El papel de la IA para acelerar y optimizar desarrollo de productos alimentarios

Como fondo especializado en foodtech, uno de los pilares de la estrategia de inversión de Peakbridge VC está orientado a la digitalización y el uso de Inteligencia Artificial y Big Data para mejorar los sistemas alimentarios. De hecho, en su portfolio cuenta con varias startups en esta categoría, como Tastewise, InsideTracker u Orbisk. Miembros del equipo de análisis y del consejo asesor de Peakbridge han elaborado «Bytes to Bites» un análisis en profundidad en este ámbito.  Compartimos a continuación el primero de los tres volúmenes (Data driven delights: digitizing consumption insights & product development) que componen este informe que profundiza en cómo la IA está acelerando el desarrollo de nuevos alimentos con productos, llevando ideas desde el laboratorio hasta el lineal del supermercado de manera más rápida e inteligente. El reporte también destaca algunas de las startups más relevantes de la categoría.

El análisis, cuyos próximos capítulos estarán dedicados a la digitalización de la cadena de suministro y de la Nutrición, ha sido elaborado  por Eva Everloo (Analista Senior) junto con Anđela Martinović, Ph.D. (Analista Científica), Anina Troya (Analista) y Orly Savion, Ph.D. (CTO) de PeakBridge VC.

La sinergia de la IA y la comida: Revolucionando una industria

El viaje de la Inteligencia Artificial (IA) comenzó con la visionaria «Máquina Inteligente» de Alan Turing en 1948, sentando las bases para una explosión de avances en Aprendizaje Automático (AA) y en Redes Neuronales (RN) en el siglo XXI, y allanando el camino para la integración de modelos de IA en diversas industrias. Simultáneamente, la producción mundial de alimentos ha evolucionado. 

La «Revolución Verde» de la década de 1970 introdujo cultivos de alto rendimiento y técnicas de riego mejoradas. Aunque tenía como objetivo la seguridad alimentaria, el uso intensivo de fertilizantes planteó preocupaciones sobre la sostenibilidad ambiental. Con una proyección de crecimiento de la población del planeta hasta casi 10 mil millones de habitantes, la urgencia es evidente. La tasa de consumo mundial de carne está aumentando rápidamente^[i], pero los rendimientos agrícolas no están a la par con las proyecciones de demanda. Si a esto se añade la necesidad de reducir las emisiones y el uso de tierras entendemos que necesitamos una re-evolución tecnológica en la producción de alimentos. (En la cronología incorporada la sección «Lecturas Adicionales» de este artículo puede consultar un resumen de los hitos en la producción de alimentos, la IA y su convergencia desde 1950 hasta hoy). 

En medio de estas circunstancias, la inversión de capital de riesgo en FoodTech ha aumentado, con el objetivo de acelerar el desarrollo de alimentos alternativos y métodos de producción de alimentos (datos de Pitchbook). A pesar de los avances sustanciales en la agricultura celular (entre otros), el verdadero desafío radica en escalar estas innovaciones en un plazo razonable y a un costo asequible. 

La IA está lista para iniciar su propia revolución, transformando fundamentalmente la forma en que abordamos la productividad en la industria alimentaria.

Aquí es precisamente donde la IA entra en juego, convirtiéndose en un aliado fundamental en la innovación alimentaria que complementa la inteligencia humana. Aunque aún está en sus primeras etapas de adopción en la industria alimentaria, la IA ya está optimizando las operaciones de la cadena de suministro, catalizando el desarrollo de productos y creando opciones alimentarias nutritivas, saludables y sostenibles adaptadas a la demanda del consumidor. Haciendo un paralelismo, así como la adopción generalizada de la electricidad coincidió con la Revolución Industrial a finales del siglo XVIII, que permitió el desarrollo de infraestructuras eléctricas y condujo a un cambio global en la productividad^[ii], la IA está lista para iniciar su propia revolución, transformando fundamentalmente la forma en que abordamos la productividad en la industria alimentaria.

Un examen más detenido de los datos de Pitchbook del siglo XXI muestra que las inversiones en IA en el sector Agrifood alcanzaron los 11.500 millones de dólares. Para poner esto en perspectiva, la industria alimentaria global genera alrededor de 9,4 billones de dólares en ingresos anuales^[iii]. En contraste, las industrias de la salud y la farmacéutica, con un gasto anual de alrededor de 8,3 billones de dólares^[iv], recibieron casi nueve veces más capital para innovaciones en IA durante el mismo período, totalizando 94,4 billones de dólares (ver figura a continuación).

