Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Septiembre, 2018
CONTENIDO
importante, el recurso humano talentoso y trabajador que día tras día con sus
conocimientos y experticia brindan lo mejor de sí para lograr simplemente lo mejor
en rones. Dentro de estos talentos en las industrias del ron existe uno que debe poseer
unas cualidades muy específicas y que son los creadores de los majestuosos rones
que hoy ostentan las primeras posiciones del mundo en su categoría, los Maestros
Roneros.
Los maestros roneros son los espíritus protectores del ron, son los encargados
de cada paso de la fabricación, desde la selección de las melazas hasta el
embotellado. Supervisan el mezclado y envejecimiento del ron con extraordinaria
pasión, paciencia y precisión. Se necesitan unos 15 años de formación para
convertirse en un auténtico Maestro Ronero. Durante este tiempo, los maestros más
experimentados van transmitiendo sus conocimientos a sus sucesores. Cada Maestro
Ronero deja añejar sus creaciones de forma que las futuras generaciones las puedan
usar para mezclar rones y conseguir un añejamiento incluso mejor (Havana Club).
Cada empresa desarrolla sus maestros roneros y ellos serán los creadores y
responsables de la calidad del producto, por lo tanto su efectividad debe ser muy alta.
Fuente: (Boston Consulting Group & MIT Sloan Management Review, 2017)
Según el estudio las razones más comunes por las cuales las empresas están
dispuestas a adoptar IA son: 84% debido a que obtendrían ventajas competitivas, 75%
expresó que al usar IA pudiesen moverse más fácilmente en nuevos negocios, 75%
dijo que nuevos competidores ya estaban utilizando IA en sus negocios y por esto
temen quedarse rezagados, 69% por la presión de la reducción de costos, 61% debido
a que ciertos proveedores ofrecen herramientas con IA y 59% debido a que sus
clientes realizan requerimientos de ofrecer herramientas con IA. (Columbus, 2017)
Sea por la razón que más se adapte al tipo de negocio en el cual se encuentre las
empresas observan cada día más la necesidad de integrar la IA a sus procesos
buscando adaptarse al futuro que debe venir.
Por otro lado los empleados también opinan que el uso de IA en las empresas
traería ventajas a sus rendimientos ya que pudiesen delegar las funciones altamente
repetitivas de sus trabajos para dedicarse más a la parte creativa que trae mayores
recompensas. (Columbus, 2017) La adaptación al cambio es lo que permitirá ser más
exitosos a aquellos que estén dispuestos a cooperar con la IA como parte de sus
herramientas de trabajo.
Por importantes que sean las aplicaciones específicas de la IA, los efectos
económicos más importantes de la inteligencia artificial, el aprendizaje automático y
las nuevas tecnologías asociadas provienen del hecho de que incorporan las
características de las Tecnologías de Propósito General (TPG). La máquina de vapor,
la electricidad, el motor de combustión interna y las computadoras son ejemplos de
tecnologías importantes de propósito general. Cada uno de ellos aumentó la
productividad no solo directamente sino también estimulando importantes
innovaciones complementarias. A su vez, estas coinvenciones ayudaron a dar lugar a
innovaciones en las cadenas de suministro y comercialización masiva, a nuevas
organizaciones con cientos de miles de empleados e incluso a innovaciones
aparentemente no relacionadas, como el tiempo estándar, que se necesitaba para
gestionar los horarios ferroviarios. La inteligencia artificial, y en particular el
aprendizaje automático, ciertamente tiene el potencial de ser omnipresente, mejorarse
con el tiempo y generar innovaciones complementarias, convirtiéndola en candidata
para un TPG importante. (Brynjolfsson, Rock, & Chad, 2018)
procesos físicos y químicos, cuyo equilibrio son los que brindan el grado de calidad
deseado. Esta calidad se expresa mediante los valores cuantitativos de las variables
que se miden tales como cantidad de alcohol, esteres, alcoholes superiores, metanol,
furfural, etc; pero al mismo tiempo de las sensaciones que evocan al ser degustados
consecuencia final y fin del ron. Todas estas variables se pueden traducir en datos,
que pueden ser correlacionados, organizados y disgregados para generar una matriz
cuyos vectores serán los que alimenten un sistema que pueda aprender cómo
interactúan dichas variables, como afectan la calidad y transmitir una predicción
acerca del nivel que se logrará de la misma. Este sistema apoyaría las decisiones de
los maestros roneros e interactuarían con ellos permitiendo además crear un sistema
de entrenamiento perenne que pueda trascender más allá de los límites temporales y
espaciales humanos.
Para ilustrar la relación entre las variables a analizar y las teorías a utilizar
para el desarrollo de esta propuesta de Tesis Doctoral se plantea el siguiente esquema
general donde se presentan de forma general y amplia en la Figura 2.
