CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”

gráficos y cuadros

Autores:: Serna Lozada, Fernando

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2024

Institución:: Universidad de San Buenaventura

Repositorio:: Repositorio USB

Idioma:: spa

id	SANBUENAV2_b64e1dc0c63ba9ee7a9b643767030e24
oai_identifier_str	oai:bibliotecadigital.usb.edu.co:10819/23699
network_acronym_str	SANBUENAV2
network_name_str	Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv	CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”
title	CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”
spellingShingle	CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero” Café - Herramientas tecnológicas Inteligencia artificial- Producción de café Café -- Innovaciones tecnológicas 000 - Ciencias de la computación, información y obras generales::003 - Sistemas Chatbot Inteligencia Artificial Machine Learning Café Análisis de datos Toma de decisiones
title_short	CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”
title_full	CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”
title_fullStr	CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”
title_full_unstemmed	CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”
title_sort	CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”
dc.creator.fl_str_mv	Serna Lozada, Fernando
dc.contributor.advisor.none.fl_str_mv	Hidalgo Suárez, Carlos Giovanny
dc.contributor.author.none.fl_str_mv	Serna Lozada, Fernando
dc.subject.armarc.none.fl_str_mv	Café - Herramientas tecnológicas Inteligencia artificial- Producción de café Café -- Innovaciones tecnológicas
topic	Café - Herramientas tecnológicas Inteligencia artificial- Producción de café Café -- Innovaciones tecnológicas 000 - Ciencias de la computación, información y obras generales::003 - Sistemas Chatbot Inteligencia Artificial Machine Learning Café Análisis de datos Toma de decisiones
dc.subject.ddc.none.fl_str_mv	000 - Ciencias de la computación, información y obras generales::003 - Sistemas
dc.subject.proposal.spa.fl_str_mv	Chatbot Inteligencia Artificial Machine Learning Café Análisis de datos Toma de decisiones
description	gráficos y cuadros
publishDate	2024
dc.date.issued.none.fl_str_mv	2024
dc.date.accessioned.none.fl_str_mv	2025-02-10T16:11:04Z
dc.date.available.none.fl_str_mv	2025-02-10T16:11:04Z
dc.type.spa.fl_str_mv	Trabajo de grado - Pregrado
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/TP
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/acceptedVersion
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.citation.none.fl_str_mv	Fernando Serna Lozada et al., “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero.”, Trabajo de grado profesional, Ingeniería de Sistemas, Universidad de San Buenaventura Cali (Valle del Cauca), 2024.
dc.identifier.instname.spa.fl_str_mv	instname:Universidad de San Buenaventura
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad de San Buenaventura
dc.identifier.repourl.spa.fl_str_mv	repourl:https://bibliotecadigital.usb.edu.co/
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/10819/23699
identifier_str_mv	Fernando Serna Lozada et al., “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero.”, Trabajo de grado profesional, Ingeniería de Sistemas, Universidad de San Buenaventura Cali (Valle del Cauca), 2024. instname:Universidad de San Buenaventura reponame:Repositorio Institucional Universidad de San Buenaventura repourl:https://bibliotecadigital.usb.edu.co/
url	https://hdl.handle.net/10819/23699
