Hacki
Hackathons
Competencia Argentina Space

Competencia Argentina Space

Finalized

Hackathon Argentina Space 2026

Submissions are closedBrowse BUIDLs
All BUIDLs

Competencia Argentina Space · BUIDL

INTI-GRAPH

Qué narrativas circulan, quién las apoya y qué cuentas las empujan: 150.000 comentarios en un comando, sin GPU y con USD 0 de IA.

About the project

Qué hace

INTI-GRAPH toma el set del desafío y devuelve, sin intervención manual, las tres cosas que pide el jurado: qué narrativas circulan, quién las apoya o las rechaza y desde cuándo, y qué cuentas actúan coordinadas. Un solo comando, de punta a punta, sin claves ni servicios externos.

Cómo funciona

  • Ingesta y almacén. Los CSV se validan y se guardan en DuckDB + Parquet ZSTD: el warehouse de 150.000 comentarios ocupa 2,6 MB y se consulta con SQL.
  • Ruido separado primero. Los comentarios sin contenido narrativo se apartan antes de agrupar, para que no contaminen los clusters.
  • Narrativas. Los textos únicos se codifican con embeddings semánticos multilingües (MiniLM 384-d, ONNX) escalados por una métrica aprendida sobre pares del set de práctica, y se agrupan en 12 narrativas base sobre 3 macro-temas. Las emergentes se detectan aparte, por cohorte temporal: aparecen por primera vez en la segunda mitad del período.
  • Postura por comentario. Cada comentario queda como apoya o rechaza respecto de la afirmación que comparte, usando el léxico del propio conjunto.
  • Origen. Para cada narrativa se estima el arranque de su ola principal (primer día que alcanza 10 % del pico diario), no el primer comentario aislado.
  • Coordinación. Se firman las cuentas por comportamiento: sincronía en horarios de baja actividad, reutilización de textos y respuestas cruzadas. Solo sobreviven las redes densas, y cada red se reporta como una operación con su firma típica.

Resultados sobre el set final (150.000 comentarios, 10 días, 12.002 cuentas)

  • Narrativas detectadas: 14 (12 base + 2 cohortes tardías).
  • Ruido separado: 30.536 comentarios (20,4 %).
  • Postura: 72,8 % apoya y 27,2 % rechaza sobre los 119.464 comentarios con narrativa.
  • Cuentas coordinadas: 77 en 3 operaciones (50 / 22 / 5).
  • Tiempo en frío, notebook de 8 GB sin GPU: 193,3 s (776 comentarios/s).
  • Costo de IA: USD 0,00 y 0 tokens. Warehouse: 2,6 MB.

Puntaje con el evaluador oficial (set de práctica)

Agrupamiento B-cubed F1 0,679 · detección de ruido F1 1,000 · postura macro-F1 0,926 · origen de emergentes 0,896 · coordinación 25/25. Total: 49,27 / 55.

La calibración se ajustó solo con el set de práctica. El set final no trae verdad, así que el número medible es el de práctica; sobre el set final se reportan los resultados de arriba.

Reproducible

Dos corridas sobre el mismo set producen comentarios.csv, narrativas.csv y cuentas.csv con SHA-256 idéntico. Semillas fijas, sin muestreo aleatorio en la asignación final.

Tablero en vivo

<https://fernandofarfan.github.io/inti-graph/>

También queda en docs/index.html (autocontenido, abre sin internet): serie diaria por narrativa, ficha de cada narrativa (título, frases clave, origen y postura) y las operaciones coordinadas con su firma típica.

Video demo (2:27, voz argentina): <https://github.com/Fernandofarfan/inti-graph/releases/download/demo-video/INTI-GRAPH-demo.mp4>

Cómo correrlo

python -m src.pipeline --datos datos/final --entrega entrega

Python 3.11+ con NumPy, pandas, scikit-learn y DuckDB. Corre en una notebook de 8 GB sin GPU. costo.json queda en entrega/ con el tiempo, los tokens y el costo por mil comentarios.

Licencia y costo

MIT. Sin API, sin GPU, sin claves: USD 0,00 de IA (0 tokens). Dos corridas idénticas producen archivos con SHA-256 igual.

Submitted by
Fernando Farfan
Team
2 people
Submitted
13 Nov, 07:58