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.
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.
Análisis ML productizado
Lo que nació como prototipo en Colab terminó como pipeline productivo.
Visibilidad en tiempo real
El equipo ve el estado de los cultivos al día y recibe alertas automáticas.
Resultados & Impacto
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
Backend
Frontend
¿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.