El proyecto ha explorado dos enfoques complementarios para la predicción de propiedades físico-químicas de productos terminados: modelos generales entrenados por familia y grupo, y modelos específicos entrenados de forma independiente para cada análisis. Ambos enfoques parten del mismo histórico de datos y utilizan métricas, particiones y criterios de evaluación comunes, lo que permite realizar una comparación directa de sus resultados y de sus implicaciones técnicas.
Los modelos generales presentan como principal ventaja su simplicidad conceptual y operativa. Un único modelo por familia permite predecir simultáneamente varios análisis, reduciendo el número total de modelos a mantener y facilitando su integración en un entorno productivo. En determinadas familias, como Pectina FBC, este enfoque ha demostrado ser eficaz, alcanzando errores medios cercanos o inferiores al umbral objetivo del 5% bajo distintas estrategias de procesado. En estos casos, el modelo general ofrece un buen compromiso entre precisión, estabilidad y facilidad de mantenimiento.
En conjunto, el análisis comparativo realizado en este proyecto indica que una estrategia híbrida puede resultar especialmente adecuada: utilizar modelos generales como primera aproximación en familias donde su rendimiento es satisfactorio y recurrir a modelos por análisis en aquellos casos donde se detectan limitaciones claras. Esta flexibilidad permite adaptar el nivel de complejidad del sistema a las necesidades reales de producción e innovación de CEAMSA, maximizando el valor práctico de los modelos desarrollados. Finalmente se validaran los modelos junto con su implementación en un segundo grupo de testeo y ver su aplicabilidad con los proceso de automatización y la implementación de la API.