En el sector agrícola, la detecció primerenca d'inundacions mitjançant sistemes d'inferència al born (edge inference) genera registres de decisió estructurats que han de ser interpretats per múltiples actors: agricultors, asseguradores, reguladors. Tanmateix, traduir aquests registres a informes personalitzats sense comprometre l'auditabilitat del sistema suposa un repte. Sorgeix així una tensió: la capa generativa basada en models de llenguatge grans (LLMs) no és determinista, mentre que el pla de born ha de ser reproduïble i auditable. Proposem un patró arquitectònic que resol aquesta tensió mitjançant dos invariants: consum unidireccional (la capa generativa és consumidora de només lectura del pla determinista, sense retroalimentació) i persona com a configuració (l'adaptació a cada part interessada es materialitza en artefactes de plantilles de prompt versionats, no en improvisació en temps d'execució). Aquest enfocament permet que les explotacions agrícoles despleguin panells contextualitzats sobre els registres JSON d'un sistema de detecció d'aigua estancada, mantenint la integritat del born. La frontera d'integració admet mitigacions de fiabilitat generativa com a punts d'extensió a nivell de configuració o middleware.
Des d'una perspectiva tècnica i empresarial, aquest patró representa un canvi de paradigma: en lloc de barrejar capes deterministes i generatives, se separen clarament. La capa de born continua sent la font de veritat, mentre que la capa d'LLM actua com a intèrpret sota demanda. Per a una empresa com Q2BSTUDIO, especialitzada en aplicacions a mida i IA, implementar aquest patró és natural. Els nostres equips dissenyen arquitectures cloud sobre AWS o Azure que garanteixen escalabilitat i seguretat, integren agents d'IA per generar informes personalitzats i apliquen mesures de ciberseguretat per protegir els registres de decisions. A més, l'analítica amb Power BI permet visualitzar tendències d'inundacions i rendiment del sistema.
La clau és que la personalització no s'improvisa: cada stakeholder (agricultor, asseguradora, organisme públic) disposa d'una plantilla de prompt versionada que defineix el to, la granularitat i el contingut de l'informe. Això redueix dràsticament el risc d'al·lucinacions de l'LLM, ja que el prompt està predefinit i el model només accedeix als registres deterministes. Q2BSTUDIO ajuda les empreses agrícoles a construir aquestes plantilles, integrant-les amb sistemes de born existents i desplegant panells al núvol amb emmagatzematge segur.
El patró també simplifica l'auditoria: qualsevol informe generat pot rastrejar-se fins a la versió de la plantilla i els registres de born originals. Això compleix els requisits de compliment normatiu i transparència. En una avaluació amb experts, el patró va obtenir puntuacions favorables en cinc dimensions de qualitat alineades amb ISO/IEC 25010, destacant la separació de responsabilitats. Actualment, Q2BSTUDIO està preparant una avaluació amb usuaris finals del sector agrícola per validar la usabilitat i l'impacte en la presa de decisions.
En resum, 'persona com a configuració' ofereix un camí pragmàtic per combinar la fiabilitat del born determinista amb la flexibilitat dels LLMs, sense sacrificar l'auditabilitat. Les empreses que adoptin aquest patró podran escalar els seus sistemes de monitorització agrícola amb informes personalitzats, segurs i reproduïbles. A Q2BSTUDIO, oferim serveis de cloud AWS/Azure, ciberseguretat, BI i agents d'IA per implementar aquestes solucions, ja sigui en detecció d'inundacions o en altres àmbits de l'agricultura. La clau és dissenyar l'arquitectura des del principi amb aquesta separació de capes, garantint que el valor generatiu no comprometi la veritat del sistema.
