La semana pasada, del 26al 29 de septiembre, nos unimos a otro encuentro del sector: Alimentaria Foodtech en Barcelona. Muchas caras conocidas, muchas nuevas también, y algunas ideas renovadas después de hablar con todos ellos.

Una de las enseñanzas que nos llevamos de la feria es el creciente número de empresas preocupadas por sus ingredientes alimentarios en polvo, tanto si compran mezclas funcionales, mezclas de especias, mezclas para panadería y otros; fabrican estas mezclas o incluso distribuyen productos en polvo. Todas ellas buscan mejores herramientas para el control de calidad.

Una vez más, el fraude es una preocupación creciente, y tiene sentido. Cuando se trata principalmente de productos en polvo, con diferencias difíciles de describir y adulterantes fáciles de ocultar, es algo tentador. Recordemos que se calcula que cada año circulan por nuestro sistema alimentario unos 40.000 millones de dólares en productos fraudulentos.

Pero en lo que respecta ala supervisión de los proveedores, las empresas también buscan mejores herramientas. El viejo cuento de "no tengo que examinarte porque confío en ti" ya no es suficiente en un mundo en el que los cambios de precio y disponibilidad hacen imprescindible gestionar varios proveedores para garantizar la continuidad del negocio. Por tanto, se necesitan mejores herramientas para comprobar su calidad.

Incluso los distribuidores se preocupan por los ingredientes que venden. Aunque no fabriquen nada, la cadena de responsabilidad les pone en el punto de mira de posibles litigios, que suponen una pérdida de recursos y tiempo, incluso cuando acaban bien. Los distribuidores necesitan mejores medios para comprobar que las materias primas son las que indica la etiqueta y no otra cosa.

¿Qué puede hacer Chemometric Brain para mejorar el control de calidad de los alimentos?

Nuestro análisis cualitativo basado en huellas químicas permite a las empresas alimentarias evaluar rápidamente ingredientes alimentarios en polvo, puros o mezclas.

Aprovechando la espectroscopia de infrarrojo cercano -que genera una huella dactilar única del producto basada en su composición química-, entrenamos modelos para reconocer el ingrediente concreto.

Los datos utilizados para entrenar estos modelos son muestras previamente determinadas como"buenas", lo que dará al modelo una representación precisa del producto.

Una vez que el modelo está entrenado y es robusto, se pueden comparar nuevas muestras, lo que permite saber si lo que tenemos es lo que se esperaba o si hay algo diferente.

Un paralelismo cercano a este sistema es el reconocimiento facial, que se entrena utilizando un escaneo de tu rostro, y sólo desbloqueará tu teléfono cuando seas tú quien esté frente a él.

En resumen, se trata de una tecnología rápida y sensible para detectar cualquier desviación mínima en la composición de las materias primas, los ingredientes mezclados y los productos alimentarios finales.

‍