Advenimiento de la IA 2025 - Día 3: Construyendo visualizaciones de datos con Goose

Advenimiento de la IA 2025 - Día 3: Construyendo visualizaciones de datos con Goose

En el marco del Advent of AI me propuse abordar el reto del día 3 centrado en la construcción de visualizaciones de datos y aproveché la ocasión para comprobar cómo Goose se comporta ante requisitos concretos y múltiples necesidades de visualización. Como profesionales en desarrollo de software a medida y soluciones IA, desde Q2BSTUDIO valoramos mucho este tipo de ejercicios prácticos.

Comenzando por el PRD pedí a Goose que generara un Product Requirements Document basado en la descripción del reto. Esta práctica nos ahorra tiempo y alinea expectativas: Goose entregó un PRD completo que incluía resumen ejecutivo con el problema, identificación de stakeholders, user stories separadas por niveles del reto, requisitos funcionales para cada tipo de visualización y recomendaciones de arquitectura técnica. Solo pedí un ajuste: que todas las visualizaciones usaran especificaciones Vega Lite/Vega en lugar de Mermaid, para mantener consistencia.

Implementación y primer obstáculo. Al indicarle a Goose que implementara el requisito FR-001 relativo al bracket de torneo surgió un problema técnico. Goose intentó usar las herramientas de autovisualización pero encontró errores de deserialización porque las herramientas recibían cadenas JSON en lugar de objetos estructurados. Tras indagar descubrí que estaba trabajando con la versión CLI de Goose mientras que la extensión auto-visualizer solo está disponible en la GUI. Al cambiar a la GUI y activar la extensión, las herramientas empezaron a responder correctamente.

Depuración de las herramientas. Aunque la extensión funcionó, persistieron errores de deserialización al usar las herramientas Vega-Lite; parecía un bug en la extensión o en la forma en que Goose pasaba los parámetros JSON. Como resultado Goose terminó generando diagramas Mermaid en algunas ocasiones, que se mostraron bien en la GUI pero no cumplían la especificación Vega-Lite solicitada. Dado que el reto es de tiempo limitado, opté por avanzar con lo que funcionaba en lugar de invertir horas en depuración profunda.

Resultados del proyecto. Una vez sorteados los problemas de herramientas el avance fue rápido. Goose abordó los requisitos de forma sistemática y produjo:

• Visualizaciones de bracket de torneo que muestran la progresión desde cuartos hasta la final

• Gráficas de distribución de votos con vistas complementarias como barras y pastel/donut

• Comparaciones de atributos tipo radar para recetas

• Análisis de escenarios what-if

• Generación sintética de torneos

• Diseño responsivo para todas las páginas de visualización

La estrategia de usar múltiples tipos de gráficos para contar distintos aspectos del mismo conjunto de datos resultó efectiva. En lugar de una visualización monolítica, diseñamos gráficos centrados que responden preguntas concretas sobre los datos del torneo.

Pulido y refactorización. Tras tener las visualizaciones funcionando dediqué tiempo a unificar y mejorar la experiencia. Pedí a Goose que añadiera un botón de volver en todas las páginas excepto en el índice; analizó los archivos HTML y añadió un botón consistente en la esquina superior izquierda con posicionamiento, estilos y efectos hover. Luego detecté estilos CSS duplicados entre páginas y solicité extraer lo común a un fichero shared common.css. Goose generó el archivo, actualizó los enlaces en los HTML y eliminó estilos inline repetidos. Este tipo de trabajo tedioso es donde los asistentes de código basados en IA muestran su verdadero valor, agilizando refactorizaciones que consumen mucho tiempo cuando se hacen a mano.

Qué haría distinto. El reto no usa framework, por lo que no pudimos crear un componente de navegación o un layout compartido. En un proyecto real incorporaríamos React o Vue para lograr composición de componentes y enrutado adecuados. Para un reto puntual centrado en visualización, añadir un framework hubiera sido excesivo, pero para producto en producción es recomendable.

Recomendación y cierre. Si estás explorando los retos Advent of AI o proyectos de visualización de datos, Goose con la extensión auto-visualizer merece la pena. Asegúrate de usar la versión GUI y tener la extensión activada. La combinación de generación de PRD automatizada y capacidad de implementación crea un flujo de trabajo eficiente para plazos ajustados.

En Q2BSTUDIO ofrecemos experiencia en desarrollo de software a medida y aplicaciones a medida, y acompañamos a empresas en la integración de inteligencia artificial y agentes IA en sus procesos. Si necesitas acelerar un proyecto de visualización, analítica o automatización, podemos ayudar con soluciones a medida y consultoría en IA para empresas. Conoce nuestros servicios de desarrollo de aplicaciones a medida y nuestras propuestas de inteligencia artificial para empresas. Además ofrecemos ciberseguridad, pentesting, servicios cloud aws y azure y capacidades de inteligencia de negocio y power bi para convertir datos en decisiones.

Palabras clave integradas naturalmente en este texto: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. Si te interesa que evaluemos un prototipo o un proyecto de visualización y BI a medida, en Q2BSTUDIO estaremos encantados de colaborar.