Revista Ciencia & Tecnología
No. 46, 30 de abril de 2025
ISSN: 1390 - 6321
Aprendizaje Automático aplicado a procesos industriales
Trasviña, Ruiz, Rojas
21
Aprendizaje Automático aplicado a procesos industriales
Machine Learning applied to industrial processes
Rosa Jazmín Trasviña Osorio5
rosa.to@purisima.tecnm.mx
https://orcid.org/0000-0003-0895-2009
José Ruíz Tamayo6
jose.rt@purisima.tecnm.mx
https://orcid.org/0000-0002-4837-3696
Erick Rojas Mancera77
Erick.rm@purisima.tecnm.mx
https://orcid.org/0000-0002-5965-9120
Recibido: 29/11/2024; Aceptado: 9/1/2025
Resumen
En una perspectiva práctica, recolectar una muestra pequeña de datos tiene dos argumentos relevantes: su almacenamiento no es
costoso o inconveniente y el procesamiento estadístico es asequible. Sin embargo, actualmente se recolectan datos masivos los cuales
requieren del procesamiento de datos mediante algoritmos para su adecuada interpretación. El Aprendizaje Automático (conocido como
Machine Learning) relacionado al campo estadístico, consiste en extraer, procesar, reconocer patrones y tendencias a partir de los datos.
En este sentido, los algoritmos permiten procesar información útil cuando se generan y obtienen datos masivos. En el presente estudio,
se realizó una investigación documental con alcance descriptivo. Es importante reconocer que, además del campo estadístico, el Machine
Learning cada vez está siendo más aplicado en campos del conocimiento heterogéneos tales como Negocios, Ingenierías Biomédica,
Química y Agricultura. La necesidad de resolver problemas del entorno requiere la incorporación de las metodologías y técnicas de la
Inteligencia Articial para que puedan ser usadas en el campo emergente de la ciencia de los datos en diferentes industrias.
Palabras clave: procesamiento de datos, aprendizaje automático, algoritmos.
Abstract
In a practical perspective, collecting a small sample of data has two relevant arguments: its storage is not expensive or inconvenient,
and statistical processing is aordable. However, massive data requires processing using algorithms for proper interpretation. Machine
Learning, related to the statistical eld, consists of extracting, processing, and recognizing patterns and trends from data. In this sense,
algorithms allow us to process useful information when massive data is generated and obtained. In the present study, documentary
research was carried out with a descriptive scope. It is important to recognize that, in addition to the statistical eld, Machine Learning
is increasingly being applied in heterogeneous elds of knowledge such as Business, Biomedical Engineering, Chemistry and Agriculture.
5 Maestría en Ciencias y Tecnología en Ingeniería Industrial y Manufactura, Tecnológico Nacional de México / ITS de Purísima del Rincón, México
6 Doctorado en Ciencias de la Ingeniería, Tecnológico Nacional de México / ITS de Purísima del Rincón, México
7 Doctorado en Ciencias en Robótica y Manufactura Avanzada, Tecnológico Nacional de México / ITS de Purísima del Rincón, México
22
Revista Ciencia & Tecnología
No. 46, 30 de abril de 2025
ISSN: 1390 - 6321
Aprendizaje Automático aplicado a procesos industriales
Trasviña, Ruiz, Rojas
The need to solve environmental problems requires the incorporation of Articial Intelligence methodologies and techniques so they can
be used in the emerging eld of data science in dierent industries.
Keywords: data processing, machine learning, algorithms.
Introducción
El Machine Learning (ML) tiene sus cimientos en áreas como las matemáticas, estadísticas y computación (Maisueche, 2019), y hoy en día
puede ser considerada como un conjunto de técnicas que pertenecen al campo emergente de la ciencia de los datos. El ML es una rama
de la Inteligencia Articial (IA) que permite la articulación de bases de datos de gran volumen (Big data) y algoritmos para su procesamien-
to y análisis de la información (Osorio & Enerieth, 2020).
