Nombre del proyecto: 
Sistema de Diagnóstico Visual y Sensorial para el Monitoreo de Cultivos a través de Plataforma Web. 
 
Objetivo general: 
Desarrollar una plataforma web que permita a productoras y personas no expertas obtener un diagnóstico automatizado del estado de salud de sus cultivos a partir del análisis visual (imágenes) y sensorial (datos ambientales), brindando recomendaciones prácticas para su cuidado. 
 
Sprint(s) ejecutado(s): 
Se ejecutaron y avanzaron los Sprints 1 al 5, dentro de un marco de trabajo ágil (Scrum). El Sprint 6 quedó pendiente por falta de tiempo y ejecución formal. 

El proyecto contemplaba la construcción de una plataforma completa con carga de imágenes, diagnóstico mediante IA, entrada de datos sensoriales, comunidad de usuarios, sistema de notificaciones y funcionalidades de ciberseguridad. 
 
Hasta ahora se logró la arquitectura base, prototipo de carga de imágenes, entrenamiento preliminar del modelo de IA, entrada manual de datos, y desarrollo parcial del diagnóstico. Aún no se integran las funciones comunitarias, pruebas con usuarios ni documentación final. 

Lo que se completó en base a lo establecido en el product backlog 
 

• Diseño de la arquitectura del sistema. 
  Desde diseño, rutas, paginas, componentes, y demás planeaciones de elementos funcionales. 
• Estructura de base de datos inicial. 
  Conexión y registro de usuarios 
• Mockups de la plataforma y diseño de interfaz de usuario. 
  Diseño en figma 
• Prototipo funcional de carga de imágenes. 
  Estructura de lógica para subida de imágenes. 
• Entrenamiento preliminar de modelo IA con imágenes propias. 
  Pruebas de paquetes de fotografías para distintos tipos de situaciones 
• Sistema de ingreso manual de datos sensoriales (pH, humedad, luz). 
  Diseño de formulario y lógica base de presentación de datos. 
• Inicio del desarrollo de lógica de diagnóstico. 
  Implementación completa de lógica de variables y diseño de modelo numérico para determinar salud general. 

• Funcional general de la plataforma web. 
• Entrenamiento base del modelo IA mediante Teachable Machine en base a tensor flow. 
• Interfaz para ingreso de datos manuales de sensores. 

• Validación precisa del modelo de IA. 
• Desarrollo e integración del sistema de comunidad. 
• Notificaciones por correo. 
• Sistema completo de ciberseguridad. 
• Pruebas con usuarios. 
• Documentación técnica y manuales. 

Causas del No Cumplimiento 

• Dificultades técnicas: 
  El modelo de IA requiere más imágenes de entrenamiento y debido a la situación endémica de la planta, en la actualidad no existe una biblioteca de recursos visuales acerca de la misma.  
  La herramienta Teachable Machine tiene limitaciones para clasificación precisa con alta variabilidad de imagen, por lo que se enfocó solo en el análisis de hojas. 

• Falta de conocimientos previos: 
  El equipo tuvo que aprender sobre redes neuronales, frameworks modernos como React y Node, y estructuración de APIs, asi como trabajo colaborativo desde github lo cual demandó más tiempo del previsto. 

• Problemas de comunicación o gestión del equipo: 
  La coordinación entre miembros tuvo varios retrasos debido a diferencias en tiempos disponibles y cargas académicas paralelas. 

• Malas estimaciones de tiempo o esfuerzo: 
  Se subestimaron las etapas de pruebas, validación de modelos y documentación. Además, no se consideró que el desarrollo visual consume bastante tiempo en diseño UX/UI. 

• Cambios de alcance: 
  Inicialmente se pensaba solo en diagnóstico visual, pero se integraron sensores, y solo se enfocó en ayudar a la iniciación para todos los pymes de una determinada planta, y ya no en grandes plantaciones. 

Se tienen sketches en herramientas como Figma para la interfaz de carga de imágenes, panel de diagnóstico y entrada de datos manuales. También se documentó visualmente el diseño del dashboard. 

Código parcial: 
Módulo de carga de imágenes. 
Conexión básica con backend. 
Frontend estructurado con React + HTML + CSS. 
Base de datos estructurada en MySQL. 

Tableros y reportes: 
Planeación completa en backlog. 
Panel de tareas agrupadas por sprint (por hacer / en proceso / hecho). 

Timebox del proyecto completo.

Burndown chart: 
Aunque se conceptualizó, no se actualizó durante la ejecución debido al atraso en desarrollo. 

¿Qué aprendió el equipo sobre gestión de proyectos? 

• La importancia de dividir los objetivos en tareas pequeñas y alcanzables. 
• La utilidad de documentar desde el inicio todo el proceso técnico y de planeación. 
• La necesidad de asignar responsables claros y seguimiento semanal a cada tarea. 

¿Qué prácticas funcionaron bien? 

• La estructura por Sprints permitió definir metas claras en fases. 
• El uso de historias de usuario dio claridad sobre lo que debía lograrse. 
• El diseño del backlog completo desde el inicio ahorró retrabajo. 

¿Qué no volverían a repetir? 

• Dejar el entrenamiento de IA para etapas finales. 
• Subestimar los tiempos de diseño y validación. 
• No establecer desde el inicio reuniones semanales obligatorias. 

Fortalezas del proceso de trabajo:

• Claridad en objetivos y entregables gracias al enfoque Scrum. 
• Organización completa del backlog, épicas e historias de usuario. 
• Alta motivación por parte del equipo en la fase de diseño. 

Aspectos a mejorar: 

• Cumplimiento del cronograma real. 
• Distribución más equitativa de tareas entre miembros. 
• Asignación más realista del esfuerzo y tiempos por historia. 

Compromisos futuros: 

• Completar el entrenamiento de IA con un modelo más robusto. 
• Realizar pruebas con usuarios reales. 
• Entregar documentación técnica completa para asegurar continuidad. 

Recomendaciones para equipos similares: 

• Empezar por definir claramente el alcance y límites. 
• Implementar pruebas tempranas de usabilidad. 
• Asignar un responsable técnico por cada módulo. 

Objetivo y justificación del proyecto: 

• Ofrecer a productores agrícolas una herramienta sencilla, visual y sensorial, para cuidar sus cultivos con apoyo de la tecnología. En especial, se busca que usuarios sin experiencia puedan comprender el estado de salud de sus plantas. 

Avances concretos:

• Diseño de interfaz. 
• Entrenamiento básico de IA. 
• Estructura del backend. 
• Diseño de base de datos. 
• Panel de registro de usuario inicial. 
• Entrada manual de sensores. 
• Documentación de arquitectura y backlog. 

Principales aprendizajes: 

• Importancia de la validación temprana. 
• Necesidad de pruebas con usuarios desde el segundo sprint. 
• Coordinación constante entre diseño y programación. 

Recomendaciones para continuidad: 

• Seguir entrenado en TensorFlow o PyTorch. 
• Añadir autenticación robusta (OAuth 2.0, JWT). 
• Optimizar interfaz móvil (acceso en campo). 
• Crear un MVP funcional con sensores reales.