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	[1] Y. M. Guimarães, J. H. P. P. Eustachio, W. Leal Filho, L. F. Martinez, M. R. do Valle, y A. C. F. Caldana, «Drivers and barriers in sustainable supply chains: The case of the Brazilian coffee industry», Sustain. Prod. Consum., vol. 34, pp. 42-54, nov. 2022, doi: 10.1016/j.spc.2022.08.031. [2] J. A. Suarez-Peña, H. F. Lobaton-García, J. I. Rodríguez-Molano, y W. C. Rodriguez-Vazquez, «Machine Learning for Cup Coffee Quality Prediction from Green and Roasted Coffee Beans Features», en Applied Computer Sciences in Engineering, J. C. Figueroa-García, F. S. Garay-Rairán, G. J. Hernández-Pérez, y Y. Díaz-Gutierrez, Eds., Cham: Springer International Publishing, 2020, pp. 48-59. doi: 10.1007/978-3-030-61834-6_5. [3] M. A. Silva, S. A. Nebra, M. J. Machado Silva, y C. G. Sanchez, «THE USE OF BIOMASS RESIDUES IN THE BRAZILIAN SOLUBLE COFFEE INDUSTRY», Biomass Bioenergy, vol. 14, n.o 5, pp. 457-467, may 1998, doi: 10.1016/S0961-9534(97)10034-4. [4] T. C. Pham, V. D. Nguyen, C. H. Le, M. Packianather, y V.-D. Hoang, «Artificial intelligence-based solutions for coffee leaf disease classification», IOP Conf. Ser. Earth Environ. Sci., vol. 1278, n.o 1, p. 012004, dic. 2023, doi: 10.1088/1755-1315/1278/1/012004. [5] Y.-T. Chang, M.-C. Hsueh, S.-P. Hung, J.-M. Lu, J.-H. Peng, y S.-F. Chen, «Prediction of specialty coffee flavors based on near-infrared spectra using machine‑ and deep-learning methods», J. Sci. Food Agric., vol. 101, n.o 11, pp. 4705-4714, 2021, doi: 10.1002/jsfa.11116. [6] J. Choi, S. Lee, K. Kang, y H. Suh, «Lightweight Machine Learning Method for Real-Time Espresso Analysis», Electronics, vol. 13, n.o 4, Art. n.o 4, ene. 2024, doi: 10.3390/electronics13040800. [7] M. Martello, J. P. Molin, M. C. F. Wei, R. Canal Filho, y J. V. M. Nicoletti, «Coffee-Yield Estimation Using High-Resolution Time-Series Satellite Images and Machine Learning», AgriEngineering, vol. 4, n.o 4, Art. n.o 4, dic. 2022, doi: 10.3390/agriengineering4040057. [8] A. U. Churta, «Desarrollo de un sistema de reconocimiento del estado de los cultivos de café en tiempo real usando redes neuronales artificiales», Rev. CINTEX, vol. 25, n.o 2, Art. n.o 2, dic. 2020, doi: 10.33131/24222208.362. [9] M. de Carvalho Alves, L. Sanches, E. A. Pozza, A. A. A. Pozza, y F. M. da Silva, «The role of machine learning on Arabica coffee crop yield based on remote sensing and mineral nutrition monitoring», Biosyst. Eng., vol. 221, pp. 81-104, sep. 2022, doi: 10.1016/j.biosystemseng.2022.06.014. [10] «How is AI Changing the Future of Specialty Coffee?», Populace Coffee. Accedido: 4 de octubre de 2024. [En línea]. Disponible en: https://populace.coffee/blogs/coffee/how-is-ai-changing-the-future-of-specialty-coffee [11] «Here is how AI and machine learning will impact the coffee industry». Accedido: 4 de octubre de 2024. [En línea]. Disponible en: https://www.comunicaffe.com/here-is-how-ai-and-machine-learning-will-impact-the-coffee-industry/ [12] «Modelo de regresión basado en máquinas de aprendizaje utilizando datos estadísticos del café Colombiano \| Mundo FESC». Accedido: 8 de noviembre de 2024. [En línea]. Disponible en: https://www.fesc.edu.co/Revistas/OJS/index.php/mundofesc/article/view/1499 [13] J. E. Cepeda Galarza y J. A. Murillo Párraga, «Aplicación móvil para la predicción de la roya en café robusta con integración de modelos de inteligencia computacional», bachelorThesis, Calceta: ESPAM MFL, 2023. Accedido: 8 de noviembre de 2024. [En línea]. Disponible en: http://repositorio.espam.edu.ec/handle/42000/2069 [14] «CAPIGI 2011 - ProQuest». Accedido: 7 de noviembre de 2024. [En línea]. Disponible en: https://www.proquest.com/openview/83a6ddf31a4c88d01272fa9fd09e1b10/1?pq-origsite=gscholar&cbl=178200 ido: 16 de octubre de 2024. [En línea]. Disponible en: https://www.digitalcoffeefuture.com/magazineen/five-ai-tools-redefining-the-landscape-of-coffee-quality-control [16] S. Friess, «Management app helps farmers collect data, saving them time and miles; FarmLogs can record planting dates, watering schedules and crop yield.», Int. N. Y. Times, p. NA-NA, jun. 2015. [17] F. Eron, M. Noman, R. R. de Oliveira, y A. Chalfun-Junior, «Computer Vision-Aided Intelligent Monitoring of Coffee: Towards Sustainable Coffee Production», Sci. Hortic., vol. 327, p. 112847, mar. 2024, doi: 10.1016/j.scienta.2024.112847. [18] baristamagazine, «Forecasting the Future: Impact of Artificial Intelligence in Coffee—Part Two», Barista Magazine Online. Accedido: 4 de octubre de 2024. [En línea]. Disponible en: