OPTIMIZACIÓN DE PROCESOS ORIENTADA POR EL APRENDIZAJE AUTOMÁTICO

UN ESTUDIO DE CASO EN UNA GRANJA AVÍCOLA EN EL SUR DE MINAS GERAIS

Autores/as

Leonardo Romanelli Guimarães Centro Universitario del Sur de Minas - UNISMG https://orcid.org/0009-0007-2807-6241
Rodrigo Franklin Frogeri Centro Universitario del Sur de Minas - UNISMG https://orcid.org/0000-0002-7545-7529
Ana Amélia Furtado de Oliveira Centro Universitario del Sur de Minas - UNISMG

DOI:

https://doi.org/10.36674/mythos.v17i2.1049

Palabras clave:

Inteligencia artificial, Producción de huevos, Proceso, Avicultura, Árbol de regresión M5P, Bosque aleatorio

Resumen

El presente trabajo presenta un estudio de caso sobre la aplicación del aprendizaje automático (ML) en la optimización de la producción de huevos, experimentado en el contexto de una granja del sur de Minas Gerais. A través de esta investigación, se busca analizar la viabilidad de optimizar los procesos productivos de la granja utilizando técnicas predictivas de ML. Para ello, se adoptó una metodología cuantitativa basada en tres etapas principales: recopilación y tratamiento de datos históricos de la granja, construcción de modelos predictivos utilizando el software WEKA y evaluación del rendimiento de los algoritmos aplicados mediante métricas estadísticas como el error medio absoluto (EMA) y el coeficiente de correlación (R). Entre los modelos probados, Random Forest presentó el mejor rendimiento, con un alto grado de correlación y un menor margen de error, lo que lo hace ideal para predicciones operativas. M5P destacó por su equilibrio entre precisión e interpretabilidad, mientras que la regresión lineal, aunque más simple, ofreció resultados satisfactorios y fáciles de comprender. Se cree que los resultados de este informe pueden contribuir al debate y a la reflexión sobre la importancia de la tecnología en la gestión eficiente de la avicultura y su impacto en las pequeñas y medianas granjas de la región, optimizando el uso de los recursos y aumentando la sostenibilidad.

Biografía del autor/a

Leonardo Romanelli Guimarães, Centro Universitario del Sur de Minas - UNISMG

Profesional de la tecnología de la información con experiencia en infraestructura, seguridad y gestión de sistemas corporativos, especializado en entornos SAP. Lleva más de 15 años trabajando en el sector agroindustrial, desarrollando soluciones para la optimización de procesos, la integración de sistemas y la eficiencia operativa. Interesado en la investigación aplicada en las áreas de aprendizaje automático, automatización de procesos y sistemas ERP.

Rodrigo Franklin Frogeri, Centro Universitario del Sur de Minas - UNISMG

Investigador becado por la FAPEMIG – CNPq - Brasil (proceso BPQ-06588-24). Es doctor en Sistemas de Información y Gestión del Conocimiento (2019), máster en Administración (2014) y tiene especializaciones de posgrado en Gestión de TI (2009), Docencia en Educación Superior (2005) y Redes Informáticas (2003). Es licenciado en Informática (2001) y actualmente trabaja como funcionario público federal en el Centro Federal de Educación Tecnológica de Minas Gerais (CEFET-MG). El Dr. Frogeri es profesor titular del Programa de Posgrado en Gestión y Desarrollo Regional del Centro Universitario del Sur de Minas (UNIS-MG, Varginha, Brasil), profesor invitado del programa de Máster en Ciencia de Datos de la Universidad Científica del Sur (Lima, Perú) e investigador visitante del Centro Universitario Integrado, Paraná, Brasil. Ha impartido cursos de MBA en Big Data e Inteligencia Competitiva, MBA en Gestión Estratégica de TI, Ciencia de Datos e Inteligencia Artificial.

