecto sobre su relevancia. Muchos conjuntos de datos alimentarios se inclinan fuertemente hacia fuentes en inglés, lo que puede aplanar las cocinas regionales y sobrerrepresentar los patrones culinarios occidentales.

El texto original dice que la canalización utilizó embeddings de Claude y Gemini para ayudar a traducir y normalizar unos 200.000 términos brutos de ingredientes en 1.790 etiquetas de ingredientes depuradas. Ese tipo de preparación de datos es menos glamorosa que el diseño del modelo, pero a menudo es la diferencia entre un sistema que captura estructura real y otro que amplifica ruido.

Rendimiento inesperado del aprendizaje centrado en la química

Una de las afirmaciones más interesantes de la investigación es que el modelo impulsado por química funciona bien incluso en propiedades que no se codificaron directamente en sus datos de entrenamiento. El texto original señala que Chem clasifica con mayor claridad ingredientes en dimensiones como dulce, ácido o amargo, y también en ejes nutricionales como contenido de proteína y grasa.

Si ese resultado se sostiene, sugiere que las relaciones moleculares pueden actuar como una representación compacta de un conocimiento culinario más amplio. Un modelo construido solo con química aún podría aprender algo significativo sobre cómo los humanos perciben los ingredientes, organizan el sabor e incluso infieren propiedades adyacentes.

Qué podría cambiar esto

La IA aplicada a la comida se ha centrado en la recomendación, la sustitución y la generación de contenido. Pero estos sistemas a menudo colapsan preguntas muy distintas en una noción genérica de similitud. El enfoque de Epicure sugiere que las herramientas futuras quizás deban ser explícitas sobre qué tipo de similitud están optimizando.

Esa distinción podría importar en el diseño de producto. Un asistente de recetas probablemente debería priorizar la coocurrencia y el contexto culinario. Una herramienta de formulación o I+D podría valorar más la similitud molecular. Un sistema creativo para platos nuevos quizá necesite un equilibrio ajustable entre ambas cosas.

Igualmente importante, el trabajo muestra que incluso dominios aparentemente estrechos pueden revelar problemas más amplios de diseño de modelos. Los datos de entrenamiento no solo completan hechos. Determinan qué tipo de relación cree el sistema que existe en el mundo.

Una pila de inteligencia alimentaria más precisa

El valor más amplio del proyecto es la claridad conceptual. “¿Qué combina con esto?” no es un solo problema. Son varios. Al separar el comportamiento de las recetas de la química del sabor, Kaikaku.AI plantea que la inteligencia de ingredientes debería descomponerse en vez de promediarse.

Puede sonar de nicho, pero se alinea con un patrón más amplio en la investigación de IA. Los modelos resultan más útiles cuando distinguen entre distintas estructuras dentro del mismo conjunto de datos en lugar de comprimirlas en una sola puntuación. En este caso, el resultado es una forma más limpia de pensar en el conocimiento culinario en sí: hábitos, moléculas y el espacio donde se superponen.

Este artículo se basa en un reportaje de The Decoder. Leer el artículo original.