Qualydata - Big Data
Qualydata · you can enter 2 tracks from this sponsor
Actualización 12/11/26, 18:30 hs
- Se extiende el cierre de entregas: viernes 13 a las 13 (antes, a las 10). Para esa hora tiene que estar pusheada
entrega/con el código que la generó, y el proyecto cargado en Hacki.
Actualización 12/11/26, 15 hs
- El set final se adelanta: se publica hoy jueves 12 a las 17 en Releases del repo. Bajen los cuatro archivos a
datos/final/. - Cierre de entregas: viernes 13 a las 10. Para esa hora tiene que estar pusheada
entrega/con el código que la generó, y el proyecto cargado en Hacki. - A los equipos del podio el jurado les vuelve a correr el comando de su README sobre el set final: si el resultado no se parece al entregado, quedan afuera. Fijen las semillas aleatorias; si usan IA, se aceptan diferencias menores.
Narrativas y coordinación a escala
Cuando miles de personas discuten un tema público, hay dos preguntas que importan: ¿qué narrativas circulan? y ¿qué parte de la conversación es genuina y qué parte está armada? Construí un pipeline que las responda sobre cientos de miles de comentarios: bien, rápido, barato y capaz de generalizar a un set de datos nuevo el último día.
QualyData es una plataforma que integra y procesa grandes volúmenes de datos de múltiples fuentes para modelar escenarios y tomar decisiones. Este track abre uno de los problemas más difíciles de ese trabajo.
El desafío
- Tarea A, narrativas. Una narrativa es una afirmación o un encuadre que se repite con distintas palabras, por ejemplo "la obra está parada porque se robaron la plata". Hay que descubrir cuáles circulan (no hay una lista previa), asignar cada comentario a una narrativa o marcarlo como ruido, indicar si la apoya o la rechaza y estimar cuándo nació cada una.
- Tarea B, coordinación. Algunos grupos de cuentas actúan coordinados: publican lo mismo, al mismo tiempo y en los mismos lugares, para inflar una idea o instalar un rumor. Hay que detectarlas y agruparlas por operación, sin confundirlas con la opinión genuina.
Los datos
Todos los datos son sintéticos: publicaciones, comentarios, cuentas, medios y lugares son ficticios. No hay personas ni datos personales reales.
- Set de práctica: 200.000 comentarios en 14 días, sobre unas 500 publicaciones de 8 fuentes (medios, radios, comunidades e instituciones) y de unas 16.000 cuentas. Trae la respuesta correcta para que cada equipo mida su avance.
- Qué contiene: el texto, la fecha, la publicación y la cuenta de cada comentario, a qué comentario responde y sus "me gusta"; la fecha de creación y los seguidores de cada cuenta.
- Qué hay adentro: narrativas que cambian de redacción con los días, narrativas y rumores que aparecen a mitad del período, ruido, campañas coordinadas de distintos estilos (algunas fáciles de ver y otras no) y trampas: momentos virales genuinos y frases que se copian sin coordinación.
- Formato: CSV comprimido. No imponemos base de datos ni herramienta: impórtenlo donde quieran. Elegir dónde y cómo guardarlo es parte del desafío y se evalúa.
- Set final: se publica el viernes a la mañana. Unos 150.000 comentarios en 10 días, con otros temas, otras narrativas y otras campañas, y sin respuesta correcta.
Por qué no se resuelve en una tarde con IA
- Son cientos de miles de comentarios: no entran en un prompt, y procesarlos uno por uno con un modelo es lento y caro.
- Se puntúa el costo por cada mil comentarios procesados.
- Una misma narrativa cambia de palabras con los días, así que buscar palabras clave falla.
- La coordinación no se ve comentario por comentario: aparece solo mirando el conjunto.
- El set final es nuevo. Gana el pipeline que generaliza, no el que se ajustó a mano al de práctica.
Se puede usar IA, por ejemplo para nombrar los grupos o resolver casos dudosos. La clave es usarla donde suma y no como único motor.
Qué entregan
- Repositorio público con el código y un README que explique cómo correr el pipeline, dónde guardan los datos y por qué eligieron esa base, y qué código o librerías existían antes del evento.
- En la carpeta
entrega/del repo, el resultado sobre el set final: -comentarios.csv: la narrativa y la postura (apoya o rechaza) de cada comentario. -narrativas.csv: título, frases clave y fecha de origen de cada narrativa. -cuentas.csv: la operación coordinada a la que pertenece cada cuenta, o vacío si es genuina. -costo.json: tiempo de proceso, tokens y dólares de IA, hardware y almacenamiento usado. - Proyecto cargado en Hacki con el link al repositorio y un video de demo.
- Pitch ante el jurado.
Se evalúa lo que está en el repo a la hora de cierre. Lo que se sube después no cuenta.
Requisitos
- El pipeline corre de punta a punta con un comando sobre el set final. No se permite etiquetar a mano; el jurado puede volver a correrlo.
- Trabajo original hecho durante el hackathon. Se pueden usar librerías, modelos y servicios públicos.
- Todo lo que se gaste en IA se reporta en
costo.json. - Solo los datos provistos o fuentes públicas. Sin claves ni secretos en el repositorio.
Evaluación
- 30 puntos, calidad de narrativas (automático): que lo que va junto quede junto, detección de ruido, postura y fecha de origen de las narrativas que aparecen a mitad del período.
- 25 puntos, detección de coordinación (automático): qué cuentas son coordinadas y si quedan agrupadas por operación.
- 20 puntos, costo, escala y almacenamiento (jurado): costo por mil comentarios, tiempo de proceso, elección de la base y cómo escalaría a millones de comentarios por día.
- 15 puntos, robustez del pipeline (jurado): corre con un comando, maneja datos sucios y es reproducible.
- 10 puntos, claridad y visualización (jurado): ¿se entiende en un minuto qué circula, desde cuándo y quién lo empuja?
La parte automática usa el mismo script de puntaje que reciben los equipos. Los pesos están sujetos a las bases del hackathon.
Premios
- 1.er puesto: $1000 usd
- 2.º puesto: $600 usd
- 3.er puesto: $400 usd
Cronograma
- Miércoles 11: apertura, formación de equipos y exploración de los datos.
- Jueves 12: desarrollo y mentorías.
- Viernes 13: a la mañana se publica el set final. Cada equipo corre su pipeline, entrega y presenta su pitch.
Descargas
Los datos, una línea base, el script de puntaje y el formato detallado de entrega: github.com/qualydata-org/desafio-qualydata
