Photon Labs — een teelt-OS dat continu leert
Commerciële telers van cannabis, kruiden en microgreens werken vaak met losse sensoren, een handgeschreven journaal en hun ervaring. Photon Labs koppelt de IoT-data realtime aan Claude AI: het systeem ziet trends ver vóór de teler ze opmerkt, detecteert ziektes uit foto's met Roboflow + Claude vision, en stelt na elke teeltcyclus betere parameters voor. Eigen Lynuxis-SaaS — gebouwd vanaf nul, multi-tenant, Stripe-billing-ready.
De teelt zit vast in spreadsheets
De meeste commerciële telers gebruiken losse sensoren (klimaat, EC, lichtmeter, CO₂) die elk hun eigen app hebben. Het journaal staat in Excel. Een mislukte cyclus kost grofweg €15–€80k aan opbrengstverlies — en de oorzaak ligt vaak in een trend die dagen eerder al zichtbaar was.
Daarnaast: ziektedetectie gaat op gevoel en visuele controle. Eén onbehandeld plekje van schimmel of trips kan een hele kas besmetten.
Wat ontbrak: een systeem dat alle data centraliseert, anomaliën vroeg ziet en helpt om elke cyclus iets beter te leren dan de vorige.
Sensoren in — aanbevelingen uit
Photon Labs is een Next.js 15-app op Supabase met realtime data-streams. Telers koppelen hun bestaande sensoren via webhook (we zijn agnostisch — Netatmo, Trolmaster, Pulse, eigen ESP-bordjes).
Een dashboard toont realtime klimaat per cel, met afwijkings-indicatoren. Claude Sonnet leest elke 15 minuten de afgelopen 24u trend + de cycli-historie en stelt concrete bijstellingen voor — gemotiveerd in begrijpelijke teler-taal.
Voor ziektedetectie uploadt de teler een foto. Roboflow detecteert standaard schadebeelden; Claude vision fungeert als second opinion en geeft context ("kijk ook naar voedingsbalans deze week"). Resultaat: een rapport binnen 10 seconden.
Per cyclus wordt alles vastgelegd in Pinecone als vector — zo kan de AI bij volgende cycli verwijzen naar wat in vergelijkbare situaties werkte.
Realtime klimaat + AI-aanbevelingen
Eén overzicht per kas-cel. Trends in 1 oogopslag, opvallendheden uitgelicht, en daaronder steeds één concrete actie van de AI met motivatie.
CO₂-trend · laatste 24u↓ −180 ppm sinds 14:00
Controleer CO₂-injectiesysteem — actie binnen 2u
CO₂ daalt sinds 14:00 sneller dan verwacht (−180 ppm in 4u). Tegelijk geen wijziging in ventilatie. Hoogstwaarschijnlijk regelaar #2 of een ventiel-blokkade. Cycli #4 en #6 hadden hetzelfde patroon op dag 14 — vertraging van 6u kostte gem. 4% opbrengst.
Eén foto, twee modellen, één rapport
Roboflow detecteert standaard schadebeelden (10 jaar gelabelde teelt-data). Claude vision geeft tweede mening + context vanuit de huidige sensor-status van die cel.
2 detecties · Roboflow + Claude vision
Onder de motorkap
- FrameworkNext.js 15 (App Router) + React 19 + TypeScript strict
- DatabaseSupabase (Postgres 16 + Auth + Realtime)
- AI brainClaude Sonnet 4.6 (klimaat-aanbevelingen + vision second opinion)
- Computer visionRoboflow (ziektedetectie) + Claude vision fallback
- EmbeddingsOpenAI text-embedding-3-large → Pinecone vector store
- BetalingenStripe (multi-tenant subscriptions + usage-based billing)
- E-mailResend + React Email voor weekrapporten
- IoT-ingangWebhook-eindpunt (agnostisch — werkt met Netatmo, Trolmaster, Pulse, ESP)
- MonitoringSentry + Upstash Redis rate-limiting
- HostingVercel edge runtime
Wat het echt anders maakt
- Cycli als vectorElke teeltcyclus wordt geëmbed en bewaard — AI verwijst naar wat eerder werkte
- Multi-tenant by designIedere teler eigen kassen, sensoren, billing, RBAC
- Geen vendor-lockSensor-agnostisch via webhook — telers koppelen hun bestaande hardware
- Twee-AI-lagenRoboflow snel + cheap voor detectie, Claude duur maar slim voor context
- Privacy-firstFoto's en sensordata blijven binnen tenant-scope, geen training op klantdata
- Enterprise APIKlaar voor grote telers die het systeem in eigen ERP willen koppelen
"De teelt is een vak van micro-beslissingen die je vaak achteraf pas kunt valideren. Photon Labs maakt die lus zichtbaar — je leert per cyclus letterlijk iets nieuws over je eigen werkwijze. Voor mij ligt de waarde niet zozeer in één alarm, maar in het feit dat het systeem onthoudt wat in vergelijkbare situaties werkte."
Eigen SaaS in jouw branche?
Zorg, vastgoed, agritech, fitness, logistiek — overal waar data verspreid is en de menselijke expert traint op patronen, kan een AI-laag werken. Wij bouwen zo'n platform van nul af aan, vaste prijs, eigen domein.