https://www.baristamagazine.com/forecasting-the-future-impact-of-artificial-intelligence-in-coffee-part-two/ [19] A. Chemura, O. Mutanga, M. Sibanda, y P. Chidoko, «Machine learning prediction of coffee rust severity on leaves using spectroradiometer data», Trop. Plant Pathol., vol. 43, n.o 2, pp. 117-127, abr. 2018, doi: 10.1007/s40858-017-0187-8. [20] R. A. R. Rocha et al., «Evaluation of Arabica Coffee Fermentation Using Machine Learning», Foods, vol. 13, n.o 3, Art. n.o 3, ene. 2024, doi: 10.3390/foods13030454. [21] M. K. Sott et al., «Precision Techniques and Agriculture 4.0 Technologies to Promote Sustainability in the Coffee Sector: State of the Art, Challenges and Future Trends», IEEE Access, vol. 8, pp. 149854-149867, 2020, doi: 10.1109/ACCESS.2020.3016325. [22] A. Chemura, O. Mutanga, y T. Dube, «Separability of coffee leaf rust infection levels with machine learning methods at Sentinel-2 MSI spectral resolutions», Precis. Agric., vol. 18, n.o 5, pp. 859-881, oct. 2017, doi: 10.1007/s11119-016-9495-0. [23] J. Sim, C. Mcgoverin, I. Oey, R. Frew, y B. Kebede, «Stable isotope and trace element analyses with non-linear machine-learning data analysis improved coffee origin classification and marker selection», J. Sci. Food Agric., vol. 103, n.o 9, pp. 4704-4718, 2023, doi: 10.1002/jsfa.12546. [24] J. Y. Kim, «Coffee Beans Quality Prediction Using Machine Learning», 3 de febrero de 2022, Social Science Research Network, Rochester, NY: 4024785. doi: 10.2139/ssrn.4024785. [25] «Engaging generation Z customers in coffee house industry : Comparative analysis of the Vietnamese and Finnish markets - Theseus». Accedido: 26 de noviembre de 2024. [En línea]. Disponible en: https://www.theseus.fi/handle/10024/347579 [26] J. P. Rodríguez, E. J. Girón, D. C. Corrales, y J. C. Corrales, «A Guideline for Building Large Coffee Rust Samples Applying Machine Learning Methods», en Advances in Information and Communication Technologies for Adapting Agriculture to Climate Change, P. Angelov, J. A. Iglesias, y J. C. Corrales, Eds., Cham: Springer International Publishing, 2018, pp. 97-110. doi: 10.1007/978-3-319-70187-5_8. [27] L. N. Arcila Diaz, «Uso de Machine Learning para estimar la producción de cultivos frutales: análisis de tendencias y agenda de investigación», Repos. Inst. - USS, 2024, Accedido: 9 de octubre de 2024. [En línea]. Disponible en: http://repositorio.uss.edu.pe//handle/20.500.12802/13018 [28] P. C. Nath et al., «Recent advances in artificial intelligence towards the sustainable future of agri-food industry», Food Chem., vol. 447, p. 138945, jul. 2024, doi: 10.1016/j.foodchem.2024.138945. [29] O. Alsemaree, A. S. Alam, S. S. Gill, y S. Uhlig, «Sentiment analysis of Arabic social media texts: A machine learning approach to deciphering customer perceptions», Heliyon, vol. 10, n.o 9, p. e27863, may 2024, doi: 10.1016/j.heliyon.2024.e27863. [30] M. T. Munir, B. Li, M. Naqvi, y A.-S. Nizami, «Green loops and clean skies: Optimizing municipal solid waste management using data science for a circular economy», Environ. Res., vol. 243, p. 117786, feb. 2024, doi: 10.1016/j.envres.2023.117786. [31] H. A. Mahmoud, S. Essam, M. H. Hassan, y A. S. Sobh, «Modeling circular supply chains as an approach for waste management: A systematic review and a conceptual framework», J. Eng. Res., may 2024, doi: 10.1016/j.jer.2024.05.004. [32] G. P. Sabin et al., «Chapter 5 - Hyperspectral imaging applications», en Chemometrics, F. A. N. Fernandes, S. Rodrigues, y E. G. A. Filho, Eds., Elsevier, 2024, pp. 91-123. doi: 10.1016/B978-0-443-21493-6.00005-8. [33] «Blockchains for industrial Internet of Things in sustainable supply chain management of industry 4.0, a review - ScienceDirect». Accedido: 11 de octubre de 2024. [En línea]. Disponible en: https://www.sciencedirect.com/science/article/pii/S2667344424000094 [34] «Digitalization, sustainability, and coffee. Opportunities and challenges for agricultural development - ScienceDirect». Accedido: 11 de octubre de 2024. [En línea]. Disponible en: https://www.sciencedirect.com/science/article/pii/S0308521X23000653 [35] P. Rani, P. Sharma, y I. Gupta, «Toward a greener future: A survey on sustainable blockchain applications and impact», J. Environ. Manage., vol. 354, p. 120273, mar. 2024, doi: 10.1016/j.jenvman.2024.120273. [36] «AI will shape the future of coffee production – but who stands to benefit? - Coffee Intelligence». Accedido: 4 de octubre de 2024. [En línea]. Disponible en: https://intelligence.coffee/2023/05/ai-in-coffee-production/ [37] «Coffee Artificial Intelligence: Transforming The Coffee Industry \| Boat Basin Cafe • BoatBasinCafe». Accedido: 16 de octubre de 2024. [En línea]. Disponible en: https://boatbasincafe.com/coffee-artificial-intelligence/ [38] A. A. Aguileta, O. S. Gómez, A. A. Aguileta, y O. S. Gómez, «Estudio de calidad y eficiencia de un enfoque de desarrollo software secuencial con programadores solos y en pareja», Ingeniare Rev. Chil. Ing., vol. 27, n.o 2, pp. 304-318, abr. 2019, doi: 10.4067/S0718-33052019000200304. [39] S. M. Velásquez, J. D. V. Montoya, M. E. G. Adasme, E. J. R. Zapata, A. A. Pino, y S. L. Marín, «Una revisión comparativa de la literatura acerca de metodologías tradicionales y modernas de desarrollo de software», Rev. CINTEX, vol. 24, n.o 2, Art. n.o 2, dic. 2019, doi: 10.33131/24222208.334. [40] «Metodologías de desarrollo de software y su ámbito de aplicación: Una revisión sistemática - ProQuest». Accedido: 26 de noviembre de 2024. [En línea]. Disponible en: https://www.proquest.com/openview/937c0ffcf92bf2c2761d76165f34090e/1?pq-origsite=gscholar&cbl=1006393 [41] A. K. Nalendra, «Rapid Application Development (RAD) model method for creating an agricultural irrigation system based on internet of things», IOP Conf. Ser. Mater. Sci. Eng., vol. 1098, n.o 2, p. 022103, mar. 2021, doi: 10.1088/1757-899X/1098/2/022103. [42] D. C. Yen y W. S. Davis, «Rapid application development (RAD)», en The Information System Consultant’s Handbook, CRC Press, 1998. [43] P. Beynon-Davies y S. Holmes, «Design breakdowns, scenarios and rapid application development», Inf. Softw. Technol., vol. 44, n.o 10, pp. 579-592, jul. 2002, doi: 10.1016/S0950-5849(02)00078-2.
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.license.*.fl_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv	openAccess
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2 Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.extent.none.fl_str_mv	113 páginas
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.none.fl_str_mv	Universidad de San Buenaventura - Cali
dc.publisher.branch.spa.fl_str_mv	Cali
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería
dc.publisher.place.none.fl_str_mv	Cali
dc.publisher.program.spa.fl_str_mv	Ingeniería de Sistemas
publisher.none.fl_str_mv	Universidad de San Buenaventura - Cali
institution	Universidad de San Buenaventura
dc.source.other.none.fl_str_mv	Cali
bitstream.url.fl_str_mv	https://bibliotecadigital.usb.edu.co/bitstreams/00df8811-f2b1-441b-a774-303b6e19a0a5/download https://bibliotecadigital.usb.edu.co/bitstreams/a6515098-e5c9-461a-8821-f13b987ce909/download https://bibliotecadigital.usb.edu.co/bitstreams/12bea1ca-8806-4132-9eca-84679d04fd30/download https://bibliotecadigital.usb.edu.co/bitstreams/cb5c4e4d-2108-4ea9-be88-b224bbad18b9/download https://bibliotecadigital.usb.edu.co/bitstreams/cbcddda8-dcfa-451a-b356-8b4c46a6be9b/download https://bibliotecadigital.usb.edu.co/bitstreams/99621ebb-83ea-4315-8e59-b3c80bf2f7df/download https://bibliotecadigital.usb.edu.co/bitstreams/b4da4e33-d268-4564-9662-7b0cf2b99285/download https://bibliotecadigital.usb.edu.co/bitstreams/40e80b8b-acfc-4063-a693-b2b3d144f7f9/download
bitstream.checksum.fl_str_mv	3b6ce8e9e36c89875e8cf39962fe8920 ce8fd7f912f132cbeb263b9ddc893467 f8161e9829a28fdd12dfa6e9a6771c1d c8908c083f33b653f876c89eda14b794 9f7f9e5abd5c602ea7c91877115074d7 04734890347e807b7ffd9430115e1378 7f89cbcdab0f6bc323fb1306ca31a0bf 62de7f6e1814b2eee9dcf8b7f5c8e316
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1837099175930494976
