Resumen del proyecto
BirdDex AI es una app de identificación y colección de aves en el navegador, diseñada como un dispositivo de campo web-first y lúdico. La idea comenzó como una exploración de herramientas visuales de ML, como Google Teachable Machine, y evolucionó hacia un pipeline TensorFlow controlado con curaduría de dataset, entrenamiento de modelo, evaluación, exportación TensorFlow.js e integración en el navegador. El usuario captura un ave con la cámara de la app, ejecuta inferencia del modelo directamente en el navegador, confirma la especie sugerida o marca la captura como desconocida, y desbloquea entradas en una colección BirdDex personal.
Desafío
Crear un MVP con sensación pulida y coleccionable mientras demuestra el ciclo completo de IA en un ciclo corto de construcción: framing de producto, curaduría de dataset, entrenamiento del modelo, exportación a TensorFlow.js, inferencia en el navegador, confirmación de captura, desbloqueo de especies y revisión del historial. El alcance fue reducido intencionalmente a 10 aves brasileñas populares, permitiendo entrenar, validar y publicar rápido sin fingir resolver un problema amplio de clasificación biológica desde el primer día.
Solución
Construí una arquitectura en capas separando reglas de dominio, casos de uso de aplicación, adapters de infraestructura y UI en Next.js. La inferencia con TensorFlow.js corre directamente en el navegador, evitando una API de inferencia para reducir costo, preservar privacidad, simplificar la arquitectura del MVP y mantener una experiencia adecuada para PWA. El pipeline de ML cura datos de aves de iNaturalist, prepara splits balanceados de entrenamiento y validación, entrena un clasificador basado en MobileNetV3, evalúa en 400 imágenes de validación distribuidas en 10 clases, alcanza aproximadamente 74,75% de accuracy de validación en la primera iteración, exporta artefactos TensorFlow.js y publica los archivos necesarios en la web app. Con proceso definido y prompts fuertes, un proyecto como este puede pasar de concepto a demo funcional en un día sin abandonar disciplina de ingeniería.
Artículos relacionados
Este proyecto es un ejemplo práctico de desarrollo asistido por IA con proceso, disciplina de prompt engineering y ML Engineering real: el modelo fue entrenado, evaluado, exportado e integrado a la experiencia en el navegador.
The problem isn't AI. It's using AI without process.
Cómo el desarrollo asistido por IA puede entregar rápido cuando está guiado por arquitectura, checkpoints, validación y un proceso claro de ingeniería.
The Ultimate Guide to Prompt Engineering
El playbook de prompt engineering detrás de transformar intención en planes estructurados, loops de implementación, revisiones y software utilizable.
Tech Stack
- Next.js
- TensorFlow.js
- Visión Computacional
- ML Engineering
- Clean Architecture
- PWA
- i18n
- Pipeline de ML
Alcance técnico
- PWA web-first con captura por cámara dentro de la app y comportamiento standalone
- Pipeline de ML Engineering con curaduría iNaturalist, entrenamiento MobileNetV3, validación y exportación TensorFlow.js
- Colección BirdDex local-first con estados descubierto, no descubierto, desconocido, feedback e historial de capturas
- Inferencia en el navegador optimizada para privacidad, bajo costo operativo, entrega PWA y velocidad de MVP