Cómo lo hicimos
Detrás de cada visualización, mapa y análisis que ves en SEIA Analytics, hay un proceso técnico complejo que convierte datos crudos en información útil. Nada de esto ocurre por arte de magia: hay scraping, procesamiento de datos, modelamiento con inteligencia artificial y muchas pruebas y ajustes en el camino.
En esta sección te contamos cómo lo hicimos. Desde la extracción de datos hasta los modelos que usamos para estructurarlos, aquí encontrarás artículos que desglosan nuestra metodología, los desafíos que enfrentamos y las soluciones que implementamos, en la voz del equipo de Unholster.
Si te interesa saber qué hay detrás del código, cómo entrenamos modelos para reconocer información clave o cómo logramos hacer que los datos del SEIA sean analizables, este es tu lugar.
Extrayendo la data del SEIA: Scraper para organizar el caos
Para analizar los más de 28 mil proyectos registrados en el SEIA, construir un scraper era la única opción viable. ¿Cómo lo hicimos? En este artículo te contamos el proceso, los desafíos y cómo transformamos datos dispersos en información estructurada para analizar.
De texto a datos: Cómo entrenamos a la IA para leer el SEIA
Extraer información sobre flora, fauna y comunidades desde miles de informes no es tarea fácil. Entre errores ortográficos, formatos dispares y datos incompletos, entrenar un modelo de IA preciso es un desafío que requiere paciencia y ajustes constantes. Te contamos cómo lo hicimos.
Del dato al mapa: Visualizando los proyectos del SEIA
Transformar miles de datos en una visualización clara y útil no es trivial. En este artículo te contamos cómo desarrollamos un mapa interactivo para identificar proyectos del SEIA y acceder a sus fichas de datos de forma rápida y eficiente.