Estrategia computacional para estimar cuál es la mejor ruta para generar el mejor rendimiento en la cocción del atún a partir de datos reales suministrados por manufactura de atún, utilizando algoritmos de machine learning

En este proyecto al cual se llamo “estrategia computacional para estimar cual es la mejor ruta para generar el mejor rendimiento en la cocción del atún a partir de datos reales suministrados por manufactura de atún, utilizando algoritmos de Machine Learning” sustenta el desarrollo e implementación de un modelo de clasificación sirve para mejorar los procesos de cocción del atún en una de las plantas más grande de procesamiento de atún del Ecuador, ubicada en Posorja. La mayoría de las plantas que procesan atún funcionan con estructuras familiares y con sistemas de información poco robustos, lo que dificulta la toma de decisiones eficientes en los procesos críticos como lo es la cocción del atún, y sus decisiones se basan bajo su experiencia empírica. El proceso de cocción de atún tiene un impacto directo en el rendimiento del pescado y en la rentabilidad de esta categoría, esto debió a que la materia prima representa en el costo total de fabricación del atún, en las latas en un 52%, en pouch 62% y en los lomos congelados un 80%. Esta investigación se enfoca en analizar las principales variables y las mas criticas en el proceso de cocción del atún, como son; la especie, talla, peso de la pieza de atún, tempera de corte de las cocinas y el tiempo de cocción, así mismo el destino final del producto (latas, pouch o lomos congelados). Se utilizo la información histórica de este proceso de enero a mayo del 2025, con más de 4.100 registros. Con estos datos recopilados se entrenaron 10 modelos de clasificación con Python, siendo el modelo Decisión Tree y Random Forest con mayor nivel de accuracy del 98% de precisión. Los resultados de los modelos demostraron una alta correlación entre variables como la talla del atún y tiempo de cocción del atún, así como la temperatura a la cual se corta la cocina o se para el calentamiento y el rendimiento total final. El tener un adecuado dominio de estas variables nos permitirá disminuir la merma y maximizar el rendimiento final del atún después de la cocción, contribuyendo beneficios hasta por 1 millón de dólares mensuales para la categoría de atún.

• Autores: Realpe González, Giovanni
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Corporación Universitaria Remington
• Repositorio: Repositorio institucional Uniremington
• Idioma: spa
• OAI Identifier: oai:repositorio.uniremington.edu.co:123456789/7570
• Acceso en línea: https://repositorio.uniremington.edu.co/handle/123456789/7570
• Palabra clave: Machine Learning; Cocción de atún; Reducción de merma; Optimización de procesos; Random Forest; Industria atunera; Atún; Aprendizaje automático (Inteligencia artificial); Mejoramiento de procesos
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)