Cómo Allspice usa Pinecone para lograr un 97% de precisión en la identificación de ingredientes

Allspice está construyendo un sistema operativo de cocina integral que atiende dos audiencias simultáneamente: cocineros domésticos que quieren descubrir recetas y generar listas de la compra, y editores de recetas que necesitan herramientas de interacción más allá de la publicidad convencional. El desafío central de la plataforma es inherentemente lingüístico: la comida se describe de formas muy inconsistentes, y la capacidad de reconocer que “un manojo de cilantro” y “cilantro fresco, picado” se refieren al mismo ingrediente es fundamental para casi todo lo que hace el producto.

Antes de adoptar Pinecone, Allspice usaba una arquitectura totalmente NoSQL con Google Cloud Firestore para el almacenamiento de documentos y Typesense para la búsqueda de texto. Typesense gestionaba bien las tareas de búsqueda tradicional, pero cuando la importación de recetas se convirtió en una función central del producto, el equipo se topezó con un límite difícil: los datos de ingredientes son inherentemente desordenados. Las variaciones de redacción, las inconsistencias ortográficas y las descripciones con múltiples modificadores hacían que la coincidencia de texto determinista fuera poco fiable. El equipo también descubrió que almacenar grandes vectores de embeddings directamente en los documentos de Typesense degradaba el rendimiento.

Allspice integró Pinecone como una capa de búsqueda vectorial dedicada y desacoplada junto a su arquitectura existente. Usando el modelo de OpenAI text-embedding-3-large, el equipo creó embeddings de aproximadamente 10.000 ingredientes de su base de datos propietaria y validó inmediatamente el enfoque. La adopción se expandió de forma iterativa: coincidencia de ingredientes, similitud de recetas (“más como esta”), búsqueda difusa de recetas, normalización de entradas de chatbot y recuperación de preguntas frecuentes. La plataforma ahora indexa aproximadamente 110.000 embeddings totales entre recetas e ingredientes, con Google Gemini 2.5 y GPT-4.1-mini gestionando el chatbot y el procesamiento de recetas respectivamente.

El resultado más claro fue el que desbloqueó el producto: la precisión en la identificación de ingredientes subió del 20% aproximado — demasiado baja para una función en producción — al 97%. Ese cambio transformó un flujo inutilizable en una capacidad lista para producción. El equipo configuró Pinecone en una sola tarde, validó un flujo funcional con datos reales y comenzó a lanzar en días en lugar de meses.

Para Allspice, Pinecone es ahora infraestructura semántica más que una solución puntual. A medida que crece la red de editores y escala el volumen de consultas del chatbot, el equipo planea usar la recuperación vectorial para reducir el consumo de tokens de LLM y mejorar la precisión de las respuestas. La capacidad de la plataforma para mapear el lenguaje humano libre a datos estructurados es lo que hace que todo el sistema operativo de cocina se sienta intuitivo — y Pinecone es la capa que conecta esos dos mundos.