Back to Projects
Dec 2024

Farm Hub (Fish Farming Feasibility Analysis)

A fish-farming feasibility prototype that stores user inputs separately from Gemini-generated analysis, so projects remain usable when generation fails.

Overview

Farm Hub was a hackathon product for exploring fish-farming feasibility in West Sumatra. I built the backend API, relational model, Gemini integration, and deployment path.

The product combines ordinary project data with generated feasibility sections. The main implementation challenge was keeping those two things separate enough that a failed or weak model response could not corrupt the user’s project.

Keep project data independent from generation

Project inputs are stored first. Generated sections such as the summary, financial analysis, technical information, and roadmap are stored separately.

That gives the application a simple failure mode: if Gemini is unavailable or returns invalid output, the original project still exists and can be retried later.

Clients also receive stable fields instead of parsing one large block of generated prose.

Handling inconsistent model output

Loose prompts produced missing or inconsistent sections. I constrained generation toward a fixed response shape and treated malformed output as an error rather than saving it as a valid feasibility result.

The generated analysis is presented as decision support, not as an authoritative go/no-go recommendation. The quality still depends on the prompt, model behavior, and the supplier/domain data available to the application.

Current limits

The next useful improvements are schema-validated model responses, clearer provenance for generated values, and a stronger real-world supplier dataset. Those matter more than adding more generated sections.

Gambaran umum

Farm Hub adalah produk hackathon untuk mengeksplorasi kelayakan budidaya ikan di Sumatera Barat. Saya membangun backend API, relational model, integrasi Gemini, dan jalur deployment.

Produk menggabungkan data proyek biasa dengan bagian analisis kelayakan yang dihasilkan model. Tantangan terpenting adalah memisahkan keduanya supaya respons model yang gagal atau kurang baik tidak merusak data asli pengguna.

Data proyek terpisah dari hasil generasi

Input proyek disimpan terlebih dahulu. Bagian hasil generasi seperti ringkasan, analisis finansial, informasi teknis, dan roadmap disimpan terpisah.

Jika Gemini tidak tersedia atau menghasilkan output tidak valid, proyek asli tetap tersimpan dan proses dapat dicoba lagi. Client juga menerima field yang stabil, bukan harus mem-parsing satu blok besar teks generasi.

Menangani output model yang tidak konsisten

Prompt yang terlalu bebas menghasilkan bagian yang hilang atau tidak konsisten. Saya membatasi generasi pada bentuk respons tertentu dan memperlakukan output yang rusak sebagai error, bukan menyimpannya sebagai analisis kelayakan yang valid.

Analisis yang dihasilkan hanya menjadi bahan pendukung keputusan, bukan rekomendasi pasti untuk melanjutkan atau membatalkan proyek. Kualitasnya tetap bergantung pada prompt, perilaku model, dan data supplier/domain yang tersedia.

Keterbatasan saat ini

Perbaikan berikutnya adalah respons model yang divalidasi dengan schema, provenance nilai hasil generasi yang lebih jelas, dan dataset supplier nyata yang lebih kuat. Ini lebih penting daripada menambah bagian generasi baru.

Resumen

Farm Hub fue un producto de hackathon para analizar la viabilidad de la piscicultura en Sumatra Occidental. Desarrollé el backend API, el modelo relacional, la integración con Gemini y el deployment.

Combina datos normales del proyecto con secciones de viabilidad generadas por un modelo. El reto principal era separar ambos tipos de datos para que respuestas incompletas o fallidas no corrompieran los datos del usuario.

Datos del proyecto independientes de la generación

Primero se almacenan las entradas del proyecto. Las secciones generadas, como resumen, análisis financiero, información técnica y roadmap, se guardan por separado.

Si Gemini no está disponible o devuelve contenido inválido, el proyecto permanece intacto y puede reintentarse. Los clientes reciben campos estables en lugar de analizar un gran bloque de texto generado.

Output inconsistente del modelo

Los prompts abiertos produjeron secciones ausentes o inconsistentes. Restringí la generación a una estructura de respuesta definida y traté los resultados mal formados como errores.

El análisis generado sirve para apoyar decisiones, no como recomendación definitiva de continuar o abandonar un proyecto. Su calidad depende del prompt, del comportamiento del modelo y de los datos de proveedores disponibles.

Límites actuales

Las mejoras prioritarias son respuestas verificadas mediante schema, provenance más clara para los valores generados y mejores datos reales de proveedores. Son más importantes que producir más secciones automáticas.

