Desarrollo de modelos de predicción para identificar y prevenir incidencia de Salmonella en aves utilizando herramientas de machine learning para Agrosuper S.A.

Abstract

El presente informe describe un proyecto enfocado en predecir la incidencia de Salmo- nella en crianzas de pollo de Agrosuper S.A., con el fin de cumplir las normativas europeas y potenciar las exportaciones hacia dicho mercado. El trabajo se desarrolló en el área de Producción Animal, en colaboración con el equipo de Sanidad, utilizando herramientas de Machine Learning para identificar los factores críticos que aumentan la probabilidad de Sal- monella. La metodología utilizada fue CRISP-DM, abarcando las etapas de comprensión del nego- cio, preparación e integración de datos, modelamiento y evaluación de resultados. Se trabajó con bases de datos relacionadas con bioseguridad, aseo, días de descanso y presencia histórica de Salmonella. Los modelos se evaluaron utilizando métricas como F1 Score y validación con bootstrap para garantizar la robustez de los resultados. Los resultados muestran que el modelo Gradient Boosting Classifier (GBC) obtuvo un F1 Score promedio de 0,84. Las variables más relevantes identificadas incluyen la presencia en crianzas anteriores, el número de días de descanso, y el cumplimiento de auditorías de bioseguridad. Herramientas como SHAP y Partial Dependency Plot (PDP) permitieron in- terpretar el impacto de estas variables en las predicciones. En la discusión, se evaluó la pertinencia de modelos adicionales, como redes neuronales, que podrían mejorar el rendimiento al capturar patrones más complejos. No obstante, se descartaron debido a limitaciones de tiempo, recursos computacionales y costos. Además, se identificó la necesidad de optimizar los procesos administrativos, asegurando una participa- ción constante de los tomadores de decisiones y una entrega oportuna de bases de datos. Como conclusión, el proyecto cumplió sus objetivos principales, desarrollando un modelo robusto que permite predecir la incidencia de Salmonella y generando recomendaciones espe- cíficas para la Gerencia de Producción de Pollos. Entre las sugerencias destacan: optimizar los días de descanso, fortalecer el control sanitario, y recolectar información adicional sobre infraestructura y alimentación. Un despliegue futuro del modelo bajo la gestión del área de analítica avanzada permitirá monitorear factores críticos en tiempo real, optimizar procesos y aumentar las exportaciones hacia Europa. Finalmente, se recomienda extender la recopilación de datos y mejorar la coordinación con el área de Sanidad para lograr un análisis más completo y un mayor impacto organizacional.