Skip to content

About

Project Repository for team-22 at Platanus Hack 26: Santiago ft. Buk

Resources

Stars

0 stars

Watchers

0 watching

Forks

Latest commit

 

History

252 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

root

Logo de root

Platanus Hack 26 · Santiago · team-22 · Track 🌐 Simulaciones

¿Hacia dónde va una comuna, y qué pasa si el plan que la iba a mejorar no se cumple?

root simula cómo evolucionan las 52 comunas de la Región Metropolitana de Santiago entre 2026 y 2036 y las ordena por el riesgo que corre quien quiere vivir, invertir o instalar una empresa en ellas. Cada plan público pesa según la probabilidad real de que se cumpla, y cada resultado se muestra como una banda de 500 réplicas, nunca como un número solo.

Probar root

Qué simula y qué mide:

  • Aire. PM2,5 por comuna y año según los planes de descontaminación, con el aire moviéndose por la cuenca de una comuna a otra.
  • Hogares y población. Quién se muda a dónde y cuánto crece cada comuna; los hogares se llevan consigo la leña que queman.
  • Seguridad. Delitos por habitante, con el efecto de cámaras e iluminación como políticas ilustrativas.
  • Clima. Cambio en la frecuencia de sequía por comuna, con las corridas de los modelos climáticos de ARClim.
  • Agua. Caudal medido en 14 estaciones de la DGA y un «¿y si sigue la megasequía?» que sortea 500 décadas posibles por río.
  • Lo que mira quien invierte. Decretos de escasez hídrica, capacidad de la red eléctrica, proyectos aprobados en el SEIA y licitaciones municipales, una por una.

Escribes tu caso con tus palabras y Claude lo traduce a prioridades dentro de un catálogo cerrado; el orden de las comunas y todos los números los calcula siempre la simulación. El modelo se probó contra datos que no había visto y publicamos también dónde pierde.

La pregunta

¿Qué pasa si el plan no se cumple?

Cada medida del Plan de Descontaminación (PPDA, D.S. 31/2016) pesa según el historial de cumplimiento de quien la ejecuta. Ese historial viene de una revisión medida por medida de 2023: 24 % conformes, 21 % parciales y 55 % sin evidencia pública. El modelo corre 500 réplicas por escenario y muestra bandas, nunca un número solo.

Hallazgos

PM2,5 en 2036, ponderado por población. Nivel de 2023: 23,1 µg/m³ (las 10 comunas con estación parten de su medición). Norma anual: 20 µg/m³.

Escenario Mediana (p10–p90)
Ninguna política avanza 22,9
Planes vigentes, con el historial real de cumplimiento 21,4 (20,2–22,4)
Planes vigentes, cumplidos al 100 % 18,8
Planes vigentes + prohibición de leña en la Zona B 18,5 (15,6–21,1)
  1. El incumplimiento como cifra. El plan escrito deja la región bajo la norma. Con el cumplimiento observado no la alcanza.

  2. La migración puede borrar la mejora. La ciudad se muda hacia la Zona B (+18 % de población en 2036). Si la leña sigue a la gente, con el plan vigente la región queda en 22,9, prácticamente el nivel de hoy.

  3. Importa más quién ejecuta que cuántas promesas hay. Una planilla da 20,24 µg/m³ para todas las variantes de las 18 promesas de la Zona B. La simulación las separa:

    Ejecución Banda Probabilidad de cumplir la norma
    Un solo ejecutor 2,96 µg/m³ 0,51
    18 municipios 1,32 µg/m³ 0,54

    Lo robusto es la banda. La probabilidad de cumplir la norma depende de qué lado del umbral quede la mediana y su orden se invierte con cambios chicos de nivel (docs/promesas.md).

  4. Las políticas de seguridad casi no mueven la tasa comunal. Con efectos citados de metaanálisis (cámaras y alumbrado reducen delitos contra la propiedad, no violentos), cobertura del 25 % y credibilidad municipal baja, las cámaras bajan los delitos de mayor connotación social entre 0,6 % y 1,0 % en las comunas intervenidas: muy dentro de la variación de un año a otro.

Detalle y supuestos: docs/modelo-aire.md, docs/modelo-hogares.md, docs/modelo-seguridad.md, docs/promesas.md.

Validación

Cada mecanismo se ajusta con un período y se prueba con otro que no vio, contra alternativas simples. También publicamos dónde pierde.

Variable Prueba fuera de muestra Métrica Modelo Sin cambio Tendencia Cobertura banda 80 % Gana
Aire PM2,5 por estación 2022-2024 desde 2019 (ajuste 2017-2019) RMSE µg/m³ 1,91 2,40 4,24 74% Modelo
Hogares Migración neta por comuna 2019-2024 (ajuste 2012-2017) RMSE personas 4.335 7.716 5.054 — Modelo
Población Población por comuna 2024 desde 2017 (tasas 2012-2017) RMSE personas 16.904 15.046 — — Sin cambio
Seguridad Tasa de delitos 2024 a 1 año (comunas fuera del ajuste) RMSE log (≈ error relativo) 0,085 0,074 0,131 70% Sin cambio
Seguridad Tasa de delitos 2024 a 2 años (comunas fuera del ajuste) RMSE log (≈ error relativo) 0,108 0,124 — 66% Modelo

Un solo comando reproduce la tabla: make validate (recalibra y escribe docs/validacion.md y results/validacion.json). Las alternativas son sin cambio (se repite el último valor) y tendencia (sigue la línea del ajuste).

