Este proyecto modeló el proceso de malteado en la producción de cerveza utilizando técnicas avanzadas de aprendizaje automático para optimizar variables clave que influyen en la calidad y consistencia de la malta. La hipótesis plantea que estas técnicas identifican y ajustan interacciones críticas como la temperatura, humedad y tiempo de germinación, justificadas por la necesidad de garantizar productos de alta calidad en un mercado competitivo. Se empleó una base de datos histórica de 102 registros, sometida a procesos de limpieza y análisis exploratorio. Se implementaron y compararon cuatro modelos predictivos: Random Forest, Gradient Boosting, Regresión Parcial de Mínimos Cuadrados (PLS) y Redes Neuronales, evaluados con métricas como R², RMSE y MAE. Random Forest presentó el mejor desempeño, logrando un R² de 0.775 y un RMSE de 1.388 en la predicción de la friabilidad (%), demostrando su capacidad para capturar dinámicas no lineales como la relación positiva entre FAN y fuerza diastásica (R² > 0.5). Se concluye que el aprendizaje automático proporciona herramientas sólidas para modelar procesos complejos, mejorando la calidad de la malta, optimizando recursos y promoviendo la sostenibilidad en la industria cervecera. Palabras Clave: Aprendizaje automático, modelos predictivos, calidad de la malta, optimización industrial