En México y el mundo, el maíz es una de las plantas más susceptible a padecimientos graves que afectan su desarrollo y el rendimiento de la semilla. Factores como el cambio climático y la llegada poco común de insectos vectores en la actualidad han propiciado que los patógenos que afectan este tipo de cultivos se vuelvan más resistentes. Tener la certeza del tipo de enfermedad que afecta a las plantas es importante en la agricultura ya que genera una mejor toma de decisiones sobre la actuación previa a afectaciones graves. En la actualidad se estima que el 65% del sector agrícola no cuenta con tecnología aplicada a la sanidad vegetal. Se ha trabajado constantemente en el desarrollo de herramientas de visión artificial, procesamiento digital de imágenes y aprendizaje automático para realizar diagnósticos de enfermedades en cultivos. El presente estudio brinda una perspectiva reciente de los avances tecnológicos en la detección de enfermedades en cultivos, su eficiencia y la relación con la búsqueda de la construcción de un sector agrícola productivo y sustentable. Se muestra además un caso de aplicación de detección de enfermedades comunes en cultivos del centro de México, donde se logró un error de identificación mínimo

Modelling a process requires a priori knowledge of the possible causal relationships between the study variables and the response, especially when the raw material is waste. A new approach to characterizing a manufacturing process is presented to extend data that are difficult to obtain by direct experimentation. This research aims to identify industrial applications for derivatives from animal by-products, such as tilapia skin, to develop an alternative methodology for issues related to collagen. Empirical data from a design of experiments (DoE) fed a Markov chain Monte Carlo algorithm in an artificial neural network (MCMC–ANN) for data imputation, numerical simulation, and training. The DoE model presented a coefficient of 86.92% in the observed data in the first stage of the methodology. In the second stage, the predictive model MCMC–ANN presented a mean square error (MSE) of 0.00171, and a standard deviation (SD) of 0.00133. The model was tested using validation data obtained outside the training process. The SD of empirical validation of MCMC–ANN were 1.7890, 0.2051 and 0.0919 for three random points. The product of this research is a four-dimensional predictive model that estimates the yield with decreasing material, energy resources, and the time required for the collagen extraction process from the skin waste of tilapia. The proposed tool obtains a minimum adjustment with a deviation whose tolerance is valid for predicting the collagen extraction yield. MCMC–ANN can be applied to any case that requires a deeper analysis with more data or experiments.

One of the main challenges faced by any manufacturing company is controlling the quality of its products. The complexity of the issue intensifies when quality variables are not only quantitative but also qualitative, which means that decisions related to product quality largely depend on subjective assessments made by experts. This research designed a decision-making control chart for a multidisciplinary quality control system in a tannery company, with the goal of improving product quality in the “Wet Sole” area. The main quality issues were associated with qualitative variables and the lack of standardization in the criteria for making quality-related decisions, which increased dissatisfaction with the final product. The problem was addressed with the support of experts, who mapped the “Wet Sole” area process to identify subprocesses and the quantitative and qualitative variables associated with product quality. Then, through the Analytic Hierarchy Process, operating–quality–decision intervals were defined, which enabled the construction of “decision-making control charts.” These charts became part of the new quality control system. The system was validated by experts, confirming its accuracy and effectiveness in decision-making. Once implemented, the evaluation criteria for quality were standardized within the process, resulting in a significant improvement in product quality.

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 Artificial para que puedan ser usadas en el campo emergente de la ciencia de los datos en diferentes industrias.

El presente estudio se llevó a cabo en una empresa de Purísima del Rincón dedicada a la fabricación de suela a base de EVA moldeada. La empresa pertenece al sector secundario y se encuentra en constante desarrollo, por lo que se han presentado problemas retadores para mantener la calidad en los productos. De acuerdo con las necesidades de la empresa, el objetivo principal fue disminuir el porcentaje de defectivos, conocidos como segunda de mala calidad. El cumplimiento de este objetivo tiene como consecuencias la reducción de los desperdicios y una mayor rentabilidad del negocio. La investigación tiene un enfoque cuantitativo con alcance aplicativo. Se realizó un análisis del entorno con el objetivo de identificar las variables que repercuten en la suela. La información recolectada permitió definir la problemática con la viabilidad del establecer una propuesta de solución para la empresa y lograr un control en la producción. El área de interés susceptible a mejorar se conoce como preforma. Finalmente, de acuerdo con los tiempos disponibles y la información recabada, se logró implementar un sistema de mantenimiento productivo total en el área de interés con la intención de disminuir en por lo menos un 5% la segunda de suela a base de EVA moldeada.

Quality evaluation in production systems represents a significant challenge in the manufacturing industry, particularly in environments where expert judgment plays a key role in managing the inherent uncertainty of the production system. This study proposes a fuzzy multicriteria decision-making control chart, termed Fuzzy Decision-Making Control Chart based on AHP-Extent and Triangular Fuzzy Numbers (FDMCC-AHPE). The method integrates expert knowledge through triangular fuzzy numbers and a Fuzzy Analytic Hierarchy Process supported by Extent Analysis, to define fuzzy decision intervals for quality assessment and subsequently perform a structured analysis to classify the product within a control chart framework. In this framework, expert judgments expressed through linguistic evaluations are systematically translated into triangular fuzzy numbers and processed using FAHP–Extent Analysis, allowing the aggregation of subjective assessments within a structured mathematical decision model. The proposed method was validated in a tannery company, specifically in the retanning process. The industrial case study considers both qualitative criteria, such as surface defects and color uniformity, and quantitative process variables that include bath pH, treatment duration, and processing temperature. The results were compared with an empirical expert-based evaluation and a structured expert assessment supported by a multicriteria decision-making method. The findings demonstrate that the FDMCC-AHPE exhibits greater sensitivity in discriminating between quality states under uncertain evaluation conditions, particularly when samples involve complex evaluation conditions.