Calliv

El desafío

Los datos científicos casi nunca llegan listos para analizar. Calliv se propuso tomar datos científicos crudos y dejarlos limpios, procesables y legibles: convertir archivos CSV desordenados en algo sobre lo que una persona pueda razonar y que se pueda visualizar.

Mi rol

Construí el proyecto de punta a punta: el pipeline de procesamiento de datos y la interfaz renderizada en el servidor que lo expone.

Cómo lo encaré

• Limpieza y procesamiento de datos: me ocupé del trabajo poco vistoso pero esencial de normalizar y validar los CSV crudos antes de que cualquier paso posterior pudiera confiar en ellos.
• Frontend (Vue + Nuxt, SSR): usé renderizado del lado del servidor para que la primera carga fuera rápida, con una interfaz pensada para presentar los datos procesados y no para decorarlos.
• Base para el análisis (TensorFlow): dejé preparado el terreno para aplicar técnicas de machine learning a los datos ya limpios.

Qué demuestra

• Los fundamentos de ciencia de datos que más pesan en la práctica: la limpieza y la validación van antes que el modelado.
• La capacidad de moverme entre la capa de datos y una capa de presentación que hace legibles los hallazgos.
• Elegir la estrategia de renderizado adecuada (SSR) para el problema, en lugar de ir por la opción por defecto.

Código: github.com/iasisalomon/calliv