Ana Amélia Furtado de Oliveira, Centro Universitario del Sur de Minas - UNISMG

Profesor de Lingüística, Comunicación e Investigación y coordinador del Departamento de Extensión, Investigación e Internacionalización del Centro Universitário do Sul de Minas, FEPESMIG – UNIS, Brasil. Máster y doctorado en Estudios Lingüísticos por la Universidad Estatal de São Paulo – UNESP, campus de São José do Rio Preto, con un proyecto de investigación en el ámbito del análisis lingüístico en textos especializados. Licenciado en Enseñanza de la Lengua Portuguesa.

Citas

Adejola, Y. A., Sibanda, T. Z., Ruhnke, I., Boshoff, J., Pokhrel, S., & Welch, M. (2025). Forecasting egg production performance and fluctuations in commercial free-range poultry systems using a random forest model. Smart Agricultural Technology, 12, 101380. https://doi.org/10.1016/j.atech.2025.101380 DOI: https://doi.org/10.1016/j.atech.2025.101380

Ang, K. L.-M., & Seng, J. K. P. (2021). Big Data and Machine Learning With Hyperspectral Information in Agriculture. IEEE Access, 9, 36699–36718. https://doi.org/10.1109/ACCESS.2021.3051196 DOI: https://doi.org/10.1109/ACCESS.2021.3051196

Bain, M. M., Nys, Y., & Dunn, I. C. (2016). Increasing persistency in lay and stabilising egg quality in longer laying cycles. What are the challenges? British Poultry Science, 57(3), 330–338. https://doi.org/10.1080/00071668.2016.1161727 DOI: https://doi.org/10.1080/00071668.2016.1161727

Berger, Q., Bedere, N., Lagarrigue, S., Burlot, T., Le-Roy, P., Tribout, T., & Zerjal, T. (2025). Unravelling the genetic architecture of persistence in production, quality, and efficiency traits in laying hens at late production stages (p. 2025.02.26.640268). bioRxiv. https://doi.org/10.1101/2025.02.26.640268 DOI: https://doi.org/10.1101/2025.02.26.640268

Brownlee, J. (2016, August 9). How to Work Through a Regression Machine Learning Project in Weka. MachineLearningMastery.Com. https://www.machinelearningmastery.com/regression-machine-learning-tutorial-weka/

Bumanis, N. (2024). Overcoming Data Limitations in Precision Poultry Farming: Processing and Data Fusion Challenges. Procedia Computer Science, 232, 2302–2309. https://doi.org/10.1016/j.procs.2024.02.049 DOI: https://doi.org/10.1016/j.procs.2024.02.049

Cordeiro, A. F., Nääs, I. A., Garcia, R. G., & Valentim, J. K. (2025). Machine Learning-Based Decision Trees to Predict Egg Production Performance in Laying Hens under Heat Stress Conditions. Brazilian Journal of Poultry Science, 27, eRBCA. https://doi.org/10.1590/1806-9061-2025-2130 DOI: https://doi.org/10.1590/1806-9061-2025-2130

Fan, W., Peng, H., & Yang, D. (2025). Review: The application and challenges of advanced detection technologies in poultry farming. Poultry Science, 104(11), 105870. https://doi.org/10.1016/j.psj.2025.105870 DOI: https://doi.org/10.1016/j.psj.2025.105870

Garcia Arismendiz, J. A., & Huertas Zuñiga, S. L. (2024). Improving demand forecasting by implementing machine learning in poultry production company. https://repositorio.ulima.edu.pe/handle/20.500.12724/20750

Ghysels, E., Osborn, D. R., & Rodrigues, P. M. M. (2006). Chapter 13 Forecasting Seasonal Time Series. In Handbook of Economic Forecasting (Vol. 1, pp. 659–711). Elsevier. https://doi.org/10.1016/S1574-0706(05)01013-X DOI: https://doi.org/10.1016/S1574-0706(05)01013-X

Ji, H., Xu, Y., & Teng, G. (2024). Predicting egg production rate and egg weight of broiler breeders based on machine learning and Shapley additive explanations. Poultry Science, 104(1), 104458. https://doi.org/10.1016/j.psj.2024.104458 DOI: https://doi.org/10.1016/j.psj.2024.104458

