NutriPredictAI: Planificación Inteligente de Recetas Económicas

Introducción

En Colombia, el 36,6 % de la población no pudo acceder a una dieta saludable en 2022 (FAO). La mayoría de soluciones de IA para planificación nutricional ignoran un factor decisivo: el precio.

NutriPredictAI propone primero predecir qué productos van a estar más baratos la próxima semana, y a partir de eso sugerir recetas viables, todo a través de WhatsApp.

Desarrollo

Datos. Consolidé el SIPSA del DANE: 214.198 registros, 245 productos agrícolas, entre 2020 y 2025. Apliqué codificación cíclica del tiempo, lags temporales y descomposición estacional con statsmodels.

Modelos. Comparé dos arquitecturas validadas con TimeSeriesSplit:

El LSTM-MSNet redujo el MAE casi un 46 % al integrar tendencia, estacionalidad y residuos como features adicionales.

Despliegue

Arquitectura de dos capas: WhatsApp + Twilio + Ngrok como interfaz, y un servidor Python local que carga los modelos .keras, ejecuta predicciones y consulta un repositorio de recetas (web scraping). Cuando no hay coincidencias, invoca a llama3-8b-8192 vía Groq con un prompt dinámico construido con los productos más baratos de la semana.

Evaluación

Encuesta a 24 usuarios: 84,7 % satisfechos, calidad del LLM en 4,29/5, utilidad de la predicción en 4,25/5.

Conclusiones

Lo que más me llevo de este proyecto es la confirmación de que incorporar la dimensión económica cambia por completo la utilidad de un sistema de recomendación nutricional. Modelos puramente nutricionales pueden generar planes técnicamente perfectos pero inviables para quien más los necesita.