¿Por qué ahora?

Ante los crecientes desafíos, el sistema alimentario demanda la integración de soluciones de IA para allanar el camino hacia una mayor resiliencia y sostenibilidad. Esta inmersión profunda de varios volúmenes comienza con este artículo centrado en el desarrollo de nuevos productos alimentarios, seguido de dos volúmenes que exploran otras áreas dentro del sistema alimentario, donde la urgencia de cambio y el potencial de la IA son altos. Cada volumen revela información sobre las aplicaciones de la IA, las inversiones, los desafíos y las oportunidades, y el panorama de las nuevas empresas.

Además de presentar una oportunidad para resolver desafíos complejos en todo el sistema alimentario, la IA también está cambiando el panorama empresarial en general. Las empresas están respondiendo a las tendencias de los consumidores y lanzando productos al mercado más rápido que nunca (piensa en la marca de moda Shein, que lanza 6000 artículos nuevos en su sitio web todos los días^[i]), y los consumidores están empezando a esperar esto. Para mantenerse al día con las tendencias y tener éxito en sus estrategias de comercialización, la innovación alimentaria debe ser rápida.

El ciclo de desarrollo de productos de las empresas alimentarias

El ciclo de desarrollo de productos nuevos (ver figura a continuación) en las empresas alimentarias, desde la bancada hasta el estante, tradicionalmente adolecía de información limitada y datos fragmentados. Esta complejidad proviene de departamentos distintos que manejan diferentes aspectos del ciclo, incluyendo marketing, I+D y ventas. Estos desafíos resultan en una toma de decisiones lenta y ciclos de innovación prolongados caracterizados por:

• Enfoques de prueba y error.
• Altos costes.
• Dependencia de paneles humanos que consumen mucho tiempo.
• Ajuste limitado entre el producto y el mercado.

Por lo tanto, no sorprende que alrededor del 80% de los lanzamientos de productos alimenticios fallen^[ii], principalmente debido al rechazo del consumidor. La IA aborda estos desafíos al reducir la necesidad de dilatadas pruebas y fomentar la colaboración entre departamentos utilizando redes de datos sólidas. Puede agilizar todo el proceso optimizando la formulación del producto, los parámetros del proceso y el análisis de tendencias del mercado.

«Para mí, la agenda de digitalización es tan relevante y emocionante porque, si se hace bien, debería mover las cosas mucho más rápido. Evitar muchos tests y enfoques de prueba y error que todavía tiene una organización de I+D clásica e ir hacia la previsibilidad a un ritmo mucho más rápido».
Miriam Überall, Experta en FoodTech y Ex Directora de I+D en Kraft Heinz y Unilever.

Ahora profundicemos un poco en cómo la IA puede acelerar las diferentes partes del ciclo de desarrollo de productos.

El papel de la IA en la aceleración de los ciclos de innovación

Percepción del consumidor e generación de ideas

La IA está remodelando el desarrollo de nuevos productos utilizando un enfoque de datos multifacéticos. En primer lugar, la IA interpreta las tendencias en tiempo real a partir de fuentes externas que capturan información como opiniones y emociones. Esto implica analizar las redes sociales, rastrear palabras clave, utilizar chatbots impulsados por la IA para encuestas y análisis de imágenes de IA para preferencias alimentarias. La IA también se extiende a los sensores de IoT, recopilando datos del consumidor sobre elecciones de productos y preferencias culinarias^[iii]. Además, el Aprendizaje Automático (Machine Learning o ML) realiza análisis predictivos internamente, aprovechando datos históricos de ventas y tendencias de mercado para prever con precisión la demanda y las preferencias del consumidor, optimizando los tiempos de lanzamiento de nuevos productos alimentarios y adaptándose a los cambios del mercado. Este análisis continuo de datos descubre insights del consumidor, fomentando una mayor participación en un mercado alimentario competitivo y en constante cambio.

Tastewise, una de las startups del portfolio de Peakbridge, es un ejemplo de una startup que utiliza la IA para inspirar el desarrollo de nuevos productos. La empresa ha desarrollado un software que recopila una gran cantidad de datos de diferentes fuentes (por ejemplo, redes sociales, opiniones, menús, recetas) para comprender las tendencias alimentarias en evolución y los gustos de los consumidores. Este software es una herramienta valiosa para las empresas alimentarias, ya que les ayuda a crear productos que vayan a satisfacer los deseos y las preferencias de los consumidores. A continuación, se muestra un ejemplo de la herramienta más reciente de la empresa, «Concept Discovery» de «TasteGPT», que descubre conceptos e imágenes generadas por la IA basados en los maridajes o combinaciones cuya demanda por parte de los consumidores está registrando un mayor aumento. Las indicaciones proporcionadas para estos ejemplos fueron «variaciones de café» (imagen superior) y «comida loca y divertida» (imagen inferior).