Kader, M. S., Ahmed, F., & Akter, J. (2021). Machine Learning Techniques to Precaution of Emerging Disease in the Poultry Industry. 2021 24th International Conference on Computer and Information Technology (ICCIT), 1–6. https://doi.org/10.1109/ICCIT54785.2021.9689828 DOI: https://doi.org/10.1109/ICCIT54785.2021.9689828

Khan, S. A., Shukla, A. K., Yadav, S. K., & Vishwakarma, G. K. (2025). Machine learning models for analysis and prediction of optimal egg production. Quality & Quantity. https://doi.org/10.1007/s11135-025-02309-1 DOI: https://doi.org/10.1007/s11135-025-02309-1

Lemke, V., Andrade, J. O., & Komati, K. S. (2024). Machine Learning Techniques for Egg Production Prediction. Ibero-Latin American Congress on Computational Methods in Engineering (CILAMCE). https://doi.org/10.55592/cilamce.v6i06.10159 DOI: https://doi.org/10.55592/cilamce.v6i06.10159

Meshram, V., Patil, K., Meshram, V., Hanchate, D., & Ramkteke, S. D. (2021). Machine learning in agriculture domain: A state-of-art survey. Artificial Intelligence in the Life Sciences, 1, 100010. https://doi.org/10.1016/j.ailsci.2021.100010 DOI: https://doi.org/10.1016/j.ailsci.2021.100010

Meyer, C. (2023). RegressionAnalysis [Weka.classifiers.evaluation]. Class RegressionAnalysis. https://weka.sourceforge.io/doc.dev/weka/classifiers/evaluation/RegressionAnalysis.html

Milosevic, B., Ciric, S., Lalic, N., Milanovic, V., Savic, Z., Omerovic, I., Doskovic, V., Djordjevic, S., & Andjusic, L. (2019). Machine learning application in growth and health prediction of broiler chickens. World’s Poultry Science Journal, 75(3), 401–410. https://doi.org/10.1017/S0043933919000254 DOI: https://doi.org/10.1017/S0043933919000254

Mo, L., Jiang, M., Fang, X., & Shi, X. (2023). A Novel Hybrid STL-Based Model for Egg Price Forecasting. IEIT 2023, AHSSEH 10, 365–382. https://doi.org/10.2991/978-94-6463-230-9_44 DOI: https://doi.org/10.2991/978-94-6463-230-9_44

Ngom, R. V., Jajere, S. M., Watsop, H. M., & Tanyienow, A. (2025). Relation Between Farm Biosecurity Measures and Poultry Production Performances: A Scoping Review. Veterinary Medicine and Science, 11(e70526), 1–10. https://doi.org/10.1002/vms3.70526 DOI: https://doi.org/10.1002/vms3.70526

Papacharalampous, G. A., & Tyralis, H. (2018). Evaluation of random forests and Prophet for daily streamflow forecasting. Advances in Geosciences, 45, 201–208. https://doi.org/10.5194/adgeo-45-201-2018 DOI: https://doi.org/10.5194/adgeo-45-201-2018

Pelletier, N. (2017). Life cycle assessment of Canadian egg products, with differentiation by hen housing system type. Journal of Cleaner Production, 152, 167–180. https://doi.org/10.1016/j.jclepro.2017.03.050 DOI: https://doi.org/10.1016/j.jclepro.2017.03.050

Reichel, F. (2025). Statistically Significant Linear Regression Coefficients Solely Driven By Outliers In Finite-sample Inference (No. arXiv:2505.10738). arXiv. https://doi.org/10.48550/arXiv.2505.10738 DOI: https://doi.org/10.32388/KSZXTM

Reis, M. P., Ferreira, N. T., Gous, R. M., & Sakomura, N. K. (2023). Update and evaluation of the egg production model in laying hens. Animal, 17, 101015. https://doi.org/10.1016/j.animal.2023.101015 DOI: https://doi.org/10.1016/j.animal.2023.101015

Sanders, N. R., & Graman, G. A. (2009). Quantifying costs of forecast errors: A case study of the warehouse environment. Omega, 37(1), 116–125. https://doi.org/10.1016/j.omega.2006.10.004 DOI: https://doi.org/10.1016/j.omega.2006.10.004

