Inteligência Artificial para identificar Pragas e gerar Recomendações de Insumos Agrícolas

Solução com IA para otimizar diagnósticos e recomendações no agronegócio

Role

Product Designer

Industry

Agronegócio, Inteligência Artificial

Duration

2 meses (agosto e setembro de 2024)

Etapa 1: Definir o público-alvo e analisar desafios enfrentados

Na primeira etapa, foi definido o público-alvo: consultores agrícolas que têm o WhatsApp como principal ferramenta de trabalho, mas preferem registros em papel e enfrentam dificuldades com sistemas complexos.

Encontramos alguns desafios que o público-alvo enfrentava, como, por exemplo:

Ineficiência na formalização de propostas comerciais.
Dificuldade em centralizar e compartilhar documentações.
Imprecisão no diagnóstico e recomendações, impactando a produtividade.

Etapa 2: Objetivos do projeto

Em seguida, foram definidos os objetivos principais do projeto. O primeiro era otimizar interações repetitivas, trazendo mais eficiência e assertividade às atividades diárias dos consultores.

O segundo visava fornecer diagnósticos e recomendações confiáveis para o uso de insumos agrícolas, auxiliando na identificação precoce de potenciais problemas nas plantações.

E, o terceiro objetivo buscava escalar o aprendizado sobre novos insumos e métodos de tratamento, democratizando o acesso ao conhecimento por meio de uma solução intuitiva e eficaz.

Etapa 3: Pesquisa e Insights

A terceira etapa foi dedicada à pesquisa. Inicialmente, utilizamos sessões de brainstorming para explorar ideias e ampliar nosso entendimento sobre o problema. Em seguida, realizamos um benchmark de concorrentes, obtendo insights valiosos sobre o mercado e seus principais produtos.

Para alinhar a equipe, aplicamos o framework Problem Statement, garantindo uma compreensão clara e compartilhada sobre o que estávamos resolvendo e para quem a solução seria desenvolvida.

Etapa 1: Definir o público-alvo e analisar desafios enfrentados

Encontramos alguns desafios que o público-alvo enfrentava, como, por exemplo:

Ineficiência na formalização de propostas comerciais.
Dificuldade em centralizar e compartilhar documentações.
Imprecisão no diagnóstico e recomendações, impactando a produtividade.

Etapa 2: Objetivos do projeto

Em seguida, foram definidos os objetivos principais do projeto. O primeiro era otimizar interações repetitivas, trazendo mais eficiência e assertividade às atividades diárias dos consultores.

O segundo visava fornecer diagnósticos e recomendações confiáveis para o uso de insumos agrícolas, auxiliando na identificação precoce de potenciais problemas nas plantações.

E, o terceiro objetivo buscava escalar o aprendizado sobre novos insumos e métodos de tratamento, democratizando o acesso ao conhecimento por meio de uma solução intuitiva e eficaz.

Etapa 3: Pesquisa e Insights

Para alinhar a equipe, aplicamos o framework Problem Statement, garantindo uma compreensão clara e compartilhada sobre o que estávamos resolvendo e para quem a solução seria desenvolvida.

Etapa 4: Oportunidades

Então, exploramos as oportunidades de aplicação de IA no contexto da Empresa.

Entre elas, destacaram-se a idealização de um motor de recomendação para aprimorar a personalização das sugestões e o desenvolvimento de uma ferramenta de atendimento para a criação de relatórios de agendamentos.

Etapa 5: Criação do MVP

A solução mínima viável (MVP), desenvolvida nesta etapa, incluiu a criação dos fluxos do usuário e a prototipagem interativa. Essa fase visava validar a proposta de valor e a usabilidade da solução com os consultores agrícolas antes de avançar para o desenvolvimento.

Etapa 6: Prova de Conceito

Realizamos então uma prova de conceito utilizando o plugin GPT What is This, uma ferramenta de IA treinada para identificar objetos em imagens.

Testamos o sistema com imagens do manual de identificação de doenças na soja. Embora a IA tenha acertado na identificação da planta, ela cometeu erros no diagnóstico, indicando outra doença.

No entanto, a ferramenta demonstrou aprendizado durante a interação, solicitando mais informações para melhorar suas predições e ajustando suas sugestões de manejo com base nos novos dados fornecidos.

Etapa 7: Análise das Oportunidades Futuras

Finalmente, identificamos oportunidades futuras para aprimorar a solução, incluindo:

Aprimorar a Acurácia da IA: Treinamento contínuo com dados locais.
Recomendações Mais Precisas: Inclusão de dados climáticos, análises de solo e histórico de safras.
Disponibilização ao Cliente Final: Evolução para um modelo self-service.

Reflexões

Esse projeto destacou a importância de compreender profundamente o público-alvo, adaptando soluções ao contexto de uso para garantir sua eficácia. A combinação de pesquisa, validação contínua e colaboração multidisciplinar foi essencial para desenvolver uma ferramenta que equilibrasse inovação com simplicidade, respeitando as necessidades dos consultores agrícolas.

A prova de conceito evidenciou o potencial da IA como recurso que aprende com os usuários, mas também revelou a importância de um treinamento contínuo para aumentar a acurácia e a confiabilidade das recomendações.