El ML puede clasicarse con diferentes enfoques, tales como el aprendizaje supervisado, no supervisado, por refuerzo e híbrido, en donde
el modelo más simple corresponde a un modelo de aprendizaje supervisado. Este tipo de modelo aprende a partir de datos previamente
clasicados, la identicación de patrones y toma de decisiones.
Figura 1. Tipos de aprendizaje
Fuente: Elaboración propia
La resolución de problemas utilizando ML ha crecido de manera exponencial en diferentes tipos de industrias en los últimos años (Rojas,
2020). Profesionistas de diversas áreas han mostrado interés en el aprendizaje de ML, lenguajes de programación y su aplicación para
generar innovaciones tecnológicas. Existen técnicas de ML que permiten generar datos para obtener más información de un problema
de estudio. Algunas de estas técnicas permiten adquirir conocimiento mediante predicciones e identicación de patrones, tales como:
la regresión lineal, polinómica, logística, árboles de decisión, redes neuronales articiales (RNA), redes bayesianas y cadenas de Markov
(Rojas, 2020).
Revista Ciencia & Tecnología
No. 46, 30 de abril de 2025
ISSN: 1390 - 6321
Aprendizaje Automático aplicado a procesos industriales
Trasviña, Ruiz, Rojas
23
El objetivo de este artículo es presentar una descripción de los algoritmos utilizados de ML, así como sus aplicaciones industriales en
diferentes ramas o campos de estudio. A continuación, se presenta la metodología sistemática llevada a cabo para realizar el presente
estudio.
Metodología
Para la revisión de la literatura del presente artículo, se utilizó una metodología con marco descriptivo. Se recolectaron fuentes secund-
arias de bases de datos con acceso abierto de: Science Direct, Scopus, SciELO y Latindex. Los pasos para llevar a cabo el estudio fueron
los siguientes:
Figura 2. Metodología de la revisión de la literatura
Fuente: Elaboración propia
De manera inicial, se revisó la literatura del estado del arte para la recopilación de fuentes relacionadas al ML y su aplicación en industri-
as. Posteriormente, se identicaron las técnicas sobresalientes y mayormente aplicadas de ML, así como su explicación y de resultados
obtenidos. En seguida, se aplicaron criterios de categorización y/o clasicación en el aprendizaje automático para la organización de la in-
formación. Y nalmente, se realizó una síntesis crítica donde se detallaron fortalezas, limitaciones y relaciones de las fuentes secundarias.
Los hallazgos encontrados dentro del estado del arte contribuyeron a la investigación con el objetivo de establecer un sendero que facilite
el reconocimiento de las técnicas y aplicación del aprendizaje automático.
Resultados y discusión
Se entiende que un dato por sí solo no representa un contexto, solo un mero reporte. En este sentido, la información <<conformada por
un conjunto de datos>> sí brinda un contexto sobre algún tópico en particular. Una vez analizada la información, con cierto sentido, dará
paso a la generación de conocimiento.
El término de IA es utilizado a sistemas computacionales en analogía a la inteligencia humana por lo que, la cualidad base de la IA, es la
creación de algoritmos que imiten funciones cognitivas de los seres humanos.
24
Revista Ciencia & Tecnología
No. 46, 30 de abril de 2025
ISSN: 1390 - 6321
Aprendizaje Automático aplicado a procesos industriales
Trasviña, Ruiz, Rojas
El uso de técnicas de IA estriba en la necesidad de resolver problemas convencionales de manera alternativa. La dinámica global requiere
la modicación de perspectivas con enfoque tradicional. Por lo que, la toma de decisiones con ML ofrece este panorama para predecir las
oportunidades emergentes del mercado y tomar mejores decisiones.
Ahora bien, es posible encontrar diferentes productos o modelos derivados de estos programas mediante algoritmos con parámetros
previamente denidos, por ejemplo: ecuaciones matemáticas, grafos, una serie de reglas lógicas, etc. En cuanto al aprendizaje automáti-
co, algunos algoritmos que se encuentran en la literatura las redes neuronales articiales (RNA), Random Forest y Suport Vector Machine
(SVM). La generación de programas computacionales en el aprendizaje automático facilita la determinación de diferentes métricas al
momento de evaluar diferentes tipos de datos.
