Lumark

El proyecto consiste en el desarrollo de un copiloto de marketing impulsado por inteligencia artificial, para ayudar a negocios a crear, gestionar y optimizar su estrategia de marketing digital.

Comment

Inspiración

Nosotros nos inspiramos en pequeños negocios y empresas que pueden tener problemas al momento de crear su propia publicidad. La visibilidad es muy importante en etapas tempranas de emprendimiento, entonces nosotros nos dedicamos a crear una herramienta que permitiera que cualquier empresario o dueño de negocio pueda pedir ayuda para los elementos más complicados de la publicidad moderna.

¿Qué hace?

Lo primero que hace nuestra aplicación es preguntar. Ante todo, procura saber lo que pueda saber sobre el negocio que se va tratar, para así dar la información y las sugerencias lo más detalladas posibles. Esto incluye aprender sobre lo que vende, cuándo lo vende, qué temporadas del año venden más, cuál es su público meta y cuál es un público que sea posible alcanzar con tan solo un pequeño cambio. Cuando tiene una comprensión extensa del negocio, ya es capaz de sugerir publicidad, ya sea con descripciones detalladas de las fotos que irían bien con cierto caption, o reconocer tags que estén de moda, o simplemente recomendar alguna red social por encima de otras. Y todo esto lo hace comparando con otras empresas y negocios, utilizando un sistema de búsqueda vectorial para determinar cuáles publicaciones existentes y exitosas puedan llegar a tener un buen impacto sobre la marca del usuario.

Cómo lo construimos

Comenzamos con un frontend sencillo en React Native, una plataforma con la cual todos tenemos buena experiencia. Aquí realizamos la navegación, y las bases de lo que haríamos de backend. En cuanto al backend, lo tuvimos que hostear por separado, gracias a que MongoDB no tiene la capacidad de Firestore de interactuar directamente dentro de React Native. Entonces, el backend lo almacenamos y corrimos en una instancia de Vultr en una máquina virtual Node.js Ubuntu. MongoDB Atlas es capaz de correr con su propia infraestructura de nube, entonces solamente hizo falta permitir que el backend sirva de intermedio entre las acciones que necesitaban interactuar con la base de datos del frontend (operaciones CRUD) y la base de datos en sí. Gemini también se implementó, finalmente, en el backend.

Desafíos

Nuestro desafío principal fue el uso de Gemini API. Pasamos mucho tiempo experimentando con el mismo, pero no funcionaba a pesar de configuraciones cuidadosas hechas por nosotros. Finalmente, nos enteramos de que era un bug por parte de Google, y no había nada que podíamos hacer para obligarlo a funcionar como debía. Fue, a la vez, un alivio y una tragedia. Por suerte, de todos modos logramos comprobar el funcionamiento de algunas de las funciones más importantes.

Logros

Estamos orgullosos de nuestro despliegue en Vultr, además del sistema de búsqueda vectorial de Mongo y nuestro frontend detallado. Muchas de las cosas que conseguimos en este tiempo se debieron al aprendizaje que obtuvimos en el transcurso de este mismo evento, y esa capacidad para aprender y adaptar es de las cosas que más nos enorgullece.

Lo que aprendimos

Por un lado, aprendimos a trabajar en conjunto y cohesión para lograr de manera más rápida y eficaz nuestras metas. Por otro, impulsamos demasiado nuestras habilidades técnicas en el poco tiempo que tuvimos disponible, realizando por primera vez un despliegue de máquina virtual en el Cloud, y adaptándonos a un sistema de base de datos que jamás habíamos utilizado.

Qué sigue para Lumark

A pesar de lo mucho que logramos, aún así habían bastantes cosas que habíamos planeado que finalmente no tuvimos ni tiempo ni recursos para completar. Incluye cosas como un modelo Freemium para la aplicación, generación de imágenes, e incluso generación de audio basándose en la misma voz del usuario. Si fuéramos a contar con suficiente motivación y tiempo, sería interesante continuar este proyecto para llevarlo a lo máximo que puede llegar.

Built With

Share this project:

Updates