Otras dos empresas que trabajan en percepciones del consumidor son Bite.ai y Gastrograph. Bite.ai es una startup centrada en el reconocimiento de imágenes de alimentos para mejorar el registro de alimentos y generar insights basados en datos del consumidor. Gastrograph ha creado la «base de datos sensorial más grande del mundo», ayudando a las empresas alimentarias a alinear sus productos con los sabores, aromas y texturas que impulsan la demanda del consumidor.

Descubrimiento de nuevos ingredientes

Avanzando en el ciclo de desarrollo de nuevos productos, la IA también puede acelerar el descubrimiento de nuevos ingredientes alimentarios, mejorando la detección y caracterización de moléculas. Las startups que trabajan en la intersección entre descubrimiento de ingredientes y la IA involucran a expertos en ciencia de los alimentos y datos para desarrollar un algoritmo efectivo que respalde los flujos de trabajo de descubrimiento de alimentos. 

Por ejemplo,  compañías como GinkoBioworks o Arzeda, utilizan una combinación de diseño computacional y IA para crear proteínas y enzimas novedosas. Amai Proteins utiliza la biofísica computacional y la IA para diseñar proteínas novedosas optimizadas para diversas funcionalidades y características de sabor. Finalmente, Brightseed impulsa el desarrollo de ingredientes novedosos mediante la identificación de compuestos bioactivos saludables utilizando su plataforma de IA, Forager®.

Investigación y Desarrollo (I+D) y Optimización

Escala de Laboratorio: Optimización de funcionalidad, sensorialidad y nutrición

Más adelante en el ciclo de desarrollo de productos se encuentra la optimización de la funcionalidad de la matriz alimentaria, que abarca atributos sensoriales y nutricionales. La IA toma el testigo de esta labor al predecir y mejorar estos atributos para diversos productos alimentarios. Sugiere proporciones de ingredientes para coincidir con perfiles de sabor y ofrece sustituciones más saludables sin comprometer el sabor. Además, la IA, combinada con sensores de IoT y sistemas de captación de imágenes, ayuda a evaluar la textura del producto alimentario, garantizando que características como el crujiente de las patatas o la terneza de la carne cumplan con las expectativas. Desde el punto de vista nutricional, la IA optimiza las recetas para alcanzar objetivos específicos, ya sea reducir el contenido de azúcar o aumentar los niveles de proteína, y predice la composición nutricional para cumplir con los requisitos de etiquetado.

Recientemente, las empresas alimentarias han adoptado la IA en los ciclos de I+D, reduciendo de meses a días el tiempo necesario para desarrollar y procesar los productos.

• Unilever ha empleado IA para crear un caldo con bajo contenido de sal, acelerando el análisis del sabor de meses a días^[iv].
• Kraft Heinz ha probado un algoritmo de IA para optimizar costes, niveles de azúcar y sal, logrando resultados notables. El Análisis Descriptivo Cuantitativo (ADC) tuvo en cuenta características sensoriales como el sabor y la sensación en la boca, logrando una precisión del 94% en la reproducción del producto original a base de tomate.

La fermentación de precisión, que implica la manipulación del material genético para producir proteínas, es un buen ejemplo de una tecnología alimentaria reciente que se combina con la ciencia de datos. La modelización de la expresión génica, la modelización de la configuración tridimensional de las proteínas y las simulaciones ayudan a los científicos a identificar cambios en el genoma que aumentan la probabilidad de generar proteínas específicas. Sin la IA, llevar a cabo estos experimentos podría llevar siglos. Nacidas a finales de la década de 2010, startups como Shiru e ImaginDairy, una empresa de la cartera de PeakBridge, son ejemplos de esta convergencia de la innovación.

