Kaikaku.IA lanza Epicure, IA que compara recomendaciones según recetas o relaciones químicas

Kaikaku.IA presentó Epicure, un experimento con tres variantes (Cooc, Chem, Core) entrenadas con coocurrencias de recetas, relaciones químicas de FlavorDB o ambos;

Kaikaku.IA presentó Epicure, un experimento que compara tres variantes de un mismo modelo de IA entrenadas con distintos tipos de datos y que producen recomendaciones culinarias diferentes; el resultado muestra que la naturaleza de los datos de entrenamiento modifica las sugerencias para un mismo ingrediente. Esto importa porque la versión basada en relaciones químicas puede inferir perfiles de sabor y valores nutricionales, lo que constituye un atajo útil para el descubrimiento de sabores y el diseño de recetas.

El equipo detrás del proyecto — que incluye a Jakub Radzikowski y Josef Chen-creó tres versiones llamadas Cooc, Chem y Core que difieren únicamente por los datos utilizados: Cooc aprendió de coocurrencias en recetas, Chem se entrenó con similitudes moleculares extraídas de FlavorDB y Core combina ambos enfoques. Para construir el corpus, Epicure procesó 4. una canalización con embeddings de Claude y Gemini depuró unos 200,000 términos y los consolidó en 1,790 ingredientes normalizados, lo que permitió comparar las salidas sobre un mismo vocabulario.

Las respuestas de cada variante divergen de forma clara. Ante el ingrediente "chicken", Cooc sugiere ajo, cebolla y pimienta negra — ingredientes que suelen aparecer juntos en recetas—, mientras que Chem propone carnes como vacuno o cerdo por perfiles de sabor similares. Chem también clasifica con mayor nitidez propiedades sensoriales (dulce, ácido, amargo) y valores nutricionales (proteína, grasa), aunque esos atributos no formaran parte directa de su entrenamiento.

En contexto competitivo, Epicure amplía el alcance frente a modelos basados en corpus en inglés como FlavorGraph al aprovechar un corpus multilingüe y combinar distintas fuentes de señal. Como demostración práctica, el proyecto evidencia cómo las decisiones sobre los datos de entrenamiento pueden cambiar el comportamiento de un mismo modelo de IA y su impacto potencial en sistemas de recomendación, herramientas de diseño de recetas y análisis de ingredientes.