spelling	Hidalgo Suárez, Carlos Giovannyvirtual::3211-1Serna Lozada, Fernando2025-02-10T16:11:04Z2025-02-10T16:11:04Z2024gráficos y cuadrosLa industria del café enfrenta diversos desafíos en un mercado altamente volátil, afectado por factores como el cambio climático, la inestabilidad en los precios y las fluctuaciones en la producción y el consumo a nivel mundial. En este contexto, los actores del sector cafetero, desde los productores hasta los exportadores y comerciantes, necesitan herramientas que les permitan tomar decisiones informadas y en tiempo real. La falta de acceso a información actualizada y la dificultad para procesar grandes volúmenes de datos limitan la capacidad de estos actores para adaptarse a los cambios y optimizar sus estrategias. Para abordar estas problemáticas, se ha desarrollado CoffeeBot, un chatbot que utiliza técnicas avanzadas de inteligencia artificial (IA) y machine learning (ML) para apoyar la toma de decisiones en el sector cafeteroThe coffee industry faces a number of challenges in a highly volatile market, affected by factors such as climate change, price volatility and fluctuations in global production and consumption. In this context, actors in the coffee sector, from producers to exporters and traders, need tools that enable them to make informed and real-time decisions. The lack of access to up-to-date information and the difficulty of processing large volumes of data limit the ability of these actors to adapt to changes and optimise their strategies. To address these issues, CoffeeBot, a chatbot that uses advanced artificial intelligence (AI) and machine learning (ML) techniques to support decision-making in the coffee sector, has been developed. CoffeeBot is fed with a series of datasets related to domestic consumption, production, exports, imports and other key indicators, providing data-driven answers to help understand the market. In addition,PregradoIngeniero de Sistemas113 páginasapplication/pdfFernando Serna Lozada et al., “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero.”, Trabajo de grado profesional, Ingeniería de Sistemas, Universidad de San Buenaventura Cali (Valle del Cauca), 2024.instname:Universidad de San Buenaventurareponame:Repositorio Institucional Universidad de San Buenaventurarepourl:https://bibliotecadigital.usb.edu.co/https://hdl.handle.net/10819/23699spaUniversidad de San Buenaventura - CaliCaliFacultad de IngenieríaCaliIngeniería de Sistemas[1] Y. M. Guimarães, J. H. P. P. Eustachio, W. Leal Filho, L. F. Martinez, M. R. do Valle, y A. C. F. Caldana, «Drivers and barriers in sustainable supply chains: The case of the Brazilian coffee industry», Sustain. Prod. Consum., vol. 34, pp. 42-54, nov. 2022, doi: 10.1016/j.spc.2022.08.031.[2] J. A. Suarez-Peña, H. F. Lobaton-García, J. I. Rodríguez-Molano, y W. C. Rodriguez-Vazquez, «Machine Learning for Cup Coffee Quality Prediction from Green and Roasted Coffee Beans Features», en Applied Computer Sciences in Engineering, J. C. Figueroa-García, F. S. Garay-Rairán, G. J. Hernández-Pérez, y Y. Díaz-Gutierrez, Eds., Cham: Springer International Publishing, 2020, pp. 48-59. doi: 10.1007/978-3-030-61834-6_5.[3] M. A. Silva, S. A. Nebra, M. J. Machado Silva, y C. G. Sanchez, «THE USE OF BIOMASS RESIDUES IN THE BRAZILIAN SOLUBLE COFFEE INDUSTRY», Biomass Bioenergy, vol. 14, n.o 5, pp. 457-467, may 1998, doi: 10.1016/S0961-9534(97)10034-4.[4] T. C. Pham, V. D. Nguyen, C. H. Le, M. Packianather, y V.-D. Hoang, «Artificial intelligence-based solutions for coffee leaf disease classification», IOP Conf. Ser. Earth Environ. Sci., vol. 1278, n.o 1, p. 012004, dic. 2023, doi: 10.1088/1755-1315/1278/1/012004.[5] Y.-T. Chang, M.-C. Hsueh, S.-P. Hung, J.-M. Lu, J.-H. Peng, y S.-F. Chen, «Prediction of specialty coffee flavors based on near-infrared spectra using machine‑ and deep-learning methods», J. Sci. Food Agric., vol. 101, n.o 11, pp. 4705-4714, 2021, doi: 10.1002/jsfa.11116.[6] J. Choi, S. Lee, K. Kang, y H. Suh, «Lightweight Machine Learning Method for Real-Time Espresso Analysis», Electronics, vol. 13, n.o 4, Art. n.o 4, ene. 2024, doi: 10.3390/electronics13040800.