Esempi recuperati insieme alle conoscenze alimentari
Un agente di IA dotato di conoscenze di scienza degli alimenti ha previsto durezza e masticabilità delle alternative vegetali alla carne con errori inferiori a un metodo basato soltanto su esempi di addestramento simili. Nel piccolo test, i risultati non erano statisticamente distinguibili da quelli del gradient boosting, il modello di apprendimento automatico più forte del confronto. Lo studio di Yizhou Ma, pubblicato il 21 settembre 2026 su Current Research in Food Science, ha confrontato apprendimento automatico convenzionale, recupero con ponderazione inversa della distanza e un agente basato su un modello linguistico guidato da conoscenze.
L’agente utilizzava Claude Sonnet 4.6 per lavorare con tre esempi vicini di addestramento e una base di conoscenza compilata manualmente. Per le alternative alla carne, le conoscenze comprendevano reti proteiche dipendenti dall’umidità, differenze fra fonti proteiche, rinforzo da fibre e ammorbidimento associato al grasso. L’autore definisce l’agente come un modello che ricorre a strumenti esterni, anziché come un sistema autonomo che pianifica più passaggi.
Tredici campioni fuori dall’intervallo di addestramento
Il set di consistenza conteneva 54 campioni descritti da proteine, grassi, carboidrati, fibre, ceneri, umidità e umidità obiettivo. Ne sono stati usati 41 per l’addestramento e riservati 13 al test. I gruppi riservati comprendevano composizioni di proteine e fibre fuori dall’intervallo di addestramento. Le regole meccanicistiche sono state preparate prima delle previsioni; gli esiti misurati del test sono rimasti esclusi da addestramento, recupero e istruzioni al modello.
L’errore assoluto medio dell’agente era di 4,66 N per durezza e 4,45 J per masticabilità. La durezza rappresenta un picco di forza durante la compressione, la masticabilità un’energia meccanica. Nei confronti bootstrap appaiati con gradient boosting, gli intervalli di confidenza al 95% di entrambe le differenze di errore comprendevano zero: lo studio non poteva distinguere statisticamente i metodi in questo test. L’autore riporta errori significativamente inferiori al solo recupero per entrambi gli obiettivi.
Un’altra prova ha esaminato miscele di proteine e polisaccaridi
Il secondo set riguardava la reologia di miscele di proteine vegetali e polisaccaridi. L’articolo riporta 246 campioni di addestramento e 65 riservati, con due osservazioni di tensione insolitamente bassa escluse prima delle previsioni. Sono rimasti gli stessi 63 campioni di valutazione per tutti i metodi. Gli obiettivi erano il modulo di accumulo G′ e la tensione massima al 200% di deformazione, riferiti rispettivamente al comportamento a piccole e grandi deformazioni.
La base di conoscenza dei gel includeva rafforzamento dipendente dalla concentrazione, diluizione della rete dovuta all’umidità, differenze nella gelificazione delle proteine, formazione di reti proteine–polisaccaridi e fragilità dei sistemi ricchi di carragenina. L’autore sottolinea la difficoltà di prevedere grandi deformazioni solo dalla composizione e la necessità di dati più numerosi e rappresentativi per stimare l’incertezza degli obiettivi meccanici complessi.
Dati limitati e conoscenze curate da esperti restano vincoli
Lo studio ha interrogato il modello linguistico una volta per campione con un’istruzione strutturata fissa. Nel confronto sulle alternative alla carne della Tabella A1 in appendice, eliminare le regole meccanicistiche ha avvicinato gli errori al solo recupero: per durezza erano 18,76 N senza regole, 18,78 N con il recupero e 4,66 N con l’agente completo. Per masticabilità erano rispettivamente 15,43 J, 15,62 J e 4,45 J.
L’autore osserva che sono stati esaminati soltanto due casi con dati tabulari e obiettivi scalari. La qualità dell’agente dipende dalle conoscenze codificate e questa implementazione non le aggiornava autonomamente. Le nuove osservazioni richiedevano un’aggiunta manuale. L’articolo chiede ricerche sull’apprendimento continuo e ulteriori test su sistemi alimentari, condizioni di lavorazione e obiettivi meccanici diversi per stabilire la generalizzabilità.
-
Comparing AI agents and machine learning for predicting mechanical and rheological properties of dense food structures ↗
Current Research in Food Science · CC-BY-4.0 ↗. Yizhou Ma (2026). Comparing AI agents and machine learning for predicting mechanical and rheological properties of dense food structures. Current Research in Food Science 13, 101578. Published 21 September 2026. DOI:10.1016/j.crfs.2026.101578. Copyright The Author 2026. CC BY 4.0. Editorial adaptation and translation: FoodRadar. Tradotto e adattato da FoodRadar.