Generación de modelos de aprendizaje automático para la predicción de sólidos totales en la industria láctea
DOI:
https://doi.org/10.24215/15146774e094Palabras clave:
colaboración universidad industria, inteligencia artificial, sólidos totales en leche cruda, modelo predictivoResumen
El presente trabajo detalla la experiencia de un proyecto tecnológico llevado adelante entre una importante industria láctea en la provincia de Santa Fe y el Laboratorio de Gestión de la Información de la Universidad Nacional de Rafaela. La misma consistió en el análisis de sólidos totales en leche cruda y se llevó a cabo mediante una metodología cuantitativa tomando de base el modelo CRISP-DM. Para la etapa de comprensión de datos se realizaron reuniones entre las partes. En la instancia de análisis, se determinaron las variables a ser utilizadas y su procesamiento en modelos estadísticos. Durante el modelado, se analizaron diferentes alternativas con algoritmos de aprendizaje automático, determinando que el que mejor funcionaba era regresión lineal. Para evaluarlos se tomó de referencia el error promedio. Por último, se desarrolló una herramienta, a través de un código en el lenguaje de programación Python, adaptada a la empresa y que pudiera predecir los sólidos totales. El trabajo permitió posicionar a la Universidad como referente en tecnologías y mejora de procesos, como así también acercar a la empresa a la ciencia de datos y a tomar decisiones ágiles e informadas a partir de la reducción de tiempos operativos en la actualización de recetas.
Referencias
Enriquez, D., Sánchez-González, J. y Castro Santander, P. (2012). Efecto de la concentración de sólidos totales de la leche entera y tipo de cultivo comercial en las características reológicas del yogurt natural tipo batido. Agroindustrial Science, 2, 173-180. https://doi.org/10.17268/agroind.science.2012.02.07
Ji, B., Banhazi, T., Phillips, C. J. C., Wang, C. y Li, B. (2022). A machine learning framework to predict the next month's daily milk yield, milk composition and milking frequency for cows in a robotic dairy farm. Biosystems Engineering, 216(9), 186-197. https://doi.org/10.1016/j.biosystemseng.2022.02.013
Hansen, B. G., Li, Y., Sun, R. y Schei, I. (2024). Forecasting milk delivery to dairy – How modern statistical and machine learning methods can contribute. Expert Systems with Applications, 248(C), 123475. https://doi.org/10.1016/j.eswa.2024.123475
Thomas, J., Ramos, E., Gieco, J., Jáuregui, J., Badino, O., Leva, P. y Toffoli, G. (2014). Evolución de la concentración de sólidos útiles en leche de tambos del NE de la Provincia de Santa Fe: Período 2003-2013. Revista FAVE - Ciencias Agrarias, 13(2), 1–14.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Delfina Berra, María Della Torre, Mariano Ferrero
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista, no hagan uso comercial de ella y las obras derivadas de hagan bajo la misma licencia.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
