La ciencia detrás del reconocimiento de alimentos con IA

Durante décadas, la forma más precisa de registrar lo que comías era pesar cada ingrediente en una báscula de cocina. Efectivo, sí—pero lo suficientemente tedioso como para que la mayoría de la gente abandonara en pocas semanas. El reconocimiento de alimentos con IA está cambiando drásticamente esa ecuación. Esto es lo que ocurre dentro de la función de cámara de Leana cada vez que haces una foto a tu comida.

Cómo la visión artificial identifica los alimentos

En esencia, el reconocimiento de alimentos con IA es un problema de clasificación de imágenes. Una red neuronal profunda—entrenada con millones de fotografías de alimentos etiquetadas—aprende a identificar patrones visuales asociados a alimentos específicos: el brillo de una pechuga de pollo a la plancha, la textura del arroz integral, el degradado de color de un aguacate maduro. Cuando fotografías tu plato, el modelo compara esos patrones de píxeles con todo lo aprendido y genera un conjunto de predicciones.

Los modelos modernos de reconocimiento de alimentos van más allá de la simple clasificación. Pueden detectar varios alimentos en una sola imagen, segmentar cada elemento espacialmente y manejar la oclusión parcial—como cuando un tenedor descansa sobre el plato. La IA de Leana fue entrenada específicamente en escenarios de platos combinados comunes en la alimentación diaria, no solo en fotos de ingredientes individuales.

De píxeles a gramos: estimar el tamaño de la porción

Identificar el alimento es solo la mitad del reto. Saber que un plato contiene salmón a la plancha no dice nada sobre si la porción pesa 80 g o 200 g. Aquí es donde la tecnología de detección de profundidad se vuelve crucial. Analizando indicios de perspectiva, referencias al tamaño del plato y la altura de los alimentos en la imagen 2D, el modelo estima el volumen tridimensional de cada elemento.

El volumen se convierte luego en masa usando valores de densidad específicos para cada alimento—los alimentos densos como el filete y las legumbres frente a los ligeros como la lechuga o las palomitas requieren conversiones muy distintas. Una vez estimada la masa, la app la multiplica por los valores nutricionales por 100 g de su base de datos.

Qué significa realmente la precisión del 90 %+

La IA de Leana alcanza más del 90 % de precisión en pruebas controladas. En la práctica, la precisión es mayor en alimentos de un solo componente con identidad visual clara—un huevo cocido, un plátano, una pechuga de pollo. Los platos mixtos y las comidas muy salsas son más difíciles porque muchos ingredientes están ocultos. El modelo hace la mejor estimación posible, pero estos son los casos en que añadir una breve descripción textual mejora significativamente la precisión.

Por qué el seguimiento con IA sigue mejorando

Cada corrección que haces—ajustar una porción, añadir un ingrediente olvidado—es el tipo de señal que, en conjunto, hace los modelos más inteligentes con el tiempo. El campo de la IA alimentaria avanza rápidamente: las arquitecturas más recientes procesan imágenes más rápido y con menos errores, y las cámaras de los smartphones incluyen habitualmente sensores de profundidad que hacen la estimación de volumen más precisa que nunca.

El objetivo no es reemplazar la conciencia alimentaria, sino reducir radicalmente la fricción del registro para que más personas sigan haciendo seguimiento el tiempo suficiente como para ver resultados significativos.