Iot Anomaly Detection

┌────────────────────────────────────────┐
│     ESP32 envía telemetría             │
│     POST /iot/telemetry                │
└────────────────┬───────────────────────┘
                 │
                 ▼
┌────────────────────────────────────────┐
│  1. Persistir datos en Supabase       │
│     (SIEMPRE ocurre)                  │
└────────────────┬───────────────────────┘
                 │
                 ▼
┌────────────────────────────────────────┐
│  2. ¿is_anomaly(data)?                │
│     Evaluar umbrales de seguridad     │
├────────────┬───────────────────────────┤
│  NO        │  SÍ                      │
│  → return  │  → Activar IA            │
│  [], []    │                           │
└────────────┴───────────┬───────────────┘
                         │
                         ▼
┌────────────────────────────────────────┐
│  3. Construir prompt de emergencia    │
│     con contexto: sensores + historial│
│     + estado del sistema              │
└────────────────┬───────────────────────┘
                 │
                 ▼
┌────────────────────────────────────────┐
│  4. Gemini analiza y genera:          │
│     - Acciones: [{device, action}]    │
│     - Alertas: ["mensaje1", ...]      │
└────────────────────────────────────────┘

3. Optimización de Cuota API (~70% Ahorro)

• Sin anomalías: Los datos se guardan pero NO se consulta a Gemini.
• Con anomalías: Se activa el pipeline completo de IA para generar acciones de control.
• Resultado: Solo las lecturas críticas consumen cuota del API de Gemini.

4. Formato de Respuesta IoT

El LLM responde con un bloque JSON embebido en su respuesta de texto:

{
  "actions": [
    {"device": "FAN", "action": "ON"},
    {"device": "IRRIGATION", "action": "OFF"}
  ],
  "alerts": [
    "🌡️ Temperatura crítica: 39.2°C detectados. Ventilación activada.",
    "💧 Humedad alta: Riego desactivado preventivamente."
  ]
}

5. Dispositivos y Acciones Soportadas

6. Prioridades de Seguridad

1. Seguridad: Nunca activar riego si humedad > 95% (riesgo de inundación).
2. Descanso vegetal: Luces apagadas 6-8 horas/día para el ciclo circadiano.
3. Eficiencia energética: Preferir ventilación sobre calefacción cuando sea posible.

Archivos Clave

• app/services/iot_service.py: Motor de anomalías y orquestación proactiva.
• app/routers/iot.py: Endpoint POST /iot/telemetry para recepción de datos ESP32.
• .agent/skills/backend-fastapi-iot/devices.md: Inventario de actuadores y protocolos.

Extender los Umbrales

Para agregar nuevos sensores al sistema de anomalías, modificar is_anomaly():

def is_anomaly(data: Dict[str, Any]) -> bool:
    # Sensores existentes
    temp = data.get("temperature", 25)
    hum = data.get("humidity", 60)
    ph = data.get("ph", 6)
    
    # ── Nuevo sensor: Conductividad Eléctrica (EC) ──
    ec = data.get("ec", 1.5)
    if ec < 0.5 or ec > 3.5:  # Rango para hortalizas tropicales
        return True
    
    # ── Nuevo sensor: Luminosidad (Lux) ──
    light = data.get("light", 5000)
    if light > 80000:  # Estrés lumínico
        return True
    
    # Umbrales existentes...
    if temp < 10 or temp > 38: return True
    if hum < 30 or hum > 95: return True
    if ph < 4.5 or ph > 8.0: return True
    
    return False

Buenas Prácticas

1. Siempre persistir primero — los datos deben guardarse antes de evaluar anomalías.
2. Calibrar umbrales por zona — los valores actuales son para costa tropical (Santa Marta).
3. Log de anomalías — registrar cada activación en logs para trazabilidad (logger.warning).
4. Modo MANUAL — si system_mode == "MANUAL", ignorar acciones automáticas del LLM.
5. Nunca confiar solo en la IA — los umbrales duros son la primera línea de defensa.