Página de estado de SF Muni construida con herramientas de IA

Resumen Rápido

Una reciente interrupción en la red de transporte de San Francisco impulsó la creación de una novedosa aplicación web diseñada para responder una simple pregunta del viajero: ¿debería tomar el metro o un autobús? Inspirada en la utilidad del sitio web "¿Necesito un paraguas?", esta nueva herramienta aprovecha el aprendizaje automático para interpretar los datos del metro en tiempo real.

El proyecto, desarrollado por un programador independiente, demuestra la aplicación práctica de la IA en la movilidad urbana. Al analizar los diagramas de circuitos de acceso público del sistema SF Muni Central, la aplicación busca proporcionar claras perspectivas para los viajeros diarios que navegan por la compleja infraestructura de transporte de la ciudad.

La Chispa de Inspiración

El origen del proyecto fue una experiencia específica y frustrante: una interrupción del metro que dejó a los viajeros varados y buscando respuestas. Este incidente destacó una brecha en la información de transporte accesible y predictiva. El desarrollador buscó construir una herramienta que pudiera responder proactivamente la pregunta crítica de si confiar en el sistema de metro en un momento dado.

Adoptando una filosofía de desarrollo moderna, el creador decidió "vibe codear" la aplicación tanto como fuera posible. Este enfoque implica utilizar asistentes de programación de IA para generar la mayor parte del código base, permitiendo al desarrollador centrarse en la arquitectura de alto nivel y la resolución de problemas en lugar de escribir cada línea de código manualmente.

• Desencadenado por una interrupción real del servicio del metro
• Modelado después de la simple utilidad de "¿Necesito un paraguas?"
• Centrado en el dilema específico del viajero: metro vs. autobús
• Adoptó una metodología de "vibe coding" para un desarrollo rápido

Construyendo con Asistencia de IA

El proceso de desarrollo comenzó con Claude Code, un asistente de programación de IA, encargado de crear un script de fondo. Este script estaba diseñado para descargar automáticamente imágenes de los diagramas de circuitos en tiempo real disponibles a través del dominio sfmunicentral.com, capturando el estado en vivo de la red del metro.

Después de la adquisición de datos, el siguiente paso implicó crear una herramienta para etiquetar estas imágenes. La IA generó un etiquetador de imágenes utilizando la biblioteca tkinter. Sin embargo, esta fase resultó más compleja de lo anticipado, requiriendo una intervención manual sustancial antes de que el proceso de etiquetado pudiera comenzar efectivamente.

"Parecía la herramienta adecuada para el trabajo, pero habría ahorrado tiempo si lo hubiera construido desde cero yo mismo."

A pesar de los obstáculos iniciales con la herramienta de etiquetado, el proyecto avanzó hacia su fase técnicamente más interesante: transformar los datos de imágenes etiquetados en predicciones accionables utilizando PyTorch. El asistente de IA escribió el script inicial para este componente de aprendizaje automático con relativa rapidez, aunque aún requería un cuidadoso ajuste manual.

Desafíos Técnicos y Refinamientos

A medida que el modelo de aprendizaje automático comenzó a procesar los datos, el desarrollador se encontró con las inevitables sutilezas de trabajar con redes neuronales. El script generado por IA marcó ciertas imágenes como valores atípicos, lo que llevó al desarrollador a participar en un proceso de duda y revisión manual para asegurar la precisión del modelo.

En un momento de realización que muchos desarrolladores pueden relacionar, se descubrió un cuello de botella de rendimiento significativo en medio del proceso de desarrollo. El script inicial generado por Claude no había habilitado el soporte de GPU de PyTorch, lo que significaba que el intensivo procesamiento de imágenes se ejecutaba en la CPU en lugar de la tarjeta gráfica.

"Admito que llegué lejos de manera vergonzosa antes de darme cuenta de que Claude no había habilitado el soporte de GPU de pytorch; un verdadero momento de palmada en la frente por mi parte."

Este descuido requirió una corrección manual para desbloquear el poder computacional completo del hardware, un paso crucial para asegurar que la aplicación pudiera procesar datos de manera eficiente y proporcionar predicciones oportunas a los usuarios.

Disponibilidad de Código Abierto

El resultado final de este viaje de desarrollo es munimet.ro, una aplicación web que sirve como una página de estado basada en aprendizaje automático para el sistema local de metro. El proyecto se erige como un testimonio del potencial de combinar herramientas de IA con supervisión humana para resolver problemas prácticos y cotidianos.

Para aquellos interesados en la implementación técnica o que deseen contribuir, el proyecto no es una caja cerrada. El código fuente completo se ha puesto a disposición pública bajo una licencia MIT. Este enfoque de código abierto invita al escrutinio, la colaboración y la adaptación por parte de otros desarrolladores en la comunidad.

• Nombre de la aplicación: munimet.ro
• Licencia: MIT (código abierto permisivo)
• Repositorio: Alojado en GitHub
• Tecnologías principales: Python, PyTorch, Tkinter

Viendo Hacia Adelante

La creación de munimet.ro ilustra una tendencia creciente donde los desarrolladores individuales pueden prototipar rápidamente aplicaciones complejas utilizando copilotos de IA. Al abordar un punto de dolor específico en el transporte urbano, el proyecto va más allá de un simple ejercicio de codificación para ofrecer una utilidad potencial para los viajeros de San Francisco.

Si bien la aplicación es actualmente una prueba de concepto, destaca la accesibilidad de las herramientas de aprendizaje automático para resolver problemas de nicho. La voluntad de compartir el código base públicamente asegura que el proyecto pueda evolucionar, inspirando potencialmente herramientas similares para otros sistemas de transporte o desafíos completamente diferentes de visualización de datos.