OBJETIVO GENERAL
OBJETIVOS ESPECIFICOS
MARCO TEORICO
Antecedentes
experto construyen inteligencia en la base de datos para ayudar a los usuarios. Sin la
participación directa de los usuarios, dichos modelos ayudan a los usuarios
clasificando grandes cantidades de datos. Dichos modelos también ayudan a los
tomadores de decisiones con limitaciones de tiempo; al sugerirles alternativas en la
búsqueda y evaluación de datos.
Bases Teóricas
Según la Norma COVENIN 3040-93 los requisitos que debe cumplir esta bebida
alcohólica son:
proviene de un hibrido complejo de dos o más entre las cinco principales especies del
género Saccharum: S. Barberi Jeswiet, S Officinarum L., S Robustum Brandes &
Jesw ex Grassl, S sinense Roxb, y S espontaneum L. (Chen & Chou, 1993)
Al triturar los tallos de caña de azúcar, cada uno liberará una solución de 15-16%
de sacarosa. Unas cien toneladas de caña producirán un promedio de 10 toneladas de
azúcar de 96 grados, con un rendimiento del 10% masa.masa -1. Una hectárea de
plantación entregará 60-70 toneladas de caña cortada. Los centrales azucareros,
dependiendo de la capacidad, pueden moler entre 100-200 toneladas de corte de caña
por hora. (Nicol, 2003)
Las melazas son utilizadas en la producción de ron debido a que son baratas y
pueden ser almacenadas a granel sin mayores tratamientos por largos periodos de
tiempo antes de ser procesadas. Este subproducto de la producción de azúcar contiene
alrededor de 55% m.V-1 de azúcares fermentables, de los cuales 35% son Sacarosa, y
20% una mezcla de fructosa y glucosa. (Fleet & Green, 2010) Al ser recibidas estas
deben ser analizadas para determinar su calidad en la tabla 2 se muestran los valores
característicos de los análisis que se realizan y su clasificación.
Existen al menos seis tipos de melazas las cuales pueden ser utilizadas para la
producción de alcohol: Melaza Negra (Blackstrap Molasses), Melazas de prueba alta
de caña de azúcar (High Test Molasses), Melazas de caña refinada (Refiners cane
molasses), Melazas de remolacha (Beet Molasses), M (Fharasmane & Ganaou-
Parfait, 1998)elazas de remolacha refinadas (Refiners Beet Molasses) y Melazas
Citricas (Citrus Molasses). En el caso de la producción del ron solo las tres primeras
pueden ser utilizadas. (Nicol, 2003)
levaduras, para ello un peso dado de levaduras secas es suspendido en una mezcla de
agua tibia y jugo de caña de azúcar en un matraz. El contenido del matraz se deja
reposar por quince minutos antes de inocular la torre o el tanque de levaduras. Cada
paso es cuidadosamente verificado para asegurar el máximo crecimiento de las
levaduras en el medio bajo condiciones asépticas y aeróbicas. Inicialmente las
melazas deben tener 18 °Brix cuando este nivel decae entre 5 a 6 °Brix y el conteo de
levaduras alcanza 2,0 x 108 levaduras por campo se inocula el tanque completo de
mayor volumen hasta tres a cuatro días de la preparación inicial (Nicol, 2003).
(Quesada-Granados, Samaniego-Sanchez, & Blanca-Herrera, 2016)
internamente por inoculación en las melazas como cultivos iniciadores. (Fleet &
Green, 2010)
El Caribe sigue siendo el armario de algunas plantas cuya destilación sigue siendo
muy tradicional, en donde los alambiques se encuentran hechos de cobre y madera,
tanto en procesos continuos como por lotes, aunque el acero inoxidable ha hecho su
intrusión en estos refugios de la tradición. (Nicol, 2003) En la Figura 5 se detalla uno
de estos alambiques tradicionales que pueden ser de una o dos etapas. En el mismo se
observa que la olla es de madera y la parte superior de cobre. En la Figura 6 se
observa una fotografía de este tipo de alambiques tradicionales. En este tipo de
equipos la olla se calienta mediante el calor que proviene de un serpentín interno
alimentado con vapor (calandria) o por un fuego producido con madera o bagazo
debajo, generalmente en un recinto de ladrillo. La olla está equipada con una tubería
de vapor que conduce a una bobina de condensador sumergida en un tanque de agua.
Como la mezcla fermentada se calienta, el alcohol y otras sustancias volátiles, los
congéneres se destilan, condensan y corren a un tanque de almacenamiento. Por lo
general, la primera fracción destilado contiene mucho de lo más volátil, congéneres
'cabezas' y se descarta como las 'cabezas cortadas'. El proceso continúa hasta que la
mayor parte del alcohol ha sido destilado (Murtagh, 2003).
