Inteligência coletiva

Um dos propósitos centrais da Raiznet é transformar dados brutos de sensores em conhecimento agrícola acionável — não só para o agricultor individual, mas para toda a rede.

Cada dispositivo que publica em uma rede pública contribui para um conjunto de dados compartilhado e crescente: o que foi plantado, onde, sob quais condições e qual foi o resultado. Com o tempo, esse conjunto se torna uma memória coletiva do que funciona em cada região, para cada cultivo, sob cada padrão de clima.

A camada de inteligência (planejada)

A camada de inteligência é uma fase futura construída sobre a infraestrutura de dados já existente. Ela não exige mudanças no protocolo nem no modelo de armazenamento — os dados já estão lá.

Inferência local (preservando privacidade)

Um agricultor que roda o próprio nó pode apontar qualquer LLM compatível com MCP — inclusive modelos locais via Ollama — diretamente para o endpoint local do seu servidor. O modelo tem acesso a:

• Histórico completo de telemetria (incluindo campos privados, descriptografados localmente)
• Safra ativa: tipo de cultivo, data de plantio, colheita esperada
• Cultivo com faixas ideais ajustadas
• Resultados históricos (yield_kg, harvested_at)

Exemplos de perguntas que o LLM pode responder só com dados locais:

• "Como está minha alface comparada ao mês passado?"
• "Meu pH vem subindo há 3 dias — o que devo ajustar?"
• "Com base nas minhas últimas 4 colheitas, qual é minha produtividade média para essa variedade?"
• "Dada a temperatura ambiente atual, devo ajustar minha meta de EC?"

Nenhum dado sai da rede local. A inferência é totalmente offline.

Inteligência regional (rede pública)

Nós que participam de uma rede pública podem consultar dados agregados de todos os dispositivos na mesma região H3 e tipo de cultivo. Isso habilita:

• Benchmarking contextual: "Seu EC está em 2.4 — a mediana para alface na sua região é 1.8."
• Detecção de anomalias: sinalizar leituras que desviam significativamente do padrão regional, distinguindo deriva de sensor de estresse real do cultivo.
• Refinamento da previsão de colheita: aprender com a diferença entre o harvest_time_days estimado e o real ao longo de muitas Safras em condições semelhantes, melhorando estimativas futuras automaticamente.

Calibração coletiva de Cultivos

Se agricultores de uma região operam consistentemente fora das faixas ideais de um Cultivo e ainda assim obtêm bom yield_kg, as faixas desse Cultivo provavelmente estão erradas para aquela região. Esse sinal alimenta naturalmente o modelo de CropCatalog: curadores regionais (cooperativas, instituições de pesquisa) publicam catálogos atualizados com faixas calibradas a partir dos resultados observados.

A rede gera o conhecimento. Os curadores o publicam. Os agricultores ativam o catálogo. Nenhuma autoridade central decide.

Servidor MCP

Um pacote @raiznet/mcp planejado vai expor a API da Raiznet como um servidor MCP (Model Context Protocol), tornando os dados da Raiznet nativamente consumíveis por qualquer cliente LLM compatível com MCP:

Ferramenta	Descrição
get_devices	Lista os dispositivos conhecidos por este nó
get_telemetry	Busca leituras recentes de um dispositivo
get_safra	Obtém o lote de plantio ativo e detalhes do cultivo
get_regional_stats	Estatísticas agregadas para uma célula H3 e tipo de cultivo
get_crop	Faixas ideais de um Cultivo, ajustadas para as condições atuais

O servidor MCP pode rodar em dois modos:

• Modo local (sobre o endpoint local): acesso completo incluindo campos privados, para o assistente LLM pessoal do dono.
• Modo público (sobre o endpoint público): acesso somente-leitura aos dados públicos, para qualquer participante da rede ou pesquisador.

Pesquisa acadêmica e publicação de conhecimento

A Raiznet é projetada para ser uma infraestrutura de dados de qualidade científica. A combinação de dados assinados e à prova de adulteração, geolocalização precisa (H3), resultados estruturados de cultivo (Safra) e um protocolo aberto cria um conjunto de dados com propriedades que importam para o trabalho científico: proveniência, reprodutibilidade e acessibilidade sem lock-in de fornecedor.

O trabalho futuro planejado inclui:

• Parcerias de pesquisa: disponibilizar conjuntos de dados da Raiznet anonimizados e agregados para universidades, instituições de pesquisa agrícola (como a Embrapa) e cooperativas, para publicação em periódicos revisados por pares e relatórios técnicos.
• Publicação de conteúdo na rede: o modelo de dados Material é projetado para distribuir conteúdo instrucional e científico — guias de cultivo, resultados de estudos de campo, boas práticas regionais — diretamente pela rede, de autoria assinada por pesquisadores, acessível offline.
• Liberações de datasets abertos: snapshots periódicos dos dados de redes públicas disponibilizados sob licenças abertas para a comunidade de pesquisa mais ampla, possibilitando trabalhos sobre temas como adaptação climática regional, otimização hidropônica e resiliência de sistemas alimentares de pequena escala.

O objetivo é um ciclo de feedback: agricultores geram dados, pesquisadores os analisam, as descobertas retornam à rede como Cultivos e Materiais melhorados, os agricultores se beneficiam. Nenhum intermediário captura o valor.

Por que isso importa

O conhecimento agrícola historicamente esteve trancado em plataformas proprietárias, artigos acadêmicos inacessíveis a pequenos agricultores, ou na cabeça de agrônomos individuais. A estrutura da Raiznet — protocolo aberto, local-first, soberania de dados, indexada por H3, com resultados rastreados — cria as condições para que esse conhecimento emerja da própria rede, sem dono, disponível para todos.

Rodar um nó não é só contribuir para a resiliência da rede. É contribuir para um entendimento coletivo crescente de como cultivar alimentos melhor.