Determinación de técnicas de aprendizaje supervisado para la optimización de procesos industriales mediante algoritmos de clasificación

Abstract

Los procesos industriales han tenido un avance importante desde la revolución industrial hasta llegar a la industria 4.0, el uso de sistemas que se basan en análisis de datos e Inteligencia Artificial, se han convertido en una herramienta importante para los procesos industriales. Este proyecto de investigación se enfocó en determinar las estrategias de aprendizaje supervisado que permiten optimizar los procesos relacionados con la industria mediante algoritmos de clasificación.

En la primera etapa se realizó una revisión bibliográfica de las técnicas, metodologías y resultados que se han obtenido con la aplicación de estrategias de aprendizaje supervisado. En la segunda parte, se realizó una comparación de los modelos que son idóneos para procesos de la industria. Para la última parte de la investigación se llevó a cabo una interpretación de los modelos identificados para lograr predecir las variables clave en procesos industriales como los tiempos de producción, niveles de inventario y demanda de productos que implementan técnicas de entrenamiento y validación mediante algoritmos de clasificación.

Los resultados de la investigación mostraron que el aprendizaje supervisado, con algoritmos como regresión lineal, máquinas de soporte vectorial, árboles de decisión, Naive Bayes y redes neuronales, se presentan como herramientas clave en diversos sectores industriales. SVM destaca por su alta precisión y manejo de grandes datos, mientras que árboles de decisión y algoritmos como Random Forest y XGBoost son efectivos en tareas específicas. Aunque modelos como las redes neuronales y GBM/XGBoost ofrecen alta precisión y robustez, su entrenamiento es más largo y menos interpretativo. En cambio, la regresión lineal y KNN proporcionan interpretabilidad y tiempos rápidos, aunque con menor precisión. La regresión lineal se presenta como un modelo robusto para predecir variables continuas en procesos industriales, como demanda y niveles de inventario, superando a KNN en estas tareas.