Entrenamiento de un modelo basado en ResNet usando fotos de cultivo (en terreno, por dron y satélite) complementadas con análisis foliar. Cada imagen se etiqueta con coordenadas, NDVI, valores foliares y etapa de crecimiento para predecir la probabilidad de problemas.
Integración de datos históricos, temperatura, condiciones meteorológicas, informes técnicos y datos fenológicos que sustentan las predicciones.
Aplicación de técnicas de NLP (por ejemplo, LangChain) para extraer información relevante de documentos y reportes, aportando contexto adicional.
Fusión de los outputs de los bloques A, B y C mediante un sistema RAG que genera informes breves con recomendaciones basadas en la probabilidad de problemas detectados.
Análisis de métricas económicas que, combinado con el informe de recomendaciones, alimenta un modelo de Reinforcement Learning para estimar el ROI o el dinero ahorrado si se aplican las acciones recomendadas.