Savastano, S., & Scandizzo, P. L. (2017). Farm Size and Productivity: A “Direct-Inverse-Direct” Relationship. World Bank, Washington, DC. https://doi.org/10.1596/1813-9450-8127 DOI: https://doi.org/10.1596/1813-9450-8127

Sharma, A., Jain, A., Gupta, P., & Chowdary, V. (2021). Machine Learning Applications for Precision Agriculture: A Comprehensive Review. IEEE Access, 9, 4843–4873. https://doi.org/10.1109/ACCESS.2020.3048415 DOI: https://doi.org/10.1109/ACCESS.2020.3048415

Siekkinen, K.-M., Heikkilä, J., Tammiranta, N., & Rosengren, H. (2012). Measuring the costs of biosecurity on poultry farms: A case study in broiler production in Finland. Acta Veterinaria Scandinavica, 54(1), 12. https://doi.org/10.1186/1751-0147-54-12 DOI: https://doi.org/10.1186/1751-0147-54-12

Treboux, J., & Genoud, D. (2018). Improved Machine Learning Methodology for High Precision Agriculture. 2018 Global Internet of Things Summit (GIoTS), 1–6. https://doi.org/10.1109/GIOTS.2018.8534558 DOI: https://doi.org/10.1109/GIOTS.2018.8534558

WEKA. (2012, April 12). M5P. GitLab. https://git.cms.waikato.ac.nz/weka/weka/-/blob/abe22514756dbb7ef425bd7d60058d033f93b69f/dev-3-5-8/weka/classifiers/trees/M5P.java

WEKA. (2023, April 17). Wekadocs · stable-3-8 · WEKA / weka · GitLab. GitLab. https://git.cms.waikato.ac.nz/weka/weka/-/tree/stable-3-8/wekadocs

Wen, C., Yan, W., Zheng, J., Ji, C., Zhang, D., Sun, C., & Yang, N. (2018). Feed efficiency measures and their relationships with production and meat quality traits in slower growing broilers. Poultry Science, 97(7), 2356–2364. https://doi.org/10.3382/ps/pey062 DOI: https://doi.org/10.3382/ps/pey062

Wolla, S. A. (2025). The Market for Eggs: How Prices Are Hatched. https://www.stlouisfed.org/publications/page-one-economics/2025/may/market-for-eggs-how-prices-are-hatched

Wu, Z., Zhang, H., & Fang, C. (2024). Research on machine vision online monitoring system for egg production and quality in cage environment. Poultry Science, 104(1), 104552. https://doi.org/10.1016/j.psj.2024.104552 DOI: https://doi.org/10.1016/j.psj.2024.104552

Descargas

PDF (English)

Publicado

2026-02-04

Cómo citar

Guimarães, L. R., Frogeri, R. F., & Oliveira, A. A. F. de. (2026). OPTIMIZACIÓN DE PROCESOS ORIENTADA POR EL APRENDIZAJE AUTOMÁTICO: UN ESTUDIO DE CASO EN UNA GRANJA AVÍCOLA EN EL SUR DE MINAS GERAIS. Revista Mythos, 17(2), 373–387. https://doi.org/10.36674/mythos.v17i2.1049

Descargar cita

Número

Vol. 17 Núm. 2 (2025): UNA LLAMADA A LA ACCIÓN: FORJAR UN FUTURO INTERDISCIPLINAR CON LA INTELIGENCIA ARTIFICIAL

Sección

Recuerdos de acontecimientos científicos

Licencia

Derechos de autor 2025 Leonardo Romanelli Guimarães, Rodrigo Franklin Frogeri, Ana Amélia Furtado de Oliveira

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

A partir de enero de 2024, los autores conservan los derechos de autor de su artículo y conceden a la revista Mythos de FEPESMIG el derecho de primera publicación, estando la obra simultáneamente bajo la licencia Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0), tal y como se recoge en el documento PDF del artículo. Esta licencia establece que el artículo publicado puede ser compartido (permite copiar y redistribuir el material en cualquier medio o formato) y adaptado (permite remezclar, transformar y crear a partir del material para cualquier fin, incluido el comercial) por cualquier persona.