Inspiration
Encontramos una gran problemática en cuanto a los hábitos y las adicciones de las personas, nos dimos cuenta de que estos problemas tienen gran relación ente sí, ya que si descuidas tu salud mental y/o física te podría llevar a malos hábitos como comer demasiado o revisar redes sociales cada cierto tiempo, lo cual a largo plazo puede convertirse en una adicción.
Personalmente uso 2 aplicaciones similares a la nuestra, pero cada una enfocada en su propia tema, y sobre todo, el gran problema de ellas es que tienen bastantes limitaciones.
What it does
Es una aplicación de registro de datos diario que hace un análisis de patrones del usuario cada día, semana, mes y año, y muestra gráficamente su desempeño a lo largo del tiempo, haciendo al usuario más consiente de sus hábitos y áreas de mejora. Por otra parte, implementamos varios modelos de Machine Learning que a partir de los datos muestren predicciones sobre posibles enfermedades que afectan a la mayoría de la población, como es la obesidad un ejemplo. En esa misma seción implementamos a ChatGPT que a partir de los datos diarios y comparando con los antigus (semanal), da una recomendación diaria de cómo mejorar en cosas de tu día a día.
How we built it
Creamos modelos de Machine Learning
de clasificación. Estos modelos los presentamos en el Frontend
de nuestra aplicación web. Es aplicación tienen una conexión a una base de datos NoSQL
por la posible variabilidad de los datos al momento de que crece la app.
Y presentamos los resultados de estos datos con gráficos e información amigables para el usuario.
Usamos Python
con librerias como Pandas
y SciKit Learn
para crear los modelos, para un usuario nuevo se usan datasets de la web, pero mientras se van almacenando los datos, el modelo aprende de ahí.
Para la base de datos usamos MongoDB
.
Usamos GO para crear un servidor para la conexión a la base de datos.
Para el Frontend usamos Reac
t y algunas librerías como MUI X
para implementar graficas.
Usamos herramientas para conectar el modelo con el Frontend como la librería pickle y Flask para hacer la API.
Challenges we ran into
Primero la manera de encontrar los mejores modelos de Machine Learning para entrenar con los escasos dato que encontramos. Dimos con la solución de seguir la técnica de Cross-Validation para encontrar los mejores hiperparámetros. Luego, al no concer la base de datos MongoDB, pero ser la mejor para el uso de nuestros datos, decidimos dar solución al uso de esta herramienta. Y finalmente para la forma en la que mostraríamos los datos para que el usuario pueda entender visualmente lo que hace, las librerías de graficas son limitadas, lo que nos causó grandes problemas, pedro finalmente usamos MUI X.
Accomplishments that we're proud of
Después de mucho tiempo de estar pensando ideas que no nos convencían, elegimos el tema de salud, lo cual afecta a gran parte de la población mexicana y del mundo. Supimos crear buenos modelos de Machine Learning a partir de datos limitados, pero que vimos como un gran crecimiento con el uso constante de la app.
What we learned
Pero sobre todo aprendimos la importancia de la comunicación, de cómo dar a entender una idea que tiene un gran potencial, y que además de sólo programar, debemos saber vender lo que creamos porque puede ser el mejor proyecto del mundo, pero mientras no lo sepas presentar, no será reconocido como lo que es. Aprendimos muchas cosas técnicas, desde cómo dar los mejor hierparámetros a un modelo de Machine Learning, hasta a buscar alternativas pero funcionales para crear una base de datos que no conocemos. Y cómo encontrar soluciones a problemas que encontramos.
What's next for Vediag
Una cosa muy importante que teníamos planeado era implementar otros modelos a partir de imágenes de la piel, uñas, etc, específicamente de zonas como la cara, las manos o los pies; y cómo los hábitos y actividades que hacemos, nos pueden afectar bastante, pero con la tecnología las podemos preveer. Además de tener convenios con clínicas ya que nuestro sistema facilita una consulta médica muy importante, obviamente, nuestro sistema no da conclusiones seguras, son probabilidades.
Log in or sign up for Devpost to join the conversation.