Présentation

Farm Hub était un projet de hackathon étudiant la faisabilité de la pisciculture à Sumatra occidental. J’ai réalisé le backend API, le modèle relationnel, l’intégration de Gemini et le deployment.

Le produit réunit les données classiques du projet et une analyse générée. Il fallait surtout les séparer pour qu’une réponse défaillante ou peu fiable du modèle ne corrompe pas le projet de l’utilisateur.

Indépendance des données et de la génération

Les données saisies sont enregistrées d’abord. Les sections générées — résumé, analyse financière, données techniques et roadmap — restent séparées.

Si Gemini échoue ou renvoie un résultat invalide, le projet d’origine est préservé et la génération peut être relancée. Les clients accèdent à des champs stables plutôt qu’à un bloc de texte à analyser.

Gérer les réponses incohérentes

Des prompts trop libres produisaient des sections manquantes ou incohérentes. J’ai imposé une structure de réponse et rejeté les outputs mal formés au lieu de les enregistrer comme analyses valides.

L’analyse générée sert d’aide à la décision, pas de recommandation définitive. Sa qualité dépend du prompt, du modèle et des données métier et fournisseurs disponibles.

Limites actuelles

Les prochaines priorités sont la validation des réponses par schema, une provenance plus claire des valeurs générées et un meilleur dataset de fournisseurs réels, plutôt que de multiplier les sections générées.

Überblick

Farm Hub war ein Hackathon-Projekt zur Machbarkeitsanalyse von Fischzucht in Westsumatra. Ich entwickelte Backend API, relationales Modell, Gemini-Integration und Deployment-Pfad.

Die Anwendung verbindet normale Projektdaten mit automatisch generierten Machbarkeitsanalysen. Die zentrale Herausforderung war die Trennung beider Datenarten, damit fehlerhafte Modellantworten keine Nutzerdaten beschädigen.

Projektdaten unabhängig von der Generierung

Projekteingaben werden zuerst gespeichert; generierte Abschnitte wie Zusammenfassung, Finanzanalyse, technische Informationen und Roadmap bleiben getrennt.

Wenn Gemini nicht erreichbar ist oder ungültige Daten liefert, bleibt das ursprüngliche Projekt erhalten und der Prozess kann erneut gestartet werden. Clients erhalten stabile Felder statt eines großen generierten Textblocks.

Inkonsistente Modellausgaben

Offene Prompts führten zu fehlenden und widersprüchlichen Abschnitten. Ich begrenzte die Generierung auf eine feste Antwortstruktur und behandelte fehlerhafte Outputs als Fehler.

Die Analyse unterstützt Entscheidungen, ist aber keine verbindliche Empfehlung. Ihre Qualität hängt von Prompt, Modellverhalten und verfügbaren Lieferanten- und Fachbereichsdaten ab.

Aktuelle Grenzen

Wichtige Verbesserungen sind schemavalidierte Antworten, klarere Herkunft generierter Werte und bessere reale Lieferantendaten. Sie sind sinnvoller als zusätzliche generierte Abschnitte.

概要

Farm Hubは西スマトラ州の養殖事業の実現可能性を調べるHackathon製品です。私はBackend API、Relational Model、Gemini Integration、Deploymentを担当しました。

アプリは通常のプロジェクトデータとModelが生成した実現可能性分析を組み合わせます。重要な課題は、不正確なModel応答や失敗によってユーザーの元データが破損しないよう、両者を分離することでした。

プロジェクトデータと生成結果を分離

入力データを先に保存し、生成された要約、財務分析、技術情報、Roadmapは別々に管理します。

Geminiが利用できない場合や無効なOutputを返した場合でも、元のプロジェクトは残り、後で再試行できます。Clientは巨大な生成文章をParsingせず、安定したFieldを受け取ります。

一貫しないModel Outputへの対応

自由度の高いPromptでは、欠落や不整合のあるセクションが生成されました。そこで応答形式を固定し、不正なOutputは有効な分析として保存せずErrorとして扱いました。

生成分析は意思決定の参考情報であり、事業実施の絶対的な判断ではありません。品質はPrompt、Modelの挙動、利用可能なSupplierやDomain Dataに依存します。

現在の制約

次に重要なのはSchemaによる応答検証、生成値の明確なProvenance、実際のSupplier Datasetの充実です。生成項目を増やすことより優先度が高い改善です。