[7] M. Martello, J. P. Molin, M. C. F. Wei, R. Canal Filho, y J. V. M. Nicoletti, «Coffee-Yield Estimation Using High-Resolution Time-Series Satellite Images and Machine Learning», AgriEngineering, vol. 4, n.o 4, Art. n.o 4, dic. 2022, doi: 10.3390/agriengineering4040057.[8] A. U. Churta, «Desarrollo de un sistema de reconocimiento del estado de los cultivos de café en tiempo real usando redes neuronales artificiales», Rev. CINTEX, vol. 25, n.o 2, Art. n.o 2, dic. 2020, doi: 10.33131/24222208.362.[9] M. de Carvalho Alves, L. Sanches, E. A. Pozza, A. A. A. Pozza, y F. M. da Silva, «The role of machine learning on Arabica coffee crop yield based on remote sensing and mineral nutrition monitoring», Biosyst. Eng., vol. 221, pp. 81-104, sep. 2022, doi: 10.1016/j.biosystemseng.2022.06.014.[10] «How is AI Changing the Future of Specialty Coffee?», Populace Coffee. Accedido: 4 de octubre de 2024. [En línea]. Disponible en: https://populace.coffee/blogs/coffee/how-is-ai-changing-the-future-of-specialty-coffee[11] «Here is how AI and machine learning will impact the coffee industry». Accedido: 4 de octubre de 2024. [En línea]. Disponible en: https://www.comunicaffe.com/here-is-how-ai-and-machine-learning-will-impact-the-coffee-industry/[12] «Modelo de regresión basado en máquinas de aprendizaje utilizando datos estadísticos del café Colombiano \| Mundo FESC». Accedido: 8 de noviembre de 2024. [En línea]. Disponible en: https://www.fesc.edu.co/Revistas/OJS/index.php/mundofesc/article/view/1499[13] J. E. Cepeda Galarza y J. A. Murillo Párraga, «Aplicación móvil para la predicción de la roya en café robusta con integración de modelos de inteligencia computacional», bachelorThesis, Calceta: ESPAM MFL, 2023. Accedido: 8 de noviembre de 2024. [En línea]. Disponible en: http://repositorio.espam.edu.ec/handle/42000/2069[14] «CAPIGI 2011 - ProQuest». Accedido: 7 de noviembre de 2024. [En línea]. Disponible en: https://www.proquest.com/openview/83a6ddf31a4c88d01272fa9fd09e1b10/1?pq-origsite=gscholar&cbl=178200ido: 16 de octubre de 2024. [En línea]. Disponible en: https://www.digitalcoffeefuture.com/magazineen/five-ai-tools-redefining-the-landscape-of-coffee-quality-control[16] S. Friess, «Management app helps farmers collect data, saving them time and miles; FarmLogs can record planting dates, watering schedules and crop yield.», Int. N. Y. Times, p. NA-NA, jun. 2015.[17] F. Eron, M. Noman, R. R. de Oliveira, y A. Chalfun-Junior, «Computer Vision-Aided Intelligent Monitoring of Coffee: Towards Sustainable Coffee Production», Sci. Hortic., vol. 327, p. 112847, mar. 2024, doi: 10.1016/j.scienta.2024.112847.[18] baristamagazine, «Forecasting the Future: Impact of Artificial Intelligence in Coffee—Part Two», Barista Magazine Online. Accedido: 4 de octubre de 2024. [En línea]. Disponible en: https://www.baristamagazine.com/forecasting-the-future-impact-of-artificial-intelligence-in-coffee-part-two/[19] A. Chemura, O. Mutanga, M. Sibanda, y P. Chidoko, «Machine learning prediction of coffee rust severity on leaves using spectroradiometer data», Trop. Plant Pathol., vol. 43, n.o 2, pp. 117-127, abr. 2018, doi: 10.1007/s40858-017-0187-8.[20] R. A. R. Rocha et al., «Evaluation of Arabica Coffee Fermentation Using Machine Learning», Foods, vol. 13, n.o 3, Art. n.o 3, ene. 2024, doi: 10.3390/foods13030454.[21] M. K. Sott et al., «Precision Techniques and Agriculture 4.0 Technologies to Promote Sustainability in the Coffee Sector: State of the Art, Challenges and Future Trends», IEEE Access, vol. 8, pp. 149854-149867, 2020, doi: 10.1109/ACCESS.2020.3016325.[22] A. Chemura, O. Mutanga, y T. Dube, «Separability of coffee leaf rust infection levels with machine learning methods at Sentinel-2 MSI spectral resolutions», Precis. Agric., vol. 18, n.o 5, pp. 859-881, oct. 2017, doi: 10.1007/s11119-016-9495-0.[23] J. Sim, C. Mcgoverin, I. Oey, R. Frew, y B. Kebede, «Stable isotope and trace element analyses with non-linear machine-learning data analysis improved coffee origin classification and marker selection», J. Sci. Food Agric., vol. 103, n.o 9, pp. 4704-4718, 2023, doi: 10.1002/jsfa.12546.