El modelo de aire acierta cuánto mejora la región, pero todavía no qué comunas ganan más. Donde hay estación (10 comunas), el nivel parte de lo medido y el modelo calcula el cambio. Más detalle en docs/sim-spec.md.

Decisiones técnicas

Los números salen del Monte Carlo, no de un modelo de lenguaje. La IA cumple un solo papel: leer el caso que la persona escribe («mi hijo tiene asma», «quiero instalar una bodega») y elegirle un perfil y unos pesos dentro de un catálogo cerrado. Nunca escribe cifras sobre las comunas.

Para eso usamos Claude Sonnet 5.5 por la API de Anthropic, con salida estructurada (json_schema), validación en el servidor (se descarta toda variable fuera del catálogo y toda cita que no esté textual en el caso), esfuerzo bajo y caché de prompt y de respuestas. Resultado con el modelo real: 29 de 29 frases de prueba quedan como se esperaba, incluida una inyección de prompt (docs/evaluacion-casos.md).

Evaluamos las alternativas y las descartamos a propósito:

Alternativa Por qué no
IA local (modelo abierto servido con llama-server, Ollama o vLLM) Desplegarla exige un servidor con GPU encendido todo el día, o una CPU demasiado lenta para responder en el momento. Con la API, el servidor es un proceso Node pequeño sin GPU, se paga solo por llamada y un tope diario fija el gasto máximo. Además, un modelo pequeño entiende peor los casos ambiguos o en otro idioma.
Fine-tuning (LoRA/QLoRA o por API) No existen casos etiquetados; habría que inventarlos (dataset sintético, riesgo de colapso de modo). El catálogo cambió varias veces en 36 horas (de 3 a 7 variables, de 5 a 9 perfiles) y cada cambio obligaría a reentrenar. Con prompt + esquema, se edita y se reevalúa en minutos con npm run evaluar.
RAG sobre documentos de las comunas El LLM terminaría citando cifras; los números deben venir solo del simulador validado.
Agentes LLM dentro de la simulación 500 réplicas × 52 comunas × 10 años = 260 000 decisiones por escenario, no reproducibles por semilla y sin datos para validarlas. Los hogares se modelan como flujos calibrados con el censo (ADR-0002).

La clave de Anthropic vive solo en servidor-guia/, con tope por IP y tope diario. Si el servidor no responde, la página sigue funcionando con detección por palabras clave. Detalle en ADR-0007; todas las decisiones de ingeniería (modelo, validación, despliegue, seguridad, reproducibilidad) en docs/decisiones-tecnicas.md.

Cómo ejecutar

make setup      # crea .venv e instala dependencias
make test       # 329 pruebas del núcleo y de los datos
make simulate   # calibra, simula y escribe viz/datos/simulacion.json (~15 s)
make validate   # prueba fuera de muestra contra sin cambio y tendencia -> docs/validacion.md
make licitaciones-detalle  # aporte de cada licitación a la credibilidad municipal -> viz/datos/licitaciones.json

El sitio publicado es la landing de web/ con la interfaz de viz/ dentro, en simulador/: npm run build en web/ construye las dos. Para ver solo el resultado en el mapa en relieve (la interfaz de viz/):

cd viz
npm install     # hace falta de nuevo si cambió package-lock.json
npm run dev     # abre la dirección que imprime, normalmente http://localhost:5173

El mapa en relieve necesita internet y WebGL; si falta alguno, la interfaz pasa sola al mapa plano (detalle y respaldos sin conexión en viz/README.md).

Para volver a descargar los datos crudos: pip install -e ".[datos]" y correr el script de datos/ de cada fuente (ver «Fuentes de datos»).

Estructura

datos/        scripts de descarga (SINCA, RETC, censo, CEAD, PPDA)
data/         tablas limpias, con README de fuente, fecha y vacíos
core/         núcleo sin interfaz: aire, hogares, credibilidad y ciclo anual
experiments/  calibración, comparación de promesas y simulación
results/      resultados de validación, cada uno con el comando que lo reproduce
viz/          interfaz: solo lee viz/datos/simulacion.json
docs/         spec, modelo y decisiones del proyecto

Fuentes de datos

  • SINCA (MMA): PM2,5 por estación.
  • RETC: emisiones por comuna y fuente.
  • INE: Censos 2017 y 2024.
  • CEAD: delitos por comuna.
  • ECOS-Chile y la SMA: cumplimiento del PPDA.

Cada una con su URL, fecha de descarga y vacíos en el README de su carpeta de data/. Las emisiones todavía no tienen README: su fuente (datos abiertos del RETC) está documentada en datos/emisiones/build_emisiones.py.

Equipo

Documentos del equipo: docs/plan-comunas.md · docs/contexto-proyecto.md · docs/work-plan.md

About

Project Repository for team-22 at Platanus Hack 26: Santiago ft. Buk

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages