Página de Status do SF Muni Construída com Ferramentas de IA

Resumo Rápido

Uma recente interrupção na rede de transporte de São Francisco gerou a criação de um novo aplicativo web projetado para responder a uma simples pergunta do comutador: devo pegar o metrô ou o ônibus? Inspirado pela utilidade do site "Preciso de uma Guarda-Chuva", esta nova ferramenta aproveita o aprendizado de máquina para interpretar dados do metrô em tempo real.

O projeto, desenvolvido por um programador independente, demonstra a aplicação prática da IA na mobilidade urbana. Ao analisar diagramas de circuito publicamente disponíveis do sistema SF Muni Central, o aplicativo visa fornecer insights mais claros para viajantes diários que navegam pela complexa infraestrutura de transporte da cidade.

A Centelha da Inspiração

A gênese do projeto foi uma experiência específica e frustrante: uma falha no metrô que deixou os comutadores presos e buscando respostas. Este incidente destacou uma lacuna em informações de transporte acessíveis e preditivas. O desenvolvedor buscou construir uma ferramenta que pudesse responder proativamente à questão crítica de se confiar no sistema de metrô em qualquer momento dado.

Adotando uma filosofia de desenvolvimento moderna, o criador decidiu "vibe codar" o aplicativo o máximo possível. Esta abordagem envolve usar assistentes de código de IA para gerar a maior parte do código-fonte, permitindo que o desenvolvedor se concentre na arquitetura de alto nível e na resolução de problemas em vez de escrever cada linha de código manualmente.

• Desencadeado por uma interrupção real do serviço de metrô
• Modelado após a utilidade simples de "Preciso de uma Guarda-Chuva"
• Focado no dilema específico do comutador: metrô vs. ônibus
• Adotou uma metodologia de "vibe coding" para desenvolvimento rápido

Construindo com Assistência de IA

O processo de desenvolvimento começou com o Claude Code, um assistente de programação de IA, encarregado de criar um script de fundo. Este script foi projetado para baixar automaticamente imagens dos diagramas de circuito em tempo real disponíveis através do domínio sfmunicentral.com, capturando o estado vivo da rede de metrô.

Após a aquisição dos dados, a próxima etapa envolveu criar uma ferramenta para rotular essas imagens. A IA gerou um rotulador de imagens usando a biblioteca tkinter. No entanto, esta fase provou ser mais complexa do que o esperado, exigindo intervenção manual substancial antes que o processo de rotulagem pudesse começar efetivamente.

""Parecia a ferramenta certa para o trabalho, mas teria economizado tempo se eu tivesse construído do zero.""

Apesar dos obstáculos iniciais com a ferramenta de rotulagem, o projeto avançou para sua fase tecnicamente mais interessante: transformar os dados de imagem rotulados em previsões acionáveis usando o PyTorch. O assistente de IA escreveu o script inicial para este componente de aprendizado de máquina com relativa velocidade, embora ainda tenha exigido ajustes manuais cuidadosos.

Desafios Técnicos e Refinamentos

Enquanto o modelo de aprendizado de máquina começava a processar os dados, o desenvolvedor encontrou as nuances inevitáveis de trabalhar com redes neurais. O script gerado pela IA sinalizou certas imagens como outliers, levando o desenvolvedor a engajar em um processo de revisão manual e questionamento para garantir a precisão do modelo.

Em um momento de realização que muitos desenvolvedores podem relacionar, um gargalo significativo de desempenho foi descoberto profundamente no processo de desenvolvimento. O script inicial gerado pelo Claude não havia habilitado o suporte à GPU do PyTorch, significando que o processamento intensivo de imagens estava rodando na CPU em vez da placa de vídeo.

""Admito que fui longe de forma embaraçosa antes de perceber que o Claude não havia habilitado o suporte à GPU do pytorch; um momento real de facepalm da minha parte.""

Esta supervisão exigiu uma correção manual para desbloquear todo o poder computacional do hardware, um passo crucial para garantir que o aplicativo pudesse processar dados de forma eficiente e fornecer previsões oportunas aos usuários.

Disponibilidade de Código Aberto

O resultado final desta jornada de desenvolvimento é o munimet.ro, um aplicativo web que serve como uma página de status baseada em aprendizado de máquina para o sistema local de metrô. O projeto é um testemunho do potencial de combinar ferramentas de IA com supervisão humana para resolver problemas práticos e do dia a dia.

Para aqueles interessados na implementação técnica ou que desejam contribuir, o projeto não é uma caixa fechada. O código-fonte completo foi disponibilizado publicamente sob uma licença MIT. Esta abordagem de código aberto convida escrutínio, colaboração e adaptação por outros desenvolvedores na comunidade.

• Nome do Aplicativo: munimet.ro
• Licença: MIT (código aberto permissivo)
• Repositório: Hospedado no GitHub
• Tecnologias Primárias: Python, PyTorch, Tkinter

Olhando para o Futuro

A criação do munimet.ro ilustra uma tendência crescente onde desenvolvedores individuais podem prototipar rapidamente aplicativos complexos usando co-pilotos de IA. Ao abordar um ponto de dor específico no transporte urbano, o projeto vai além de um simples exercício de codificação para oferecer potencial utilidade para os comutadores de São Francisco.

Enquanto o aplicativo é atualmente uma prova de conceito, ele destaca a acessibilidade das ferramentas de aprendizado de máquina para resolver problemas de nicho. A disposição de compartilhar o código-fonte publicamente garante que o projeto possa evoluir, potencialmente inspirando ferramentas semelhantes para outros sistemas de transporte ou desafios completamente diferentes de visualização de dados.