A continuación, en la siguiente Figura 3, se aprecia el comportamiento de publicaciones relacionadas con ML de Intelligo4Repositorios,
el cual genera mapas de resúmenes de palabras clave de diferentes textos. El resultado de la Figura 3 fue generado con la palabra clave
“Machine Learning”.
Figura 3. Resultados de publicaciones relacionadas a ML.
Fuente: http://repos.explora-intelligo.info
En los últimos tiempos se han desarrollado modelos híbridos a base de principios físicos y técnicas de aprendizaje de ML. Y aunque ini-
cialmente el control predictivo estaba basado principalmente en redes neuronales para el modelado de procesos, mediante el aprendizaje
profundo (por sus siglas en inglés, Deep Learning) ha transicionado a arquitecturas más complejas de memoria a largo plazo y al uso de
redes neuronales convolucionales (Chango, et al., 2024).
La aplicación de ML en las industrias reduce los costos mediante mantenimiento predictivo. A manera de ejemplo, la optimización de los
ujos de producción y transporte, así como la reducción de inventarios, se puede presentar como una respuesta cambiante de los clientes
en el mercado. Tan solo a nivel operacional, las necesidades especícas del mercado demandan habilidades y necesidades tecnológicas
en profesionistas con perl tecnológico o de ciencias de los datos.
Los algoritmos de ML en la industria farmacéutica pueden ser utilizados para la creación de moléculas potenciales candidatos a fármacos
y posteriormente a escala industrial como nuevos medicamentos. Las propiedades de las estructuras químicas pueden caracterizarse
mediante modelos predictivos y pueden ser utilizados para predecir la actividad biológica o farmacológica, toxicidad e interacciones.
Para la validación de estos modelos, se realizan procesos de supervisión y seguimiento de pruebas in vitro e in vivo, así como de ensayos
clínicos (Blasco, et al., 2023).
Revista Ciencia & Tecnología
No. 46, 30 de abril de 2025
ISSN: 1390 - 6321
Aprendizaje Automático aplicado a procesos industriales
Trasviña, Ruiz, Rojas
25
En otro caso de estudio, para la determinación de la calidad del acero, se depende principalmente de su composición química, procesos
de fundición, laminado y de tratamiento térmico. Los defectos de algunas piezas de acero, como las bobinas, puede generarse durante los
procesos de recalentado y laminado dando lugar a la aparición de impurezas de óxidos superciales. El procedimiento para retirar este
tipo de defecto es mediante un proceso químico con ácido clorhídrico. Para este caso, se han aplicado modelos de Máquina de Vectores
de Soporte (por sus siglas en inglés, SVM) para evaluar el grado de limpieza (González-Marcos, 2017).
En la industria metalúrgica se han presentado estudios relacionados a procesos de mecanizado y predicción de la composición de los
productos. Tan solo las reacciones químicas, la naturaleza de las variables de estudio y otros factores aparentemente controlables como
la transferencia de masa y calor, hacen complejo el análisis debido a la caracterización no lineal de la transformación de materiales
(Maisueche, 2019).
Los temas relacionados a ML no son familiares para todos los profesionistas ya que las técnicas pertenecen al campo de la informática.
A continuación, se muestra de manera sintetizada el camino de ML para gente no experta en el tema que tengan la intención de atender
una necesidad para cualquier tipo de industria:
Figura 4. Desarrollo de un modelo de ML.
Fuente: http://repos.explora-intelligo.info
26
Revista Ciencia & Tecnología
No. 46, 30 de abril de 2025
ISSN: 1390 - 6321
Aprendizaje Automático aplicado a procesos industriales
Trasviña, Ruiz, Rojas
Para la descripción de la Figura 4, se detallará el estudio de (Burgos-Naranjo, et al., 2021) en el sector alimenticio para la estandarización
en la formulación de mermeladas:
• Etapa 1: Recolección de datos históricos con una dimensionalidad de 574 las y 22 columnas y se seleccionan variables de interés
de la base de datos, tanto de entrada y salida.