[24] J. Y. Kim, «Coffee Beans Quality Prediction Using Machine Learning», 3 de febrero de 2022, Social Science Research Network, Rochester, NY: 4024785. doi: 10.2139/ssrn.4024785.[25] «Engaging generation Z customers in coffee house industry : Comparative analysis of the Vietnamese and Finnish markets - Theseus». Accedido: 26 de noviembre de 2024. [En línea]. Disponible en: https://www.theseus.fi/handle/10024/347579[26] J. P. Rodríguez, E. J. Girón, D. C. Corrales, y J. C. Corrales, «A Guideline for Building Large Coffee Rust Samples Applying Machine Learning Methods», en Advances in Information and Communication Technologies for Adapting Agriculture to Climate Change, P. Angelov, J. A. Iglesias, y J. C. Corrales, Eds., Cham: Springer International Publishing, 2018, pp. 97-110. doi: 10.1007/978-3-319-70187-5_8.[27] L. N. Arcila Diaz, «Uso de Machine Learning para estimar la producción de cultivos frutales: análisis de tendencias y agenda de investigación», Repos. Inst. - USS, 2024, Accedido: 9 de octubre de 2024. [En línea]. Disponible en: http://repositorio.uss.edu.pe//handle/20.500.12802/13018[28] P. C. Nath et al., «Recent advances in artificial intelligence towards the sustainable future of agri-food industry», Food Chem., vol. 447, p. 138945, jul. 2024, doi: 10.1016/j.foodchem.2024.138945.[29] O. Alsemaree, A. S. Alam, S. S. Gill, y S. Uhlig, «Sentiment analysis of Arabic social media texts: A machine learning approach to deciphering customer perceptions», Heliyon, vol. 10, n.o 9, p. e27863, may 2024, doi: 10.1016/j.heliyon.2024.e27863.[30] M. T. Munir, B. Li, M. Naqvi, y A.-S. Nizami, «Green loops and clean skies: Optimizing municipal solid waste management using data science for a circular economy», Environ. Res., vol. 243, p. 117786, feb. 2024, doi: 10.1016/j.envres.2023.117786.[31] H. A. Mahmoud, S. Essam, M. H. Hassan, y A. S. Sobh, «Modeling circular supply chains as an approach for waste management: A systematic review and a conceptual framework», J. Eng. Res., may 2024, doi: 10.1016/j.jer.2024.05.004.[32] G. P. Sabin et al., «Chapter 5 - Hyperspectral imaging applications», en Chemometrics, F. A. N. Fernandes, S. Rodrigues, y E. G. A. Filho, Eds., Elsevier, 2024, pp. 91-123. doi: 10.1016/B978-0-443-21493-6.00005-8.[33] «Blockchains for industrial Internet of Things in sustainable supply chain management of industry 4.0, a review - ScienceDirect». Accedido: 11 de octubre de 2024. [En línea]. Disponible en: https://www.sciencedirect.com/science/article/pii/S2667344424000094[34] «Digitalization, sustainability, and coffee. Opportunities and challenges for agricultural development - ScienceDirect». Accedido: 11 de octubre de 2024. [En línea]. Disponible en: https://www.sciencedirect.com/science/article/pii/S0308521X23000653[35] P. Rani, P. Sharma, y I. Gupta, «Toward a greener future: A survey on sustainable blockchain applications and impact», J. Environ. Manage., vol. 354, p. 120273, mar. 2024, doi: 10.1016/j.jenvman.2024.120273.[36] «AI will shape the future of coffee production – but who stands to benefit? - Coffee Intelligence». Accedido: 4 de octubre de 2024. [En línea]. Disponible en: https://intelligence.coffee/2023/05/ai-in-coffee-production/[37] «Coffee Artificial Intelligence: Transforming The Coffee Industry \| Boat Basin Cafe • BoatBasinCafe». Accedido: 16 de octubre de 2024. [En línea]. Disponible en: https://boatbasincafe.com/coffee-artificial-intelligence/[38] A. A. Aguileta, O. S. Gómez, A. A. Aguileta, y O. S. Gómez, «Estudio de calidad y eficiencia de un enfoque de desarrollo software secuencial con programadores solos y en pareja», Ingeniare Rev. Chil. Ing., vol. 27, n.o 2, pp. 304-318, abr. 2019, doi: 10.4067/S0718-33052019000200304.[39] S. M. Velásquez, J. D. V. Montoya, M. E. G. Adasme, E. J. R. Zapata, A. A. Pino, y S. L. Marín, «Una revisión comparativa de la literatura acerca de metodologías tradicionales y modernas de desarrollo de software», Rev. CINTEX, vol. 24, n.o 2, Art. n.o 2, dic. 2019, doi: 10.33131/24222208.334.