Si un alimento no es seguro para comer, es mejor descubrirlo antes de que alguien lo coma. Pero las pruebas manuales de todos los frascos y biberones no son posibles, incluso cuando se conoce una amenaza, como el reciente susto de comida para bebés. Los investigadores del MIT han encontrado una forma de comprobar muchos elementos de forma instantánea, no invasiva y desde la distancia: utilizando las etiquetas RFID que muchos productos ya tienen.

La identificación por radiofrecuencia o RFID utiliza una pequeña antena incorporada en una pegatina o etiqueta que se activa y alimenta con ondas de radio a una frecuencia muy específica. Cuando un transceptor envía una señal de 950 MHz, la etiqueta RFID se activa y vuelve a transmitir una señal ligeramente diferente que se identifica a sí misma.

Lo que los investigadores descubrieron fue que esta señal de retorno, fuera de la parte real que contiene información, puede verse afectada por el contenido real del producto, ya que las ondas de radio tienen que pasar a través de ellos. En consecuencia, un frasco lleno de salsa de pasta y uno lleno de aceitunas produciría diferentes perfiles de señal, al igual que un frasco de alimentos para bebés sin tocar en comparación con uno contaminado con melamina.

“Es casi como si hubiéramos transformado las RFID baratas en pequeños espectroscopios de radiofrecuencia”, dijo Fadel Adib, coautor del artículo que describe el nuevo sistema, en un comunicado de prensa del MIT.

El problema es que estas diferencias pueden ser muy pequeñas y no habían sido  documentadas en ninguna parte, esta es la primera vez que alguien lo intenta. Así que, naturalmente, el equipo recurrió al aprendizaje automático. Prepararon un modelo que puede decir con seguridad a qué corresponde un perfil de señal, con las pequeñas variaciones que provienen de, por ejemplo, pequeñas diferencias en la orientación o el ancho del vidrio.

En este momento, el sistema, al que llaman RFIQ, puede diferenciar entre la fórmula para bebés pura y la contaminada con melamina, y entre varias adulteraciones de alcohol etílico puro.

La tarea solo se hará más difícil, ya que se agregan al problema cosas como las variables ambientales (estantes) y otras interferencias inalámbricas. Pero los algoritmos de aprendizaje automático son buenos para extraer la señal del ruido, así que con suerte la técnica funcionará sin demasiados problemas.