«Podemos ver las células como pequeñas fábricas para generar proteínas: las células evolucionaron durante miles de millones de años para replicarse de manera muy eficiente; por lo tanto, usar la expresión génica es la forma más eficiente de generar proteínas. Este proceso incluye la introducción del gen que codifica la proteína objetivo en el genoma de una célula hospedadora de tal manera que será traducido a las proteínas objetivo por la maquinaria intracelular de la célula. Para hacer que este proceso sea eficiente y competir con la industria alimentaria convencional, debemos rediseñar la ‘fábrica’ (es decir, la célula hospedadora). Esto se hace mediante la introducción de mutaciones basadas en modelos ‘inteligentes’ en el genoma de la célula hospedadora y no se puede hacer sin algoritmos sofisticados, modelos e IA». Prof. Tamir Tuller, Cofundador de ImaginDairy.

Escalado: Optimización de rendimiento y costos

Después de desarrollar productos alimentarios a escala de laboratorio, la siguiente fase en el ciclo implica establecer maquinaria y líneas de producción a gran escala. El objetivo es garantizar la competitividad en costes manteniendo los mismos atributos nutricionales y sensoriales observados durante la producción a escala de laboratorio. Esto se puede lograr mediante la utilización de algoritmos de ML que predicen las propiedades físicas y químicas de un alimento (por ejemplo, el pH durante la fermentación del queso y el cacao^[v]) y modelan las condiciones de procesamiento (por ejemplo, la extracción de antioxidantes o las condiciones de pelado de patatas).

Las innovaciones en el cultivo de proteínas alternativas, como la carne cultivada en laboratorio, ejemplifican el papel de la IA. El control preciso de la temperatura, los niveles de pH, el suministro de nutrientes y los factores de crecimiento son imperativos en entornos de laboratorio. Los emprendedores y científicos enfrentan el desafío de aumentar la producción para satisfacer la creciente demanda de proteínas animales mientras minimizan la necesidad de reducir bosques y vegetación silvestre para cultivos alimentarios. La IA ofrece una solución al analizar gran cantidad de datos para identificar condiciones óptimas para la ampliación de la producción. Startups pioneras como Animal Alternative Technologies y Umami Bioworks lideran este campo, desarrollando propiedad intelectual y tecnologías escalables con optimización de la ciencia de datos. Otra startup notable en este espacio es Eternal, que aprovecha la IA y la robótica para automatizar la experimentación, el análisis y la optimización de la fermentación de biomasa. Estos avances también beneficiarán a los grandes productores de proteínas animales que buscan vías viables y sostenibles para la transición a la producción de proteínas alternativas a gran escala.

Cooperación entre startups y corporaciones

Las startups, en comparación con las corporaciones alimentarias, se benefician de su tamaño más pequeño y a menudo son capaces de compartir la información de forma más rápida al estar menos compartimentadas.  Sin embargo, la construcción de una infraestructura de datos adecuada sigue siendo un desafío, dadas sus limitados recursos financieros y humanos. Esto puede obstaculizar la comercialización de productos novedosos en un período de tiempo adecuado. Reconociendo el valor de los avances de las startups para satisfacer la demanda de alimentos saludables, deliciosos y sostenibles, numerosas corporaciones alimentarias están forjando acuerdos con startups. Estos son algunos ejemplos

• En 2022, Kraft Heinz y NotCo establecieron una joint venture que resultó en el lanzamiento de «NotMayo» en tiendas minoristas de Estados Unidos. La plataforma de IA de NotCo (Guiseppe) apoyará a Kraft Heinz en el desarrollo de productos reinventados con ingredientes de origen vegetal^[vi].
• En 2023, el Grupo Bell ha anunciado su acuerdo con Climax Foods, para co-crear versiones a base de plantas de sus famosos productos de queso y marcas, como parte de los esfuerzos de la empresa por reducir su huella de carbono^[vii].
• ADM se ha asociado con Brightseed, una empresa de ingredientes bioactivos, para aprovechar la IA y descifrar el microbioma intestinal, con el objetivo de lanzar la próxima generación de productos simbióticos^[viii].
• Unilever ha iniciado una acuerdo de colaboración con la empresa de microbioma biotecnológico Holobiome para descubrir ingredientes alimentarios que apunten al eje intestino-cerebro^[ix].

Panorama de startups – Ecosistema de desarrollo de nuevos productos

Desde finales de la década de 2010, hemos sido testigos de un auge de startups dedicadas al desarrollo de productos alimentarios impulsados por la Inteligencia Artificial. Su experiencia radica en proporcionar soluciones impulsadas por la IA para tareas como análisis de mercado, pronóstico de la percepción del consumidor y modelado predictivo de parámetros de productos y procesos. En la figura de abajo, se muestran varias startups que trabajan en diferentes partes del ciclo de desarrollo de nuevos productos. Podemos distinguir entre dos tipos de startups aquí. Esta diferenciación destaca dos trayectorias distintas dentro de la adopción de la IA por parte de la industria alimentaria.

