Un prototipo estudiantil en Bengaluru apunta a la próxima frontera de la IA: la nutrición cotidiana

Por Tripura Star News · 3 de julio de 2026.

Un equipo de cuatro estudiantes de Ingeniería en Computación del East Point College of Engineering & Technology (EPCET), en Bengaluru, ha desarrollado un sistema que combina redes neuronales convolucionales, procesamiento de lenguaje natural y visión por computador para analizar fotografías de comida y devolver, en tiempo real, una estimación de calorías, macronutrientes y frescura del alimento. El proyecto, dirigido por la jefa del departamento Dr. Manimozhi Iyer, se entrenó con más de 10.000 imágenes de platos —incluyendo cocina regional— y se apoya en bases de datos nutricionales reconocidas como Nutritionix y USDA para afinar sus estimaciones. En pruebas internas, los desarrolladores reportan cerca de un 90% de precisión en la identificación de platos e ingredientes.

Conviene situar esto en su justa medida: es un trabajo de fin de carrera, evaluado en un entorno controlado con un grupo reducido de estudiantes, profesores y voluntarios, no un ensayo clínico ni un producto validado por una autoridad sanitaria. Los propios autores lo reconocen: la herramienta está pensada para uso educativo y de bienestar general, no como sustituto de consejo médico, y necesitaría validación en el mundo real antes de cualquier despliegue con fines clínicos. Ese matiz importa porque el campo de la nutrición por imagen —identificar comida y estimar su composición a partir de una foto— es técnicamente exigente: los platos mixtos, las porciones no estandarizadas y la variabilidad de la cocina casera o regional son precisamente donde este tipo de sistemas suele fallar más, y el propio equipo lo señala como línea de mejora futura junto al soporte multilingüe.

Lo relevante no es tanto el prototipo en sí —modesto en escala y todavía sin validación clínica— como la señal que representa: la visión por computador aplicada a la vida cotidiana ha bajado tanto de coste y complejidad que hoy la puede montar un equipo de estudiantes universitarios con datasets moderados, no solo laboratorios corporativos con presupuestos millonarios. Esa democratización de capacidades es, en el fondo, coherente con la tesis de largo plazo que defendemos: cuantas más manos —incluidas las de estudiantes en instituciones fuera de los polos tradicionales de Silicon Valley— puedan construir herramientas de salud preventiva, más rápido se abarata y se extiende el acceso a la monitorización nutricional, un frente clave contra enfermedades crónicas como la diabetes o la obesidad que los propios autores citan como motivación.

Ahora bien, aquí es donde toca ser honestos sobre el corto plazo: la proliferación de aplicaciones de conteo nutricional por IA, muchas de calidad y rigor desigual, plantea un riesgo real de sobreconfianza del usuario en estimaciones que —por bien intencionadas que sean— pueden estar lejos de la precisión clínica necesaria para gestionar, por ejemplo, la diabetes tipo 1. El propio equipo de EPCET es transparente al respecto, y esa honestidad debería ser el estándar de la industria, no la excepción: demasiadas apps de salud con IA se lanzan al mercado con un marketing que sugiere fiabilidad médica sin haber pasado por la validación clínica que ellos mismos reconocen necesitar. Si este tipo de proyectos académicos evoluciona con ese rigor —probando en poblaciones diversas, auditando sesgos por tipo de cocina y comunicando bien sus límites— tenemos un ejemplo pequeño pero genuino de cómo la IA aplicada, paso a paso, construye la infraestructura de salud preventiva y accesible que sostiene el horizonte de abundancia y bienestar del que hablamos: no grandes anuncios, sino miles de herramientas modestas, bien auditadas, que hacen la prevención de enfermedades cotidiana y barata para cualquiera con un móvil.