"Cervecia: una cerveza obtenida utilizando técnicas analíticas"

Abstract

El proyecto "CervecIA" se centra en desarrollar un modelo analítico que acelere el diseño de recetas de cerveza artesanal, con el objetivo de obtener una receta de calidad en menos tiempo y con menos intentos que el proceso tradicional de prueba y error. En una industria donde crear una nueva receta puede requerir 6 a 10 iteraciones, esta solución busca optimizar el proceso, ahorrando tiempo y recursos. Se recopilaron más de 10.000 recetas de plataformas especializadas, construyendo una base de datos robusta. Sobre esta información, se aplicaron técnicas de Machine Learning para predecir la puntuación de las recetas en función de combinaciones de ingredientes clave (principalmente maltas y lúpulos) y variables de proceso. El modelo predictivo alcanzó un R² superior a 0,92 y un error absoluto medio inferior al 4%, permitiendo identificar combinaciones óptimas y entender qué variables influyen más en la calidad percibida. El trabajo abarcó desde la recopilación de datos hasta la validación práctica de una receta. Se diseñó y elaboró una American Pale Ale, demostrando la utilidad del modelo como herramienta de apoyo en el proceso creativo. Este enfoque, aplicable a otros estilos, permite respaldar las decisiones del maestro cervecero con datos, reduciendo la dependencia exclusiva de la experiencia e intuición.

The "CervecIA" project focuses on developing an analytical model to accelerate the creation of craft beer recipes, aiming to achieve high-quality results with fewer iterations than the traditional trial-and-error approach. In an industry where crafting a new recipe can take 6 to 10 attempts, this solution seeks to save time and resources by optimizing the recipe design process. Using data from specialized platforms, over 10,000 recipes were collected to build a robust database. Machine Learning techniques were applied to predict recipe scores based on key ingredient combinations (mainly malts and hops) and process variables. The predictive model achieved an R² above 0.92 and a mean absolute error below 4%, enabling the identification of ingredient combinations that lead to better outcomes and highlighting the variables that most influence perceived quality. The project covered the entire process from data collection to the practical validation of a recipe. An American Pale Ale recipe was designed and brewed, demonstrating the model’s value as a decision-support tool. This approach, applicable to other beer styles, provides a data-driven method to support brewers, reducing dependence solely on intuition and experience.