← Volver a proyectos
GyL Group · Cliente España

Monitoreo agrícola con Machine Learning

Aplicación web de monitoreo de cultivos que integra análisis de datos de sensores IoT con Python y ML, trazabilidad inmutable en AWS QLDB y visualizaciones en tiempo real para alertas de cultivo.

IoT
Sensores con sync nocturno
QLDB
Trazabilidad inmutable
Tiempo real
Visualizaciones y alertas

El Problema

Un cliente en España necesita monitorear cultivos en tiempo real a partir de datos de sensores IoT distribuidos en el campo. Los datos llegan dispersos, el histórico no es auditable y las alertas llegan tarde.

  • • Datos de sensores IoT dispersos y sin un historial confiable
  • • Sin trazabilidad auditable de los datos que alimentan las decisiones
  • • Alertas de cultivo tardías por falta de análisis automatizado
  • • Equipo sin una vista unificada del estado de los cultivos

Mi Proceso

1. Análisis de datos con Python + Colab

Modelé el análisis de los datos de sensores con Python en Google Colab, entendiendo patrones de humedad, temperatura y riego.

  • ✓ EDA de los datos de sensores IoT para detectar patrones de cultivo
  • ✓ Preparación del pipeline de datos con Scikit-learn para señales tempranas
  • ✓ Prototipo rápido en Colab antes de productizarlo

2. Sincronización nocturna a AWS QLDB

Arquitecté una sincronización nocturna de los datos de sensores hacia AWS QLDB, garantizando trazabilidad inmutable.

  • ✓ Ledger de QLDB como fuente de verdad del histórico de sensores
  • ✓ Sync nocturno automatizado con AWS Lambda y EventBridge
  • ✓ Cada dato del historial queda inmutable y auditable

3. Visualizaciones y alertas en tiempo real

Construí la interfaz web con visualizaciones en tiempo real para insights de cultivos y alertas automatizadas.

  • ✓ Visualizaciones en tiempo real con Matplotlib y Seaborn
  • ✓ Alertas automatizadas por umbrales de cultivo definidos con el cliente
  • ✓ Frontend Angular consumiendo la API de Node.js

4. Auditoría de proyecto I+D

El proyecto participó de una auditoría de I+D, validando el diseño de datos y la metodología utilizada.

  • ✓ Documentación del pipeline de datos para la auditoría
  • ✓ Validación de la trazabilidad QLDB como garantía de calidad
  • ✓ Cierre con los hallazgos del equipo de I+D

La Solución

Datos con respaldo auditable

El histórico de sensores deja de ser un archivo perdido: cada lectura queda en un ledger inmutable.

• AWS QLDB como registro inmutable del histórico de sensores
• Trazabilidad completa: qué dato, de qué sensor, en qué momento
• Base para auditoría de datos y decisiones informadas

Análisis ML productizado

Lo que nació como prototipo en Colab terminó como pipeline productivo.

• Pipeline de datos con Python + Scikit-learn
• Análisis de señales de humedad, temperatura y riego
• Sincronización nocturna automatizada sin intervención manual

Visibilidad en tiempo real

El equipo ve el estado de los cultivos al día y recibe alertas automáticas.

• Visualizaciones en tiempo real con Matplotlib/Seaborn
• Alertas automatizadas de cultivo por umbrales
• Una sola vista unificada del campo para el equipo

Resultados & Impacto

I+D
Auditoría de proyecto aprobada
100%
Datos de sensores con trazabilidad
Automáticas
Alertas por umbrales de cultivo
Nocturno
Sincronización IoT automatizada

Aprendizajes Clave

  • ✓ Prototipo a producción: empezar en Colab aceleró la validación de hipótesis antes de invertir en infraestructura.
  • ✓ Ledger como activo: QLDB convirtió el histórico en un activo auditable en vez de un repositorio de datos sueltos.
  • ✓ Alertas que llegan solas: automatizar la sincronización fue lo que hizo la diferencia operativa: sin pipeline, no hay alertas.

Stack Tecnológico

Datos y ML

• Python
• Scikit-learn
• Google Colab
• Matplotlib
• Seaborn

Backend

• Node.js
• AWS Lambda
• AWS EventBridge
• AWS QLDB

Frontend

• Angular
• Visualizaciones en tiempo real

¿Necesitás datos de sensores con respaldo y alertas?

Si tenés dispositivos IoT generando datos que no estás aprovechando, armemos el pipeline: análisis, trazabilidad y alertas.