El dilema: «hoguera» frente a «humo»
El lenguaje humano es desordenado y creativo. Si bebes un whisky turbado, podrías decir que sabe a «humo». Otra persona podría describir exactamente la misma copa diciendo que sabe a «hoguera», «ceniza» o incluso a «venda medicinal».
Para una búsqueda computacional estándar, «hoguera» y «humo» son palabras completamente distintas. Este es el gran reto del análisis sensorial de aromas y sabores. Una simple búsqueda por palabras clave pasa por alto los matices de la experiencia.
Nuestro objetivo era desarrollar un sistema que comprendiera el significado, no solo la ortografía.
Queríamos que nuestro software reconociera que un usuario que menciona "hoguera" en realidad está aportando al perfil aromático "Ahumado", incluso sin una coincidencia exacta de palabras clave.
El proceso
Para transformar miles de reseñas fragmentadas en una rueda de cata estructurada, nuestro motor sigue cuatro pasos clave:
Recolección
Extracción ética de reseñas y notas de cata a partir de diversas fuentes digitales.
Depuración
Eliminación del «ruido» (como comentarios sobre envíos) para aislar exclusivamente los descriptores sensoriales.
Vectorización
Conversión de descriptores en coordenadas matemáticas mediante Procesamiento del Lenguaje Natural (PLN).
Visualización
Mapeo de estas coordenadas en la rueda de sabores para generar una huella sensorial visual.
El motor: vectores de palabras
¿Cómo entiende la IA que «Lemon» (limón) y «Lime» (lima) están relacionados? Utilizamos Word Embeddings, impulsados por el spaCy Guía de PLN.
Imagina un vasto mapa 3D donde cada palabra tiene una coordenada GPS específica.
- Las palabras con significados similares, como «manzana» y «pera», habitan en el mismo vecindario.
- Los conceptos no relacionados, como «manzana» y «cuero», se ubican en ciudades totalmente distintas.
Al medir la similitud coseno entre estas coordenadas, podemos demostrar matemáticamente que «Toffee» tiene una coincidencia del 90 % con «Caramelo». Esto garantiza la precisión incluso cuando nunca se menciona el nombre específico de la categoría.
Visualización de la lógica de la IA
El mapa de calor a continuación ilustra cómo nuestro algoritmo agrupa los descriptores aromáticos y gustativos. Permite visualizar las correlaciones estadísticas dentro del Tasting Intelligence Master Profile.
Ajustar el umbral de similitud:
Los densos clústeres en el mapa de calor confirman que el algoritmo identifica con eficacia la «huella dactilar» sensorial de cada categoría organoléptica.