1. Startups de Servicios Centrados en la IA: facilitan el desarrollo de productos corporativos al incorporar la IA en diferentes etapas de su ciclo de innovación.
2. Startups Integradas con la IA: utilizan la IA para mejorar su propio desarrollo de productos, introduciendo ofertas de mercado novedosas. Renuncia: esta descripción general no es exhaustiva y representa solo una selección de startups. Además, la categorización de las empresas no es exclusiva, lo que significa que las startups pueden caer en varias categorías.

Retos para la industria alimentaria

Como se exploró anteriormente, el uso de la IA en el desarrollo de nuevos productos alimentarios ofrece una serie de ventajas, que incluyen eficiencia en costos, rapidez, personalización, capacidades predictivas y conocimientos derivados de datos. Sin embargo, en este panorama surgen varios desafíos:

• Calidad, cantidad y conectividad de datos («Basura entra, basura sale»): el logro del rendimiento óptimo del algoritmo depende en gran medida de datos abundantes y de alta calidad. La salida solo es tan valiosa como los datos de entrada. Esto requiere inversiones en generación de datos para equipos de I+D y en infraestructuras de datos adecuadas y sistemas de datos conectados entre departamentos en empresas alimentarias. Una vez establecida la infraestructura de datos, su utilización efectiva implica comprender los datos existentes, integrarlos en una arquitectura de datos integral, diseñar estrategias de datos y alinearlas con los objetivos. En este sentido, los proveedores de infraestructura de datos como Google, AWS y Microsoft desempeñan un papel habilitador.
• Potencia de procesamiento insuficiente: la capacidad de la IA para manejar conjuntos de datos extensos se ve limitada por la potencia de procesamiento. La computación cuántica tiene el potencial de abordar las limitaciones de potencia de procesamiento, con inversiones en infraestructura e investigación. Empresas de infraestructura como IBM, Google y D-Wave son actores clave en el avance de la computación cuántica para la IA.
• Datos históricos limitados: un campo emergente como FoodTech carece de datos históricos para alimentar algoritmos, lo que dificulta la generación de resultados significativos. Si están disponibles, a menudo se encuentran en muchos formatos de datos diferentes y no estructurados. Se requieren desarrollos para hacer que la entrada de datos relevantes sea más agnóstica al formato.
• Costes de implementación: establecer y mantener sistemas de IA puede ser costoso, especialmente para empresas pequeñas. Las grandes corporaciones, por otro lado, tienen sistemas existentes que pueden no ser adecuados para el futuro y, por lo tanto, requieren inversiones significativas para adaptarse.
• Responsabilidad y consideraciones éticas: la creciente complejidad de los sistemas de IA, especialmente en aplicaciones predictivas y prescriptivas, plantea preguntas sobre la responsabilidad y la responsabilidad, desafiando los marcos legales y éticos necesarios para abordar posibles errores y consecuencias de la IA. Además, evaluar el impacto de la IA en los empleos y las culturas alimentarias tradicionales es crucial para comprender sus efectos generales.
• Protección de datos y seguridad: proteger los datos propietarios, como las recetas secretas, mientras se fomenta el intercambio de datos para optimizar las aplicaciones de IA, es un desafío complejo que requiere mecanismos efectivos de gobernanza («no se puede desentrenar un algoritmo»). También es crucial protegerse contra ataques digitales.
• Adaptación normativa: las leyes alimentarias cambian con frecuencia. Los sistemas de IA deben mantenerse al día. Además, las regulaciones a menudo requieren interpretación; la IA podría no ser adecuada para esto (por ahora).
• Colaboración multidisciplinaria y compartir habilidades: combinar la IA y la experiencia alimentaria requiere una comunicación efectiva entre expertos de diferentes campos (piense en científicos de alimentos, ingenieros y científicos de datos). Hay una necesidad de compartir y construir habilidades aceleradas en los departamentos para tomar decisiones integradas basadas en datos.
• Aceptación del consumidor: construir confianza en los alimentos producidos por la IA requiere educación para abordar las preocupaciones y los temores de los consumidores.
• Impacto ambiental: más allá de la eficiencia, se deben considerar los efectos de la IA en el medio ambiente y compararlos con los beneficios de mitigación ambiental.

