Selección dinámica de modelos de aprendizaje automático para el análisis ambiental en agroecosistemas

Abstract

La inteligencia artificial (IA), y en particular el aprendizaje automático (AA), ofrece herramientas potentes para extraer conocimiento a partir de datos complejos y respaldar decisiones con bases sólidas y fundamentadas. En este contexto, aunque los sistemas de apoyo a la toma de decisiones (SSD) son esenciales para asistir en el análisis de grandes volúmenes de datos, aún persiste el desafío de lograr que sean lo suficientemente flexibles y adaptables a diversos problemas. En este trabajo, se diseñó e implementó un SSD en una página web, basado en la selección dinámica de modelos de AA, orientado a conjuntos de datos biológicos. El sistema es capaz de adaptarse a diferentes bases de datos mediante la selección automática del modelo más adecuado, según la estructura y calidad de los datos disponibles. La metodología empleada fue modular, compuesta por varias etapas que comienzan con la carga de la base de datos y la selección de la variable a predecir, y finalizan en la predicción de nuevas entradas para la toma de decisiones. El trabajo concluye con un caso de estudio, se trabajó con una base de datos que involucra aspectos químicos y biológicos sobre los niveles de residuo de pesticida sobre colmenas melíferas y su impacto en el ambiente.

Artificial Intelligence (AI), and in particular Machine Learning (ML), provides powerful tools for extracting knowledge from complex data and supporting well-founded, evidence-based decision-making. In this context, while Decision Support Systems (DSS) are essential for analyzing large volumes of data, a persistent challenge lies in making them sufficiently flexible and adaptable to a wide range of problems. This work presents the design and implementation of a web-based DSS, focused on biological datasets, which leverages dynamic model selection in ML. The system automatically adapts to different datasets by selecting the most appropriate model based on the structure and quality of the available data. The methodology follows a modular approach, comprising several stages—from database upload and target variable selection to the prediction of new entries for decision support. The work concludes with a case study using a dataset involving chemical and biological aspects related to pesticide residue levels in honeybee hives and their environmental impact.