Este tipo de sistemas puede ser utilizado en serie donde cada etapa es alimentada
por la etapa anterior. En la Figura 7 se muestra este tipo de sistemas con dos etapas de
destilación.
Figura 7.- Destilador de Olla doble.
Este proceso es parecido al propuesto por Arroyo en 1948 citado por (Murtagh,
2003) el sugirió un primer proceso de destilación continua con cinco platos. Este
destilado debía ser colectado separándolo en cinco fracciones según el olor y el
incremento de la temperatura de destilación. Según este método la primera fracción
destilaba entre los 69 y 72 °C, estaba compuesta por sustancias indeseables como
aldehídos, cetonas y ácidos orgánicos, representa el 5% del volumen del destilado
total y debe ser descartada o utilizada para recuperar el etanol remanente en la misma.
La segunda fracción destila entre los 72 y 77 °C representa el 10% del volumen total
del destilado y contiene etanol con cantidades apreciables de esteres y aldehídos. La
tercera fracción destila a la temperatura fija de 78°C posee un contenido alcohólico
de 95°GL es la más grande en volumen con un porcentaje que varía entre los 55 y
60% del volumen total del destilado, el contenido de esta fracción en su mayoría es
etanol con muy pequeñas cantidades de congéneres. La cuarta fracción es colectada
en un rango de destilación entre 78,5 y 85 °C y está caracterizada por la presencia una
gran cantidad de alcoholes superiores de la destilación inicial además de una mayor
proporción de esteres, ácidos y aldehídos que en la fracción anterior. La quinta y
última fracción es colectada entre los 85 y 90°C la cual es muy pobre en etanol y
tiene una apariencia opaca debido a que contiene esteres y aldehídos que son más
solubles en el etanol que en agua.
que para un barril de 45º l es solo de 60 cm 2. Esto significa que al escoger uno u otro
tipo de barril tendrá diferentes consecuencias, al utilizar barriles de menor capacidad
los rones serán más intensas sus cualidades organolépticas y por lo tanto el periodo de
añejamiento será menor que para los barriles de mayor capacidad. (Quesada-
Granados, Samaniego-Sanchez, & Blanca-Herrera, 2016)
Es de hacer notar que a través de los poros de los barriles ocurre también
evaporación tanto del agua como del etanol contenido. Este proceso se ve afectado
según la situación geográfica donde se realice el envejecimiento, en el trópico la tasa
de evaporación es del 10% – 12% al año mientras que en climas más fríos es de
niveles de 2% – 4% al año. (Pacoult, 2015) Mientras que la concentración del agua y
alcohol disminuyen durante la maduración las cantidades relativas de componentes
no volátiles se incrementa. (Maza, 2002)
La IA es una de las ciencias más recientes, este campo comenzó poco después
de la Segunda Guerra Mundial, y el nombre se acuñó en 1956, el mismo fue definido
por primera vez en “A Proposal for the Dartmouth Summer Research Project on
Artificial Intelligence” en esa propuesta los autores definieron un proyecto con un
lapso de duración de 2 meses por 10 personas en las instalaciones del Dartmouth
College en Hanover, New Hampshire y la introducción de la misma decía lo
siguiente:
MARCO METODOLÓGICO
Procedimiento
Fase 1.- Definición de las Variables relacionadas con la calidad del ron
Fase 4.- Validación del Sistema Inteligente mediante comparación con las
ponderaciones establecidas por expertos roneros.
Una vez el sistema haya sido creado deben ser validadas sus predicciones y
para ello se compara el índice de aciertos del sistema con respecto a los valores
reportados por expertos. Este proceso servirá de retroalimentación a la red en su
proceso de entrenamiento continuo. Para llevar a cabo esta fase se requiere de data y
disponibilidad de tiempo de los maestros roneros para apoyar la retroalimentación del
sistema. Al igual que en la Fase 1 se requiere apoyo económico en cuanto a viáticos
para movilización.
BIBLIOGRAFÍA
http://www.infoagro.com/documentos/el_cultivo_cana_azucar.asp
https://www.ecured.cu/Ca%C3%B1a_de_az%C3%BAcar
Venezuela.
