Pregunta a un formulador sénior cómo aborda un brief nuevo y rara vez oirás algo que suene a búsqueda. Te hablará de una base en la que confía, de una materia prima que se comporta mal por encima de cierto nivel, de un modo de fallo que ya ha visto antes, o de un truco que le enseñó un compañero hace quince años. Es experiencia profunda, y vive sobre todo en las personas.
La empresa ya ha pagado por una versión mucho mayor de ese conocimiento. Cada ensayo que se pesó, midió, olió, rechazó o reformuló durante las últimas dos décadas es un dato sobre cómo se comporta el espacio de formulación. La mayor parte de ese histórico está registrado como recetas, hojas de cálculo, informes y notas escritas para humanos, no para modelos.
Por eso la IA de formulación sigue siendo difícil en la práctica.
Supongamos que el histórico existe en forma estructurada. ¿Qué puedes hacer realmente con él? Bastante, y la respuesta útil empieza por el flujo de trabajo que los formuladores ya conocen: el diseño de experimentos.
Del DoE al aprendizaje acumulativo
El DoE ya es el modelo mental correcto. Define las variables, elige experimentos que cubran el espacio con inteligencia, ejecútalos, mide los resultados y aprende qué importa.
El problema es que cada campaña se comporta demasiado a menudo como un empezar de cero.
Un equipo puede pasar semanas explorando niveles de ingredientes y condiciones de proceso para un brief, y empezar el siguiente proyecto con la memoria del formulador como único vehículo de ese conocimiento. Cuando los ensayos históricos están estructurados, eso cambia.
La primera campaña quizá siga necesitando una cobertura experimental amplia. Pero después de que el sistema haya visto cientos o miles de ensayos, el siguiente diseño no tiene que fingir que no se sabe nada. Los modelos predictivos pueden estimar qué regiones son prometedoras, qué combinaciones fallan una y otra vez, y dónde la incertidumbre sigue siendo alta. Los métodos de diseño secuencial, incluida la optimización bayesiana, pueden entonces ayudar a elegir los siguientes experimentos a partir de lo ya aprendido.
Aquí es donde los métodos bayesianos son útiles: los experimentos de banco son caros, y el siguiente experimento debería estar informado por los anteriores. El trabajo en optimización de reacciones ha demostrado que la optimización bayesiana puede reducir la carga experimental, y trabajos específicos de formulación han aplicado ideas relacionadas a la selección de ingredientes y la optimización de concentraciones.
El objetivo es simple: cada DoE debería hacer el siguiente más pequeño, más inteligente o ambas cosas.
Los datos difíciles están en las notas
La parte numérica suele ser la parte fácil.
Niveles de ingredientes, temperaturas de proceso, viscosidad, pH, medidas de estabilidad y coste encajan de forma natural en pipelines ordinarios de aprendizaje supervisado. En muchos casos, los modelos de árboles y los métodos de boosting son baselines sólidos antes de que nada más exótico esté justificado.
La parte difícil es todo lo que un formulador escribe junto a los números.
Esos comentarios contienen a menudo la razón por la que un experimento falló, y por tanto la información necesaria para no repetirlo.
Una columna binaria de éxito/fracaso colapsa todos esos desenlaces en la misma etiqueta. Una capa de datos de formulación útil tiene que conservar la nota original y conectarla con conceptos estructurados como defectos sensoriales, fallos de proceso, inestabilidad, problemas de textura o restricciones regulatorias. El vocabulario no puede imponerse con demasiada agresividad: el lenguaje de formulación es específico del producto, del proceso y de la empresa.
Este es un lugar donde los modelos de lenguaje pueden ayudar sin convertirse ellos mismos en el modelo científico. Pueden normalizar notas inconsistentes, proponer etiquetas estructuradas, enlazar sinónimos y hacer aflorar modos de fallo recurrentes manteniendo la observación original unida al registro.
El modelo debe aprender del conocimiento del formulador, no borrarlo durante el preprocesado.
Ordenar antes del banco
Una vez existe ese histórico, el primer sistema útil no necesita generar recetas nuevas mágicas. Necesita ordenar buenas hipótesis.
Ante un brief nuevo, recuperar las fórmulas históricas relevantes. Predecir propiedades y modos de fallo probables. Identificar regiones de ingredientes o de proceso asociadas a problemas anteriores. Y entonces proponer un conjunto más pequeño de experimentos que equilibre el rendimiento esperado con la incertidumbre y la diversidad.
El tiempo de banco sigue siendo el recurso escaso. El trabajo del modelo es conseguir que una semana de experimentos empiece desde lo que la empresa ya sabe, en lugar de desde una página en blanco.
Cada edición, rechazo y explicación añade información. Una fórmula rechazada por demasiado cara es distinta de una rechazada porque la emulsión se rompe. Capturar esas decisiones significa que cada ciclo de desarrollo mejora el dataset que usará el siguiente.
Dónde entran los modelos generativos
Los modelos generativos se vuelven interesantes cuando la capa histórica es lo bastante rica para representar qué aspecto tienen las fórmulas plausibles y cómo se relacionan las formulaciones con las propiedades medidas.
Ya hay evidencia de que esto es posible. Autoencoders variacionales entrenados sobre grandes datasets curados de formulación han aprendido representaciones útiles y han generado sugerencias de cantidades de ingredientes para la deformulación de productos químicos.
El problema de largo plazo más interesante es la reformulación: partir de algo que ya funciona, cambiar una restricción y preservar las propiedades que importan. Sustituir un ingrediente restringido. Reducir coste. Avanzar hacia una etiqueta más limpia. Adaptar una fórmula a un mercado nuevo perturbando lo demás lo mínimo posible.
Eso sigue siendo un problema de investigación, sobre todo cuando los datos públicos son escasos y el rendimiento depende del historial de proceso y de propiedades sensoriales mal medidas. Pero solo se vuelve tratable después de estructurar el histórico de formulación subyacente.
Nuestra apuesta es que la formulación generativa no llegará porque una arquitectura de modelo se vuelva de repente lo bastante buena. Llegará porque las empresas empiecen por fin a acumular conocimiento experimental reutilizable.
Un buen laboratorio de formulación ya aprende de cada experimento.
La oportunidad es que el software también aprenda.
Referencias
Shields, B. J.; Stevens, J.; Li, J.; Parasram, M.; Damani, F.; Martinez Alvarado, J. I.; Janey, J. M.; Adams, R. P.; Doyle, A. G. (2021). Bayesian reaction optimization as a tool for chemical synthesis. Nature, 590, 89–96. DOI: 10.1038/s41586-021-03213-y.
Cao, L.; Russo, D.; Matthews, E.; Lapkin, A.; Woods, D. (2023). Computer-aided design of formulated products: A bridge design of experiments for ingredient selection. Computers & Chemical Engineering, 169, 108083. DOI: 10.1016/j.compchemeng.2022.108083.
Sevgen, E.; Kim, E.; Folie, B.; Rivera, V.; Koeller, J.; Rosenthal, E.; Jacobs, A.; Ling, J. (2021). Toward Predictive Chemical Deformulation Enabled by Deep Generative Neural Networks. Industrial & Engineering Chemistry Research, 60(39), 14176–14184. DOI: 10.1021/acs.iecr.1c00634.
Russo, D.; Cao, L.; Koshy, P.; Lapkin, A. A. (2022). Computer-aided design of formulated products. Current Opinion in Colloid & Interface Science, 57, 101536. DOI: 10.1016/j.cocis.2021.101536.