Cómo IBM ayuda a SupPlant a convertir miles de millones de señales de datos en decisiones de riego en tiempo real a escala global
SupPlant transforma los datos de sensores, satélites, meteorológicos y de cultivos en recomendaciones de riego en tiempo real que ayudan a los agricultores a tomar mejores decisiones en 14 países y con 33 cultivos, utilizando IBM watsonx.data para almacenar y recuperar los datos e IBM Confluent para ofrecer las recomendaciones.
Una ola de calor no espera a que un agricultor interprete un panel de control. Si el suelo se seca, el crecimiento de los frutos se ralentizará y, cuando el clima cambia de la noche a la mañana, la decisión de regar debe tomarse rápida y con confianza. Muy poca agua puede estresar los cultivos y reducir el rendimiento, pero demasiada agua puede provocar un desperdicio de dinero y energía.
SupPlant construyó su experiencia digital en torno a esos momentos. La empresa convierte los datos de sensores, satélites, meteorológicos y de cultivos en recomendaciones claras de riego enviadas a través de WhatsApp. Estas recomendaciones ayudan a más de 100 000 agricultores de 14 países y más de 33 tipos de cultivos a actuar antes de que las condiciones cambiantes del campo se conviertan en problemas costosos.
Su ámbito de trabajo es un reto de ingeniería familiar: absorber datos diversos, procesarlos rápido, hacerlos útiles, atender a múltiples segmentos de usuarios y mantener la experiencia sencilla.
La implementación de SupPlant sirve como una lección útil para los equipos que crean sistemas de IA. La parte más difícil no siempre es el modelo; es conectar las respuestas correctas con el usuario adecuado en el momento adecuado y en el lugar adecuado.
Esta publicación explica cómo SupPlant creó una solución en la nube en AWS con IBM Confluent, Astra DB en IBM watsonx.data, motores de análisis, modelos de IA que admiten la ingestión, el procesamiento y la entrega en tiempo real. Esta solución funciona junto con WhatsApp para generar y ofrecer recomendaciones de riego personalizadas y precisas a escala global.
SupPlant atiende a tres grupos principales de usuarios. Los pequeños agricultores, que suelen explotar hasta 50 hectáreas, utilizan el producto "Plant" sin sensores. Los productores empresariales que gestionan cultivos de alto valor como paltas, cítricos, almendras y uvas utilizan el producto SNS basado en sensores más sofisticado de SupPlant para el riego de precisión. Por último, los gobiernos y los grandes programas agrícolas utilizan un modelo híbrido que combina sensores físicos con datos satelitales para prestar apoyo a numerosos agricultores en amplias regiones.
SupPlant ofrece actualizaciones precisas y automatizadas a través de WhatsApp
En todos los segmentos, las necesidades de los usuarios se mantienen constantes: una guía de riego práctica. En este contexto, la agricultura de precisión significa utilizar datos sobre las plantas, el suelo, el clima y el comportamiento de los cultivos para decidir cuándo regar y cuánta agua aplicar.
El diseño de SupPlant partió de una observación práctica: muchos agricultores no tienen tiempo para análisis complejos o un equipo dedicado a la agronomía (la agronomía es la ciencia de la gestión de cultivos y suelos). Por lo tanto, la tecnología de SupPlant aplica el análisis y la agronomía entre bastidores, y luego ofrece una recomendación concisa a través de un canal familiar: WhatsApp.
El producto admite implementaciones basadas en sensores en las que se generan datos de campo de alta calidad. También admite implementaciones sin sensores en las que los datos satelitales y meteorológicos hacen recomendaciones a las granjas sin equipo especializado. Los sensores aportan precisión y los modelos basados en datos satelitales, el alcance. La arquitectura de experiencia digital de SupPlant soporta ambas implementaciones sin crear sistemas separados para cada mercado, cultivo o segmento de clientes.
El diagrama de arquitectura organiza el sistema de izquierda a derecha: se producen eventos de datos en tiempo real, se ingieren y sirven datos, se generan recomendaciones y luego los agricultores reciben esas recomendaciones en WhatsApp. Este sencillo flujo visual oculta varias decisiones importantes de ingeniería.
El lado izquierdo del diagrama muestra la capa de origen de datos. Incluye sensores en tiempo real en el campo que capturan datos de árboles, frutas, suelo, presión de agua y tronco. También incluye imágenes por satélite, que SupPlant correlaciona con los datos de los sensores de campo, lo que le permite aplicar las conclusiones extraídas de las explotaciones equipadas con sensores a zonas más amplias en las que no hay sensores instalados.
Los datos de los sensores se complementan con datos meteorológicos previstos, información sobre agricultores y cultivos, salud de la vegetación, estructura del dosel, humedad del suelo y datos sobre estrés térmico e hídrico. Los datos históricos completan la capa con datos de más de 2.200 temporadas en más de 40 cultivos.
Estos datos no llegan todos de la misma manera. Los datos de los sensores pueden llegar casi en tiempo real, mientras que los datos meteorológicos, las imágenes por satélite, los registros de los agricultores y la información sobre los cultivos pueden llegar con mayor retraso. Por tanto, la arquitectura debe consumir tanto datos de streaming como de lote, normalizar esas entradas y hacerlas utilizables juntas. La carga por lotes a través de las API del proveedor mueve los datos a la capa de datos central, donde se pueden procesar, almacenar y recuperar para su análisis.
El centro del diagrama muestra Astra DB en IBM watsonx.data. Astra DB, basada en Apache Cassandra, actúa como la base de datos NoSQL operativa diseñada para almacenar y recuperar datos que no encajan perfectamente en las filas y columnas tradicionales.