Navegar por estos desafíos es fundamental a medida que la industria abraza el potencial de la IA mientras aborda proactivamente sus limitaciones e implicaciones sociales.

Nota: esta descripción general no es exhaustiva y representa solo una selección de startups. Además, la categorización de las empresas no es exclusiva, lo que significa que las startups pueden encajar en varias categorías.

Conclusión: abrir el camino

En este artículo, hemos explorado la potente sinergia entre la inteligencia artificial (IA) y FoodTech, un nexo transformador que aborda la creciente demanda de alimentos y los imperativos de sostenibilidad. Desde la inspiración para el diseño de nuevos productos alimentarios impulsados por datos sobre la demanda del consumidor, hasta los nuevos parámetros de proceso sugeridos que pueden mejorar los atributos sensoriales, el rendimiento y reducir los costes, la IA optimiza cada paso en el ciclo de desarrollo de nuevos productos alimentarios de una empresa. Al hacerlo, tiene la oportunidad de conectar departamentos aislados y ofrecer una nueva directiva basada en datos que supera el enfoque tradicional de prueba y error. A través de la IA, emerge un nuevo paradigma en el descubrimiento de ingredientes y productos nuevos, la innovación a escala de laboratorio, la fabricación a gran escala y la participación del consumidor, lo que permite una toma de decisiones efectiva.

Las ágiles startups se fusionan con las grandes empresas de alimentos para acelerar esta transición y así cerrar la brecha de innovación, una tendencia que se espera cobre más impulso en el futuro cercano. Surgen desafíos en cuanto a la calidad de los datos, la potencia de procesamiento y la ética, sin embargo, la promesa de la IA de iteraciones más rápidas y decisiones basadas en datos penetra en la industria alimentaria. Mientras disfrutamos de esta armoniosa interacción, la IA guía a la industria FoodTech hacia un futuro apetitoso.

En el Volumen 2, profundizaremos en el potencial de la Inteligencia Artificial para abordar desafíos de seguridad alimentaria, transparencia y calidad (y más) en toda la cadena de suministro de alimentos.

Lecturas recomendadas

• Una breve historia de los desarrollos clave en la producción de alimentos e inteligencia artificial.

• «La Cuarta Revolución Industrial» (libro).
• «Internet de las cosas, big data e inteligencia artificial en la agricultura y la industria alimentaria» (artículo).

---

[i] https://www.dailymail.co.uk/femail/fashion/article-11756233/The-truth-worlds-fastest-fashion-brand.html

[ii] https://www.foodnavigator.com/Article/2019/03/18/Most-new-products-fail-Implicit-sensory-testing-can-help-beat-the-odds#:~:text=When%20you%20launch%20a%20new,and%2080%25%20of%20them%20fail.

[iii] https://ieeexplore.ieee.org/document/9103523

[iv] https://www.foodnavigator.com/Article/2023/07/25/How-Unilever-is-using-artificial-intelligence-and-big-data-biology-to-transform-food

[v] https://doi.org/10.1007/s12393-021-09290-z

[vi] https://www.fooddive.com/news/kraft-heinz-enters-joint-venture-with-notco/619224/

[vii] https://agfundernews.com/bel-group-invests-in-climax-foods-will-co-create-plant-based-cheeses#:~:text=Bel%20Group%E2%80%94the%20multinational%20firm,2024%2C%20starting%20with%20Mini%20Babybel.

[viii] https://www.nutritioninsight.com/news/adm-and-brightseed-partner-to-leverage-ai-to-decode-the-gut-microbiome.html

[ix] https://www.foodnavigator.com/Article/2023/07/25/How-Unilever-is-using-artificial-intelligence-and-big-data-biology-to-transform-food#

[i] https://ourworldindata.org/meat-production%23:~:text=As%2520a%2520global%2520average%252C%2520per,the%2520rate%2520of%2520population%2520growth.

[ii] https://www.google.nl/books/edition/The_Fourth_Industrial_Revolution/ST_FDAAAQBAJ?hl=en&gbpv=1&dq=the+fourth+industrial+revolution&printsec=frontcover

[iii] https://www.statista.com/outlook/cmo/food/worldwide#:~:text=Revenue%20in%20the%20Food%20market,(CAGR%202023%2D2028).

[iv] https://www.who.int/publications/i/item/9789240017788

Puedes acceder al original en inglés aquí: BYTES TO BITES VOL. 1 – DATA-DRIVEN DELIGHTS: DIGITIZING CONSUMPTION INSIGHTS & PRODUCT DEVELOPMENT.