[40] «Metodologías de desarrollo de software y su ámbito de aplicación: Una revisión sistemática - ProQuest». Accedido: 26 de noviembre de 2024. [En línea]. Disponible en: https://www.proquest.com/openview/937c0ffcf92bf2c2761d76165f34090e/1?pq-origsite=gscholar&cbl=1006393[41] A. K. Nalendra, «Rapid Application Development (RAD) model method for creating an agricultural irrigation system based on internet of things», IOP Conf. Ser. Mater. Sci. Eng., vol. 1098, n.o 2, p. 022103, mar. 2021, doi: 10.1088/1757-899X/1098/2/022103.[42] D. C. Yen y W. S. Davis, «Rapid application development (RAD)», en The Information System Consultant’s Handbook, CRC Press, 1998.[43] P. Beynon-Davies y S. Holmes, «Design breakdowns, scenarios and rapid application development», Inf. Softw. Technol., vol. 44, n.o 10, pp. 579-592, jul. 2002, doi: 10.1016/S0950-5849(02)00078-2.info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/CaliCafé - Herramientas tecnológicasInteligencia artificial- Producción de caféCafé -- Innovaciones tecnológicas000 - Ciencias de la computación, información y obras generales::003 - SistemasChatbotInteligencia ArtificialMachine LearningCaféAnálisis de datosToma de decisionesCoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”Trabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionComunidad Científica y AcadémicaPublicationhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001575691virtual::3211-1https://scholar.google.com/citations?user=4QfTUFYAAAAJ&hl=esvirtual::3211-10000-0003-2308-0720virtual::3211-119e1d8c4-f4bf-4b9a-bea4-330895ce7b4evirtual::3211-119e1d8c4-f4bf-4b9a-bea4-330895ce7b4evirtual::3211-1CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://bibliotecadigital.usb.edu.co/bitstreams/00df8811-f2b1-441b-a774-303b6e19a0a5/download3b6ce8e9e36c89875e8cf39962fe8920MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82079https://bibliotecadigital.usb.edu.co/bitstreams/a6515098-e5c9-461a-8821-f13b987ce909/downloadce8fd7f912f132cbeb263b9ddc893467MD52ORIGINALCoffeBot_Serna_Lozada_2024.pdfCoffeBot_Serna_Lozada_2024.pdfapplication/pdf2301717https://bibliotecadigital.usb.edu.co/bitstreams/12bea1ca-8806-4132-9eca-84679d04fd30/downloadf8161e9829a28fdd12dfa6e9a6771c1dMD53Formato_autorizacion_publicacion_repositorio_usbcol_Coffeobota_10_diciembre_2024.pdfFormato_autorizacion_publicacion_repositorio_usbcol_Coffeobota_10_diciembre_2024.pdfapplication/pdf219039https://bibliotecadigital.usb.edu.co/bitstreams/cb5c4e4d-2108-4ea9-be88-b224bbad18b9/downloadc8908c083f33b653f876c89eda14b794MD54TEXTCoffeBot_Serna_Lozada_2024.pdf.txtCoffeBot_Serna_Lozada_2024.pdf.txtExtracted texttext/plain101464https://bibliotecadigital.usb.edu.co/bitstreams/cbcddda8-dcfa-451a-b356-8b4c46a6be9b/download9f7f9e5abd5c602ea7c91877115074d7MD55Formato_autorizacion_publicacion_repositorio_usbcol_Coffeobota_10_diciembre_2024.pdf.txtFormato_autorizacion_publicacion_repositorio_usbcol_Coffeobota_10_diciembre_2024.pdf.txtExtracted texttext/plain7377https://bibliotecadigital.usb.edu.co/bitstreams/99621ebb-83ea-4315-8e59-b3c80bf2f7df/download04734890347e807b7ffd9430115e1378MD57THUMBNAILCoffeBot_Serna_Lozada_2024.pdf.jpgCoffeBot_Serna_Lozada_2024.pdf.jpgGenerated Thumbnailimage/jpeg6653https://bibliotecadigital.usb.edu.co/bitstreams/b4da4e33-d268-4564-9662-7b0cf2b99285/download7f89cbcdab0f6bc323fb1306ca31a0bfMD56Formato_autorizacion_publicacion_repositorio_usbcol_Coffeobota_10_diciembre_2024.pdf.jpgFormato_autorizacion_publicacion_repositorio_usbcol_Coffeobota_10_diciembre_2024.pdf.jpgGenerated Thumbnailimage/jpeg15046https://bibliotecadigital.usb.edu.co/bitstreams/40e80b8b-acfc-4063-a693-b2b3d144f7f9/download62de7f6e1814b2eee9dcf8b7f5c8e316MD5810819/23699oai:bibliotecadigital.usb.edu.co:10819/236992025-02-11 04:31:16.916http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttps://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.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

CoffeeBot: “Herramienta prototipo para la toma de decisiones basada en análisis de datos del sector cafetero”

Publicaciones similares