Como convertimos un modelo de deteccion de enfermedades en citricos en un MVP funcional
Un caso real de EDVM: desplegar un modelo de IA como demo web de bajo costo para PhytopathologIA.
No todos los proyectos necesitan una plataforma productiva desde el dia uno. A veces lo que hace falta es una demo funcional y creible que permita validar la idea, mostrar valor y avanzar una etapa mas.
Ese fue el caso de PhytopathologIA.
El equipo ya contaba con un modelo de machine learning entrenado para detectar enfermedades en hojas de citricos. Lo que necesitaban de nuestra parte era la capa operativa alrededor de ese modelo: una forma de subir una imagen, ejecutar inferencia y devolver un resultado desde una interfaz web simple para mostrar a inversores y stakeholders.
El objetivo
PhytopathologIA necesitaba un MVP para demos, no una implementacion productiva completa.
La meta era concreta:
- recibir la foto de una hoja de citrico,
- ejecutar el modelo entrenado,
- devolver una prediccion,
- hacer visible todo el flujo desde el navegador.
Desde producto, el desafio era cerrar la distancia entre investigacion y demostracion. Un buen modelo en un notebook tiene valor, pero una URL funcional cambia por completo la conversacion.
Las restricciones
Como en muchos proyectos reales, las restricciones importaban tanto como la idea.
- El presupuesto era limitado para desarrollo e infraestructura.
- No convenia asumir costos fijos de hosting en esta etapa.
- El equipo necesitaba mostrar algo util rapido mientras preparaba su siguiente instancia de financiamiento.
Eso significa que la mejor respuesta no era la mas grande. Era el sistema minimo completo capaz de probar el concepto punta a punta.
Lo que construimos
Trabajando junto a los founders de PhytopathologIA, Rodrigo Machado y Sofia Bengoa Luoni, armamos una entrega chica pero efectiva:
- Despliegue del modelo entrenado en PyTorch.
- Una API liviana para recibir imagenes y devolver predicciones.
- Una interfaz web con carga drag-and-drop para hojas de citricos.
- Un entorno de demo con Google Colab y PyNgrok para publicar la aplicacion mediante una URL accesible.
El resultado fue un sistema que se podia usar de verdad, no solo explicar.
Por que la estrategia de despliegue fue importante
En esta fase, pagar una infraestructura permanente hubiera agregado costo sin agregar aprendizaje proporcional.
Usar Google Colab como entorno de ejecucion y PyNgrok como punto de acceso publico permitio una salida pragmatica:
- sin costo recurrente de hosting,
- con sesiones suficientes para demos coordinadas,
- con un camino corto desde el modelo hasta el producto usable.
Este tipo de decisiones refleja una idea central en EDVM: la arquitectura tiene que responder al momento del negocio. La validacion temprana necesita velocidad, confiabilidad y control del gasto.
Entrega realizada
| Hito | Resultado |
|---|---|
| Despliegue del modelo en PyTorch | Flujo de inferencia listo para procesar imagenes de hojas |
| API liviana | Capa clara de entrada y salida para el frontend |
| Interfaz web de carga | Usuarios no tecnicos pudieron probar el clasificador en el navegador |
| Setup con Google Colab + PyNgrok | Acceso publico para demos sin costo fijo de infraestructura |
| MVP bajo restricciones reales | Prototipo completo para conversaciones con inversores |
Por que este caso importa
No fue un experimento teorico. Fue un activo operativo real para un equipo que necesitaba validar una direccion de producto.
Para PhytopathologIA, este MVP funciono como puente entre el trabajo de investigacion y la comunicacion de valor. En vez de mostrar solo metricas o capturas, pudieron mostrar un flujo:
- subir una imagen,
- ejecutar el modelo,
- ver la prediccion.
Ese nivel de claridad es muy valioso en cualquier proyecto tecnico en etapa temprana.
Ademas, el caso apunta a una oportunidad mas amplia en agricultura. Vision por computadora y machine learning ya ofrecen caminos concretos para detectar enfermedades de forma temprana y ayudar a intervenir antes de que el problema escale.
Lo que este caso dice sobre nuestra forma de trabajar
En EDVM no inflamos alcances para vender complejidad. Buscamos construir el sistema correcto para el problema correcto.
A veces eso significa arquitectura enterprise. Otras veces significa un MVP ajustado que permita validar rapido sin quemar presupuesto. En este proyecto, la respuesta adecuada fue convertir un modelo entrenado en una demo viva, util y presentable.
Ese es el tipo de trabajo que queremos seguir mostrando: ingenieria practica, restricciones reales y software que empuja un negocio hacia adelante.
Queres construir algo parecido?
Si estas validando un producto, ordenando operaciones o armando un MVP tecnico, podemos ayudarte.