APLICACIN DE INTELIGENCIA ARTIFICIAL EN LA INDUSTRIA ALIMENTICIA.

La metodologa aplicada a este caso, buscaba seleccionar canales de excelente calidad en los que se exiga cumplir unos patrones de caractersticas necesarios para considerar al canal como de calidad y as otorgar mejores precios, esta metodologa sintetiza el conocimiento de los expertos mediante herramientas de Aprendizaje Automtico. La conformacin de los canales no involucra variables como el sexo, edad o condiciones de produccin, lo que a la vez provoca un sistema de clasificacin muy vago y no facilita la implementacin de restricciones especificas, sin embargo, para la implementacin de estas herramientas se destacaron variables que caracterizaban de forma general la calidad del canal; peso, medidas lineales, desarrollo muscular de las regiones ms valoradas como el lomo, la curvatura convexa o cncava, reas, volmenes, entre otros, sumaban en total 27 atributos. El objetivo de esta tarea es demostrar que esta actividad puede ser aprendida e integrada a aplicativos en los que se utilice el mnimo nmero de atributos a tener en cuenta en pro de la automatizacin del proceso y la implementacin en entornos industriales. La cantidad de atributos no puede ser obtenida en matadero, por ende se desarrollo el aplicativo que integraba el conocimiento de expertos con la toma de tres imgenes digitales (externa, interna, lateral) de cada canal. Se referenci mtricamente a una distancia de 25 cm, en las imgenes se procesaron 21 puntos y 5 perfiles para calcular los 27 atributos. La diferencia entre puntos y con la referencia mtrica permite el clculo directo de longitudes y volmenes, para la curvatura se utiliz un funcin (f) representativa y la estimacin de la media del valor de la segunda derivada en cada uno de los puntos del perfil marcado. Seguido se obtuvo un conjunto de entrenamiento que sera analizado mediante algoritmos de aprendizaje automtico, Se clasificaron individualmente y se fotografiaron 104 canales, el sistema de clasificacin se dio de 1 a 6, aadiendo variables de tipo +0,25 y -0,25, y as se dispusieron entonces 243 clasificaciones diferentes que formaran el conjunto de entrenamiento, el cual se considera una muestra representativa de la distribucin real de

atributos. Generando as la base de datos necesaria para el trabajo con los algoritmos de aprendizaje; Cubist (Cubist, 2000), M5 (Quinlan, 1993;Wang y Witten, 1997), Safe (System to Acquire Functions from Examples), Bets (Best Examples in Training Sets) (del Coz et al., 1999) y Lc3 (Learning to Calculate Continuous Clases) (Gonzlez y Alonso, 2001), los cuales generan reglas de regresin que permiten obtener un valor numrico de las categoras. Realizando las pruebas se han llevado a cabo validaciones cruzadas con el conjunto de entrenamiento dividido en 10 particiones y efectuando 5 repeticiones, midiendo as la calidad del aprendizaje en la clasificacin de las canales, se calcula el error absoluto medio de cada sistema. La diferencia media absoluta de tres expertos en el procesamiento de las canales es de 0.41 para el primero, 0.39 para el segundo, 0.41 para el tercero, la regresin lineal dada en el procesamiento con algoritmos de aprendizaje automtico presento un valor de 0,45, mientras que el valor promedio presentado en las clasificaciones es de 0.74. De este anlisis se desprendera que el estudio de los canales a travs de estas herramientas presenta una importante viabilidad ya que se mantiene una precisin muy cercana a la dada por los expertos. Sin embargo el nmero de atributos