FMFrancesc Mateu
De empresa · Diseño de los datos y de la lógica de un sistema de avisos con aprendizaje automático, y el servicio que lo alimenta

Datos agroclimáticos y modelos de riesgo de enfermedad

Un proyecto de I+D para avisar al agricultor del riesgo de botritis en fresa y de cuándo tratar. Me incorporé con el proyecto en marcha: diseñé los conjuntos de datos y las variables agroclimáticas, construí el servicio que las calcula igual para entrenar que para predecir, diseñé la lógica de los avisos, y al final saqué los modelos de una plataforma gestionada para que dejaran de costar.

Un proyecto de equipo: el responsable de producto, un analista de datos que entrenó y desplegó los modelos, y una consultora que construyó la aplicación de registro de parcelas y avisos por mensajería. Yo diseñé y construí la parte de datos, diseñé la lógica de decisión que implementó la consultora y, después, migré el servicio de los modelos. La aplicación funcionó en piloto, y el servicio siguió en marcha hasta el final de mi etapa.

Estable · Usuarios internosjul 2024 – jul 2026
Qué demuestra
  • Trabajo en un equipo con perfiles distintos: los datos y la lógica que necesitaban el analista de datos y la consultora, diseñados por mí.
  • Diseño de conjuntos de datos y variables para aprendizaje automático con criterio de dominio, calculadas igual al entrenar que al predecir.
  • Una decisión de coste de infraestructura ejecutada de principio a fin, con su equivalencia comprobada y su vuelta atrás documentada.
El problema

Un proyecto de predicción de riesgo con aprendizaje automático necesitaba lo que une a quien entrena los modelos con quien construye la aplicación: unos datos con sentido agronómico y una lógica que decidiera qué hacer con cada predicción. Y una vez desplegados, los modelos tenían un coste mensual fijo en una plataforma gestionada, se usaran o no.

La decisión que lo define

Diseñar los datos antes que los modelos, con una sola forma de calcular cada variable para entrenar y para predecir; y después mover la implementación sin mover el contrato.

Cómo está hecho

Una API que, para unas coordenadas y una fecha, obtiene la meteorología horaria —histórica o prevista— y la convierte en las variables con las que se entrenaron los modelos: humectación de hoja, índice de crecimiento del hongo, medias y acumulados en varias ventanas, con o sin invernadero. La misma canalización construye cada fila del conjunto de entrenamiento y cada pregunta al modelo. Y una aplicación que sirve los dos modelos manteniendo la interfaz de consulta utilizada por los consumidores del servicio anterior.

  • Una sola implementación de las variables para los conjuntos de entrenamiento y las consultas al modelo, con configuraciones por modelo y datos meteorológicos históricos o de previsión según el uso.
  • Variables con criterio agronómico: horas de hoja mojada por punto de rocío o humedad, un índice de crecimiento del hongo según temperatura y humedad, y ventanas móviles distintas para cada modelo.
  • La migración adapta el servicio a la interfaz empleada por los consumidores: cabeceras de autenticación y selección del modelo, entrada de variables y salida de predicciones, contrastadas con el servicio anterior sobre muestras generadas.

Las evidencias12

  • Trabajo en equipoMejor ejemplo del portfolioDecisión escrita · Por referencia

    El responsable de producto me pidió ayuda: diseñé los conjuntos de datos con los que el analista entrenó los modelos, las APIs que consumían él y la consultora, y la lógica de decisión de los avisos que la consultora implementó en su aplicación.

  • Machine learning aplicadoCódigo · Confidencial
  • Rigor en el análisis de datosCódigo · Confidencial
  • Análisis de requisitos de negocioDocumento · Por referencia
  • Optimización de costes de infraestructura de MLMejor ejemplo del portfolioDocumento · Confidencial
  • Compatibilidad hacia atrás de APIsCódigo · Confidencial
  • Tests de regresión y equivalenciaDocumento · Confidencial
  • MLOps y despliegue de modelosMejor ejemplo del portfolioCódigo · Confidencial
  • Dominio agronómico y regulatorioCódigo · Confidencial
  • ETL e ingesta de datosCódigo · Confidencial
  • Diseño de APIs RESTCódigo · Confidencial
  • Mantenimiento de código legacyCódigo · Confidencial

Principios que se ven aquí4