Clasificación de mezcales mediante inteligencia artificial y análisis sensorial descriptivo

Abstract

El mezcal es una bebida destilada mexicana cuya diversidad biológica genera una amplia variabilidad en su composición química. Aunque esta heterogeneidad es parte de su identidad, también complica la caracterización objetiva por especie de Agave, aspecto relevante para la certificación del producto. Aunque su composición ha sido ampliamente estudiada, su uso con fines de clasificación ha sido poco explorado, a diferencia de otras bebidas destiladas. En ese contexto, los datos fisicoquímicos de certificación generados de manera rutinaria bajo métodos estandarizados representan una fuente accesible para desarrollar herramientas complementarias basadas en aprendizaje automático. El objetivo de esta investigación fue clasificar mezcales por especie de agave utilizando modelos de aprendizaje automático entrenados con dichos datos, para identificar los modelos idóneos para dicha tarea. Se analizaron 393 muestras certificadas de Oaxaca. La metodología incluyó un análisis estadístico mediante la prueba de Kruskal–Wallis para identificar variables con diferencias significativas entre especies. Posteriormente, se preparó y exploró el conjunto de datos, evaluando su desbalance y generando escenarios analíticos que permitieron comparar el desempeño de los modelos bajo distintas configuraciones. En la etapa de modelado se entrenaron más de mil modelos, resultado de evaluar seis algoritmos supervisados bajo múltiples configuraciones mediante validación cruzada y búsqueda de hiperparámetros. Se utilizó la métrica f1-score para identificar las configuraciones con mejor desempeño. De manera complementaria, se aplicó la metodología CATA para evaluar si las diferencias químicas identificadas por los modelos se reflejaban en la percepción del consumidor. Los resultados mostraron diferencias significativas entre especies en alcoholes superiores y metanol, además de modelos con alta capacidad de clasificación. En conjunto, los hallazgos demuestran que los datos fisicoquímicos de certificación pueden alimentar modelos capaces de distinguir mezcales por especie y ofrecen una base para el desarrollo de futuras herramientas computacionales de autentificación.