Cómo Allspice mejoró la precisión de coincidencia de ingredientes del 20 % al 97 % con Pinecone

Allspice es una empresa de tecnología alimentaria que construye un sistema operativo de cocina integral para consumidores y editores de recetas. En el lado del consumidor, la plataforma ayuda a los cocineros domésticos a descubrir recetas, gestionar el inventario de la despensa y generar listas de la compra automatizadas. Para los editores, Allspice ofrece herramientas interactivas que aumentan la participación y abren flujos de ingresos más allá de la publicidad de display tradicional. En el centro de ambas experiencias está la capacidad de entender los alimentos como lo haría un humano: reconocer que «un manojo de cilantro» y «cilantro fresco picado» son el mismo ingrediente a pesar de una redacción completamente diferente.

Cuando Allspice incorporó la importación de recetas como función principal del producto, chocó contra un muro fundamental. Los datos de ingredientes son inherentemente caóticos: frases con modificadores, variaciones ortográficas, inconsistencias de análisis sintáctico y descripciones informales hacen que la coincidencia determinística sea poco fiable. El equipo había construido sobre una pila NoSQL con Google Cloud Firestore y Typesense, que funcionaba bien para la búsqueda estructurada tradicional pero no podía salvar la brecha semántica entre cómo aparecen los ingredientes en las recetas de origen y cómo se almacenan en la base de datos propia de Allspice. Intentar usar las capacidades vectoriales de Typesense creó problemas adicionales: almacenar grandes embeddings junto a documentos pequeños degradaba el rendimiento general del sistema. Con una precisión de coincidencia de ingredientes de aproximadamente un 20 %, la importación de recetas no era viable como función de producto.

Allspice recurrió a Pinecone como base de datos vectorial dedicada. El equipo incrustó su base de datos propia de aproximadamente 10.000 ingredientes usando el modelo text-embedding-3-large de OpenAI y validó el enfoque de inmediato. La infraestructura serverless y gestionada de Pinecone mantuvo la búsqueda semántica completamente desacoplada del resto de la pila, permitiendo que las cargas de trabajo vectoriales escalasen de forma independiente sin necesidad de rediseñar las capas existentes. Lo que comenzó como un único flujo de coincidencia de ingredientes se expandió de forma iterativa: los embeddings a nivel de receta habilitaron una función de «más recetas como esta», la búsqueda de recetas difusa añadió recuperación flexible junto a los filtros estructurados, y los embeddings Llama alojados en Pinecone apoyaron la normalización de datos del chatbot mapeando entradas de lenguaje libre a representaciones internas estructuradas. La plataforma gestiona ahora aproximadamente 110.000 embeddings de recetas e ingredientes.

Los resultados transformaron el producto. La precisión de coincidencia de ingredientes saltó del 20 % al 97 %, llevando el flujo de importación de recetas de inutilizable a listo para producción. Con esa base establecida, Allspice pudo lanzar una de sus funciones principales — una capacidad que hasta entonces había estado completamente bloqueada. El equipo configuró Pinecone y validó un flujo funcional en una sola tarde, una velocidad esencial para una startup donde la validación de ideas determina qué se lanza. La satisfacción de los usuarios con la búsqueda de recetas mejoró significativamente, y los editores obtuvieron nuevas superficies de participación que aumentaron el tiempo en el sitio y habilitaron ingresos por exportaciones a la compra, suscripciones y comisiones de afiliados.

Allspice está ampliando ahora el papel de Pinecone en sus sistemas de IA conversacional. Los trabajos planificados incluyen la clasificación y recuperación de preguntas frecuentes para relacionar las consultas de los usuarios con el contenido aprobado por los editores, y un uso más amplio de la recuperación vectorial para reducir el uso de tokens de LLM a medida que crezca el volumen de consultas del chatbot. La pila — Pinecone para la recuperación semántica, Gemini 2.5 y GPT-4.1-mini para la generación, y Firestore para el almacenamiento de documentos — mantiene a Allspice independiente del modelo mientras asienta sus funciones de IA en una recuperación fiable y de alta precisión.