La trazabilidad de los alimentos es fundamental para garantizar su origen y calidad, y aporta datos como la alimentación que ha recibido el animal. Actualmente, para esta tarea se emplean un conjunto de etiquetas, que son supervisadas por técnicos, sin embargo, este sistema se queda anticuado con un modelo de inteligencia artificial desarrollado por investigadores de las universidades de Huelva y Sevilla, que mejora la trazabilidad del producto de la granja a la mesa.
Los expertos afirman que aunque este sistema se ha empleado con anterioridad en otros sectores, como la identificación del flujo de personas en las ciudades, se trata de la primera vez que se aplica inteligencia artificial como método de trazabilidad del cordero. “A partir de una muestra del producto podemos ver, incluso, qué han comido los animales”, explica a la Fundación Descubre el investigador de la Universidad de Sevilla, Manuel García-Infante.
Normalmente, la trazabilidad de los productos cárnicos se lleva a cabo mediante inspecciones que cumplen su cometido. No obstante, los expertos señalan que este método presenta limitaciones como la falta de precisión, dado que los registros manuales pueden ser inexactos, conllevan el rastreo manual de cada lote de carne y aportan escasa información; es decir, la complejidad de obtener datos detallados sobre las condiciones de crianza, alimentación y procesamiento del producto.
Qué mejoras aporta el sistema de trazabilidad de carne de cordero con inteligencia artificial
En un artículo publicado en la revista Food Control, los investigadores explican que la inteligencia artificial aporta una mayor precisión y eficiencia a la trazabilidad de la carne. Además, permite una identificación más exacta del origen y de las características del producto a lo largo de la cadena de suministro.
Para comprobar la validez de la inteligencia artificial, los expertos identificaron mediante análisis físicos, químicos y sensoriales cada pieza de carne en función de tres parámetros. Primero, los compuestos que contiene, como las proteínas o los ácidos grasos, entre otros. Segundo, la parte física, que incluye la firmeza de la carne, su capacidad de retención de agua y su color y por último realizaron una prueba con panelistas entrenados que ayudaron a evaluar y analizar las características sensoriales del alimento, como su sabor, aroma y textura.
Con estos datos, el equipo investigador elaboró distintas bases de datos y las probaron con seis algoritmos de inteligencia artificial para comprobar cuál identificaba mejor cada tipo de carne según sus propiedades y cuál categorizaba su calidad en función de las mismas.
Cómo detecta el sistema lo que ha comido el cordero
Además, dividieron los tipos de carne en tres grupos: corderos lechales, alimentados con pasto natural y alimentados con pienso concentrado en establo. “En función de los datos físicos, químicos y sensoriales, el sistema detecta qué ha comido el cordero. También nos hemos encontrado con casos en los que lo categoriza en función de lo que haya comido la madre”, añade el investigador de la Universidad de Huelva, José Luis Guzmán.
Luego, los expertos evaluaron qué tipología de algoritmo funcionaba mejor con cada base de datos y determinaron que el algoritmo de aprendizaje automático (machine learning) era el más efectivo. Este método consiste en ‘enseñar’ al sistema con una porción de una base de datos a identificar tipos de carnes, de modo que luego, sobre la base de esa información, pueda clasificarlas por sí mismo.
Los expertos indican que la forma de emplear este procedimiento en la industria sería mediante la instalación de un dispositivo que pueda realizar un análisis bioquímico ‘in situ’. De este modo, se podrían analizar las piezas de carne en tiempo real.
El siguiente paso de los investigadores de los grupos AGR 273 Nuevas Tecnologías de Mejora Animal y de Sus Sistemas Productivos de la Universidad de Sevilla y AGR Tecnología de la Producción Animal de la Universidad de Huelva es buscar otro tipo de datos que les permita mejorar la eficacia de este método. Asimismo, quieren probarlos con otro tipo de algoritmos. “Este trabajo ha sido una primera toma de contacto que nos ha aportado información técnica, pero podemos mejorarlo y desarrollar nuevas aplicaciones en las distintas fases de la cadena de producción”, explica García-Infante.
Este trabajo ha sido financiado por el Instituto de Investigación y Formación Agroalimentaria y Pesquera de las Islas Baleares (IRFAP) y el Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria.
