Hacki
Hackathons
Competencia Argentina Space

Competencia Argentina Space

Finalized

Hackathon Argentina Space 2026

Submissions are closedBrowse BUIDLs
All BUIDLs

Competencia Argentina Space · BUIDL

EcoRastro

Pipeline que lee 150.000 comentarios en 7 segundos y sin IA, y muestra qué narrativas circulan, desde cuándo y qué cuentas coordinadas las empujan.

About the project

Qué construimos

Un pipeline que, con un solo comando, lee cientos de miles de comentarios crudos y responde tres preguntas: qué narrativas circulan, desde cuándo y quién las empuja. Procesa el set final de 150.000 comentarios en 7 segundos, en una CPU común, con costo de IA de USD 0.

Además de los cuatro archivos de entrega/, genera un panel HTML que se abre con doble clic y una base DuckDB consultable con SQL.

Cómo funciona

  1. Almacén. DuckDB lee los CSV, descarta filas sucias (sin id, con fechas inválidas o duplicadas) y guarda todo en Parquet comprimido. No hay servidor que levantar.
  2. Formas canónicas. Cada comentario se reduce a su "forma": sin mayúsculas, tildes, emojis ni typos, y sin las muletillas («la verdad», «posta»), que se aprenden de los propios datos. Así 150.000 comentarios quedan en unas 500 formas, aunque las narrativas cambien de redacción con los días.
  3. Narrativas y ruido. Se arma un grafo donde dos formas se unen cuando una le responde a la otra de manera repetida. Cada componente es una narrativa, sin fijar de antemano cuántas hay. Lo que nunca entra en una discusión es ruido.
  4. Postura. Una respuesta con contenido contradice a su padre, así que cada narrativa se divide en dos bandos. Para decidir cuál apoya y cuál rechaza se combinan cuatro evidencias: marcas de réplica, variedad de redacciones, el lado de las cuentas coordinadas y el bando con más voces genuinas.
  5. Origen. El primer comentario de cada narrativa, con su fecha y su publicación.
  6. Coordinación. Para cada par de cuentas se cuenta cuántas veces coincidieron en la misma publicación, del mismo lado y en menos de 30 minutos. Coincidir una vez es viralidad; coincidir muchas veces con las mismas cuentas, no. Después se extrae el núcleo denso del grafo (k-core). No depende de texto idéntico, así que también detecta operaciones de cuentas viejas que usan textos variados.

Resultados

  • Set de práctica: 55 / 55 en el puntaje automático.
  • Set final: 12 narrativas y 3 operaciones coordinadas (100 cuentas) detectadas.
  • Velocidad: unos 20.000 comentarios por segundo en un solo proceso, sin GPU.
  • Costo: USD 0, sin IA generativa, sin embeddings y sin servicios externos.
  • Reproducible: dos corridas dan archivos idénticos byte a byte (lo verifica un test).

Escala

Las etapas costosas son lineales. Para llegar a millones de comentarios por día alcanza con particionar el Parquet por día y mantener los conteos de coincidencias de forma incremental.

Stack

Python · DuckDB · Parquet (PyArrow) · pandas · NumPy · scikit-learn

Submitted by
Mariano Velarde
Team
2 people
Submitted
13 Nov, 12:54