Fuente: Oleo Entre todas las herramientas evaluadas, el algoritmo XGBoost obtuvo los mejores resultados.El modelo alcanzó una precisión de clasificación del 90,74 % en la identificación de diez categorías distintas de aceites y logró coeficientes de determinación (R²) superiores a 0,90 en la cuantificación de mezclas binarias y ternarias, lo que demuestra una elevada capacidad predictiva.Mayor transparencia gracias a la inteligencia artificial explicableUno de los aspectos más destacados del trabajo es la incorporación de técnicas de inteligencia artificial explicable mediante el análisis SHAP (SHapley Additive Explanations).Esta herramienta permitió identificar qué variables espectrales y parámetros de relajación tuvieron una mayor influencia en las decisiones adoptadas por los modelos predictivos, aportando un mayor nivel de transparencia e interpretabilidad a los resultados.Según los autores, este enfoque facilita la comprensión de los mecanismos que sustentan la detección de adulteraciones y mejora la confianza en la aplicación práctica de estas herramientas dentro de los sistemas de control alimentario.Hacia métodos más rápidos y aplicables en campoLos investigadores destacan que la combinación de técnicas espectroscópicas, resonancia magnética de baja frecuencia y modelos avanzados de análisis de datos abre nuevas oportunidades para el desarrollo de sistemas rápidos de autentificación del aceite de oliva.La creciente sofisticación de las prácticas fraudulentas y la necesidad de garantizar la calidad y autenticidad de los aceites comercializados están impulsando la búsqueda de metodologías más eficientes que complementen los procedimientos analíticos tradicionales.En este sentido, el marco desarrollado por la Wuhan Polytechnic University podría servir de base para futuras herramientas de inspección rápida, capaces de reforzar los sistemas de control de calidad y contribuir a la protección de consumidores, productores y operadores de la cadena agroalimentaria.