Esto lo hace útil para datos de sensores, satélites y eventos de alto volumen. En la arquitectura de SupPlant, esta capa soporta almacenamiento escalable, recuperación rápida y acceso en tiempo real para los analytics y recomendación. Astra DB también ayuda a automatizar la captación y la recuperación de datos de sensores y satélites para que puedan enriquecerse con vistas a su uso en inteligencia artificial.
La capa de datos en bruto alimenta tanto recomendaciones inmediatas como mejoras a largo plazo del modelo. Por ejemplo, un sensor de aguacate puede capturar una instantánea del tamaño de la fruta cada media hora y las mediciones en bruto pueden procesarse en resúmenes diarios, detección de anomalías, transiciones de etapas de crecimiento, análisis de final de temporada y comparaciones entre cultivos, estaciones y agricultores.
Un sensor SupPlant en un aguacate
El motor de análisis procesa datos meteorológicos, de cultivos y de riego y los introduce en los modelos de ML/IA para detectar el estrés de los cultivos (por calor o falta de agua, por ejemplo), predecir las necesidades de riego y prever el crecimiento o el rendimiento. El objetivo no es mostrarle al agricultor todas las variables. El objetivo es determinar la mejor acción a seguir: regar hoy, añadir un riego nocturno antes de una ola de calor, investigar una alerta de baja humedad del suelo o ajustar un plan semanal.
Con el modelo de riego basado en el crecimiento de SupPlant, los sensores transmiten los datos climáticos y de las plantas a la nube. El sistema procesa esos datos y puede soportar el riego autónomo, en el que el estado medido de la planta impulsa el comportamiento del riego. SupPlant utiliza estos sitios de referencia instrumentados como verdad sobre el terreno: datos validados del mundo real que se utilizan para entrenar y probar modelos. Esos resultados refinan los modelos de cultivo y los coeficientes de cultivo, que son números utilizados para estimar cuánta agua necesita un cultivo en una etapa específica de crecimiento.
A continuación, el diagrama pasa de las recomendaciones a los mensajes en tiempo real. Una cola de mensajería actúa como un buffer, permitiendo que una parte del sistema publique el trabajo mientras otra parte lo consume al ritmo adecuado. Kafka se utiliza comúnmente como un bus de eventos, donde los productores publican eventos y los consumidores los leen. SupPlant utiliza IBM Confluent para su cola de mensajería Kafka, que se sitúa entre la capa de análisis y la entrega por WhatsApp.
Ese desacoplamiento es crítico. Un agricultor puede querer recomendaciones semanales en un momento específico. Es posible que una alerta meteorológica severa tenga que llegar a cientos de miles de agricultores durante un evento pico. La arquitectura no puede depender de una conexión directa y frágil entre un modelo y un mensaje. Al utilizar un bus de eventos, SupPlant puede absorber picos, enrutar eventos y mantener la entrega fiable cuando la demanda aumenta.
El lado derecho del diagrama muestra la capa de recomendaciones en tiempo real. Las recomendaciones, alertas y asistencia se envían a través de WhatsApp, lo que proporciona a los agricultores orientación semanal sobre el riego, alertas ad hoc y ayuda sin necesidad de instalar otra aplicación o iniciar sesión en un portal.
IBM watsonx.data proporciona a SupPlant una base de datos para datos agrícolas de gran volumen y sensibles al tiempo. Astra DB permite un acceso rápido al contexto histórico y operativo que necesita el motor de recomendaciones cuando hay que analizar conjuntamente las condiciones actuales del campo, el comportamiento anterior de los cultivos, los datos satelitales y los datos meteorológicos. Astra DB en IBM watsonx.data ayuda a que esas entradas sean utilizables para analytics e IA, al tiempo que admite tanto la acción en tiempo real como la mejora del modelo a largo plazo.
IBM Confluent y Kafka soportan la capa orientada a eventos que conecta las recomendaciones con la entrega dirigida al agricultor. Los modelos, algoritmos y servicios de analytics pueden publicar eventos de riego, alertas y llamadas a la acción sin estar estrechamente acoplados a la entrega de WhatsApp. La separación ayuda a SupPlant a gestionar la demanda máxima, como enviar alertas de ola de calor a un gran número de agricultores sin saturar el sistema.
El resultado es una experiencia más sencilla para el agricultor. Un mensaje semanal puede recomendar la cantidad de riego necesaria. Una alerta de ola de calor puede indicar a un agricultor que añada riego por la noche antes de que aumente el estrés de los cultivos. Las imágenes por satélite también pueden ayudar a explicar las condiciones del campo, como la humedad desigual del suelo que apunta a un problema de válvula o cobertura de riego.
La arquitectura de SupPlant muestra una lección útil para las implementaciones de IA: la inteligencia crea valor solo cuando llega al usuario a tiempo y en el flujo de trabajo adecuado. Una recomendación que llega tarde o requiere que un agricultor interprete un panel de control complejo no mejorará una decisión de riego.
Con la ayuda de las soluciones de IBM, el diseño de SupPlant separa los datos, los modelos y la entrega. Esa base da a SupPlant espacio para escalar la irrigación sin sensores, ampliar la cobertura de cultivos y apoyar los programas del gobierno sin reconstruir el producto para cada mercado. Cada nueva temporada, cultivo y región pueden volver a añadir más datos al sistema, mejorando los modelos y manteniendo la experiencia del agricultor sencilla.
Al basarse en la cartera de datos de IBM, SupPlant transforma las señales de los cultivos, las condiciones meteorológicas y los datos satelitales en decisiones agrícolas en tiempo real. Para los agricultores, eso significa tomar mejores decisiones de riego, un uso más eficiente del agua y mejores resultados en las cosechas. Para SupPlant, crea una ruta escalable para atender a más usuarios, admitir más modelos de negocio y hacer crecer la agricultura de precisión sin que el usuario final cargue con la complejidad.