• Etapa 2: Los datos fueron normalizados para cada uno de los sabores de las mermeladas.
• Etapa 3: Los datos atípicos de la base de datos fueron descartados, al igual que aquellos duplicados. Para el caso de datos faltantes,
se sustituyeron por el valor de la mediana de las variables correspondientes (como nota, véase la fuente la fuente para el criterio
de imputación).
• Etapa 4: Se seleccionaron algoritmos de modelos estadísticos multivariados, lineales generalizados y de aprendizaje automático.
Para los casos donde no se pudo normalizar a las variables de respuesta, se adaptaron modelos predictivos como de árboles de
decisión y de k vecinos más cercanos (por sus siglas en inglés, KNN).
• Etapa 5: Los autores (Burgos-Naranjo, et al., 2021), evaluaron los rendimientos de los algoritmos mediante criterios de análisis
estadístico.
En la siguiente Tabla 1, se muestran los resultados obtenidos de los autores para el caso de estudio:
Tabla 1. Error absoluto medio (MAE) de los algoritmos de árboles de decisión y k vecinos más cercanos
Fuente: Burgos-Naranjo, et al., 2021
Como parte de las problemáticas del sistema agroalimentario, (Ruiz-Tamayo, et al., 2024) evaluaron redes neuronales convolucionales
para la detección y clasicación de enfermedades foliares en plantas de maíz (Zea mays L.) tales como el VSM, Plaga y Roya, con el ob-
jetivo de que los agricultores se benecien con diagnósticos más rápidos y precisos para aumentar el rendimiento de las cosechas. Los
autores utilizaron condiciones controladas en una cabina portátil para tomar muestras de imágenes de alta calidad. Dichas condiciones
permitieron capturar información visual de utilidad para la generación de la base de datos. El estudio presentó resultados con precisiones
del 90 y 95% para dos tipos de redes neuronales convolucionales. Sin embargo, como parte de las limitaciones, debido a que la base de
datos de imágenes estuvo en condiciones especícas de luz y entorno, esto limita a la generalización de los resultados para otras áreas
o climas especícos.
Revista Ciencia & Tecnología
No. 46, 30 de abril de 2025
ISSN: 1390 - 6321
Aprendizaje Automático aplicado a procesos industriales
Trasviña, Ruiz, Rojas
27
El desarrollo de modelos compuestos por diferentes herramientas <<algoritmos>> tiene por objetivo mejorar la predicción de problemas
de caso de estudio, para generalizar soluciones e implementar estas metodologías a otros problemas. En el sector de la educación, exis-
ten variables complejas que no se pueden medir de manera directa.
(De La Hoz, et al., 2019) desarrollaron una metodología para clasicar y predecir a los usuarios en el desempeño de los exámenes de
acuerdo con la interacción en plataforma, para nalmente clasicarlos en función del nivel de conocimiento. Las variables de interés
fueron las actividades realizadas por los estudiantes en plataforma: frecuencia de las visitas, tiempo activo y desempeño en exámenes.
Los autores señalan que el proceso fue complejo debido a que la plataforma no les permitió obtener la información de manera depurada.
Y como parte de las limitaciones, conllevó a la recolección individual de la información y depuración de datos atípicos para posteriormente
obtener una base de datos candidata al análisis.
Los resultados de (De La Hoz, et al., 2019) arrojaron que el tiempo del estudiante en plataforma no necesariamente conlleva a que obten-
gan buen desempeño o mejores notas. Y aunque sus resultados arrojaron precisiones del 91% para KNN, clasicador discriminante lineal
del 85% y, 84% para una cuadrática, concluyen con la importancia del papel del docente en identicar los perles de los estudiantes para
favorecer los procesos de enseñanza-aprendizaje.
