Urbánika

Problema

Durante el Talent Hackathon (Talent Land) el track trató sobre las infraestructuras digitales y urbanas modernas que generan volúmenes masivos de tráfico de red, lo que dificulta la detección de anomalías, puntos de congestión y patrones de uso ineficientes en tiempo real.

Las herramientas tradicionales de monitoreo se enfocan en métricas crudas, pero carecen de inteligencia contextual, lo que limita su capacidad para predecir problemas u optimizar los flujos de tráfico de manera proactiva, especialmente en entornos como ciudades inteligentes, redes empresariales o sistemas distribuidos.

Solución

Se diseñó y desarrolló un sistema impulsado por IA capaz de analizar el tráfico de red en tiempo real, identificando patrones, anomalías y oportunidades de optimización.

El sistema procesa datos de tráfico en vivo y aplica modelos de machine learning para clasificar comportamientos, detectar picos inusuales y generar insights accionables para la toma de decisiones. Este proyecto fue desarrollado como parte de un hackathon, con un fuerte énfasis en el prototipado rápido y la aplicabilidad en escenarios reales.

Las funcionalidades clave incluyen:

• Ingesta y procesamiento de tráfico de red en tiempo real
• Reconocimiento de patrones y detección de anomalías mediante IA
• Clasificación del tráfico por tipo, intensidad y comportamiento
• Dashboards visuales para monitoreo e insights
• Arquitectura escalable pensada para futuros casos de uso en infraestructuras inteligentes

Enfoque Técnico

La arquitectura fue diseñada alrededor de un pipeline de procesamiento de eventos en tiempo real. El tráfico de red fue proporcionado por el sponsor donde fue capturado y transmitido a una capa de procesamiento, donde se normaliza y se alimenta a modelos de machine learning entrenados con un dataset que depuramos nosotros para reconocer comportamientos base y desviaciones.

La capa de IA evalúa continuamente los flujos de tráfico, permitiendo la detección casi inmediata de congestión, uso anómalo o amenazas potenciales. Los resultados se exponen a través de una API y se visualizan en un dashboard frontend ligero.

El sistema prioriza el procesamiento de baja latencia y la modularidad, permitiendo intercambiar o extender modelos y fuentes de datos según el entorno (redes empresariales, IoT, infraestructura urbana).

Resultados

• Análisis de tráfico en tiempo real con inferencia de baja latencia
• Detección exitosa de patrones de tráfico anómalos durante pruebas
• Visualización clara de tendencias de comportamiento de red
• Retroalimentación positiva por parte de los jueces del hackathon sobre su aplicabilidad práctica
• Y finalistas del hackathon más grande en México (quedando dentro de los mejores 3 equipos)

Stack Tecnológico

• IA / ML: Python, modelos de Machine Learning para reconocimiento de patrones
• Backend: Servicios en Node.js / Python para ingesta y procesamiento de datos
• Streaming de Datos: Pipeline de procesamiento de eventos en tiempo real
• Frontend: React, TypeScript, Tailwind CSS