Boston Consulting Group & MIT Sloan Management Review. (2017). Reshaping Business
Brynjolfsson, E., Rock, D., & Chad, S. (2018). Artificial Intelligence and the Modern
http://www.cocinayvino.com/bebidas/destilados/los-mejores-rones-del-mundo/
Cesari, M., Cesari, R., Gambaro, A., & Arnau, E. (2013). Analisis de datos provenientes de
Cevoli, C., Cerretani, L., Gori, A., Caboni, M. F., Gallina Toschi, T., & Fabbri, A. (2011).
neural network and comparison with GC–MS analysis of volatile compounds. Food
Chen, J., & Chou, C.-C. (1993). Cane Sugar Handbook. A Manual for Cane Sugar
Manufacturers and their Chemist (Doceava Edición ed.). New York: Jonh Wiley &
Sons, INC.
de https://www.forbes.com/sites/louiscolumbus/2017/09/10/how-artificial-
intelligence-is-revolutionizing-business-in-2017/#4ec6fe125463
Fetzer, J. H. (1990). What is Artificial Intelligence? En Artificial Inteligence: Its scope and
Fharasmane, L., & Ganaou-Parfait, B. (1998). Microbial flora of rum fermentation media.
Fleet, G. H., & Green, V. (2010). The Microbiology and biotecnology in Rum production. En
Gerber, P., Reeves, M., Steinhaüser, S., & Ruwolt, P. (6 de Septiembre de 2017). Boston
https://www.bcg.com/publications/2017/strategy-technology-digital-is-your-
business-ready-artificial-intelligence.aspx
Gonzalez-Fernandez, I., Iglesias-Otero, M. A., Moldes, O. A., Mejuto, J. C., & Simal-Gandara,
J. (2018). A critical review on the use of artificial neural networks in olive oil
and Nutrition.
Havana Club. (s.f.). Havana Club International S.A. Recuperado el 4 de Septiembre de 2018,
de http://ru.havana-club.com/es/havana-patrimonio/maestros-roneros
Hernandez Sampieri, R., Fernandez Collado, C., & Baptista Lucio, P. (2006). Metodología de
Legin, A., Rudnistkaya, A., Lvova, L., DiNatale, C., & D Amico, A. (7 de Mayo de 2003).
analysis and correlation with human sensory perception. Analytica Chimica Acta,
484, 33-44.
Maza, S. (2002). Rum Aroma Descriptive Analysis. Trabajo de Maestria, Louisiana State
University.
Mc Carthy, J., Minsky, M., Rochester, N., & Shannon, C. (2006). A Proposal for the
McCabe, W. L., & Smith, J. C. (1975). Operaciones Básicas de Ingeniería Química (Vol. II).
Moldes, O. A., Mejuto, J. C., Rial-Otero, R., & Simal-Gandara, J. (13 de Octubre de 2017). A
technology. Journal Critical Review in Food Science and Nutrition, 57(13), 2896-
2908.
Mosedale, J. R., & Puech, J.-L. (1998). Wood maturation of distilled beverages. Food Science
Murtagh, J. E. (2003). Feedstocks, Fermentation and Distillation for production of Heavy anf
Light Rums. En The alcohol Textbook a reference for the beverage fuel and industrial
Nicol, D. (2003). Rum. En A. Lea, & J. Pigott, Fermented Beverage Production (págs. 263-
Osorio Monsalve, J., Lopez, C., & Zapata, J. (2016). Caracterización de los aromas en rones
http:www.therumauthority.com/wp-content/uploads/2015/04/TheRumAuthorityM
anual.pdf
Pannu, A. (Abril de 2015). Artificial Intelligence and its application in different areas.
Peigen, Y., Mei Yin, L., & Weibiao, Z. (2018). Development of a partial least squares-artificial
neural network (PLS-ANN) hybrid model for the prediction of consumer liking scores
Perez, R., Gustavo, A., & Vasquez, C. (2015). APLICACIÓN DE LÓGICA BORROSA PARA LA
82-94.
Perry, R., Green, D. W., & Maloney James, O. (1996). Manual del Ingeniero Quimico (Sexta
Ping Zhao, Y., Ping Zheng, X., Song, P., Li Sun, Z., & Tian Tian, T. (2013). Characterization of
Volatiles in the Six Most Well-Known Distilled Spirits. Journal American Society of
Rondon, H. (29 de Agosto de 2016). Buen Gusto Panama SA. Recuperado el 4 de Septiembre
de 2018, de https://www.buengustoonline.com/2016/08/maestros-roneros/
Russel, S., & Norvig, P. (2004). Inteligencia Artificial. Un enfoque moderno (Segunda ed.).
The Boston Consulting Group. (2018). The Boston Consulting Group. Recuperado el 3 de
digital-artificial-intelligence-business.aspx
Torres, M., Torres, E., Rojas, D., & Vasquez, C. (Junio de 2008). MÉTODO DE EVALUACIÓN DE
Viloria, V. (2016). El Ron esa melaza que ríe (Primera ed.). Caracas: Editorial CEC SA El
Nacional.