A manera de resumen, la aplicación de ML a diferentes problemas favorece el análisis de la información y la evaluación del desempeño
para concluir de manera más precisa con la información de entornos especícos. A medida que se presentan restricciones en los datos, la
conjunción de algoritmos ayuda a superar los desafíos en diferentes escenarios para garantizar resultados satisfactorios y tomar mejores
decisiones.
Conclusiones
El aprendizaje automático se ha consolidado como una herramienta esencial para resolver problemas complejos en diversas áreas, como
la salud, las nanzas, el transporte y la tecnología. Su capacidad para analizar grandes volúmenes de datos, identicar patrones y realizar
predicciones precisas ha transformado la forma en que las organizaciones toman decisiones estratégicas.
Sin embargo, el éxito de los modelos de ML depende de factores clave, como la calidad de los datos, la selección de características rel-
evantes y el diseño cuidadoso del modelo. De igual importancia, ofrece una amplia gama de oportunidades en la industria, permitiendo
optimizar procesos, mejorar la toma de decisiones y desarrollar productos.
• Finalmente, puntualizando con los ejemplos mencionados anteriormente, se concluye lo siguiente:
• En la industria farmacéutica, se acelera el descubrimiento de medicamentos y personaliza tratamientos.
• Se puede predecir la demanda con mayor precisión para ajustar inventarios y reducir desperdicios.
• Es posible realizar diagnósticos más precisos la identicación de enfermedades en cultivos para aumentar el rendimiento de las
cosechas.
• Se desarrollan metodologías compuestas para mejorar la predicción y clasicación de la información de las bases de datos.
28
Revista Ciencia & Tecnología
No. 46, 30 de abril de 2025
ISSN: 1390 - 6321
Aprendizaje Automático aplicado a procesos industriales
Trasviña, Ruiz, Rojas
Referencias bibliográcas
Blasco, R. F., Ferrándiz, Á. B., Barbero, A., & Barbero, B. (2023). La profesión farmacéutica frente al reto de la inteligencia articial.
Chango, D. A. C., Anchatipán, A. D. P., & Bedón, F. R. R. (2024). Análisis del Uso de Machine Learning para Sistema de control predictivo a
nivel industrial.Polo del Conocimiento,9(7), 1023-1040.
De La Hoz, E. J., De La Hoz, E. J., & Fontalvo, T. J. (2019). Metodología de aprendizaje automático para la clasicación y predicción de usu-
arios en ambientes virtuales de educación.Información tecnológica,30(1), 247-254.
González-Marcos, A., & Alba-Elías, F. (2017). Machine learning en la industria: el caso de la siderurgia.Economía industrial,55.
Osorio, A., & Enerieth, N. (2020). El derecho de autor en la Inteligencia Articial de machine learning (Copyright Law in the Articial Intelli-
gence of Machine Learning).La propiedad inmaterial, (30).
Rojas, E. M. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo.Revista Ibérica de Sistemas
e Tecnologias de Informação, (E28), 586-599.
Maisueche Cuadrado, A. (2019). Utilización del Machine Learning en la industria 4.0.
Naranjo, Á. I. B., Játiva, D. S. V., & Chávez, D. O. N. (2021). Aplicaciones de la industria 4.0 en la estandarización del proceso productivo de
las mermeladas. Ingeniería Investigación y Desarrollo: I2+ D, 21(1), 39-46.
Ruiz-Tamayo, J., Antonio-Godínez, Z., Becerra-Mendoza, F. P., Rojas-Mancera, E., Trasviña-Osorio, R. J., Villanueva-Jiménez, L. F., y Alman-
za-Rangel, S. (2024). Evaluación Comparativa de Redes Neuronales Convolucionales ResNet-50 y MobileNet-v2 para el Diagnóstico
de Enfermedades Foliares en Cultivos de Maíz.RevistaMultidisciplinariade Ciencia Básica, Humanidades, Arte y Educación,2(8),
47-54.
