Super_Profesor

• 

  super_profesor

Inspiration

La educación tradicional enfrenta una crisis de escala. Un profesor humano no tiene el tiempo físico para adaptar su metodología a los ritmos, vacíos de conocimiento y estilos de aprendizaje de decenas de alumnos simultáneamente. Por otro lado, los chatbots educativos actuales son planos: se limitan a repetir datos sin una estrategia pedagógica, frustrando al estudiante.

Nos inspiramos en la necesidad de eliminar esta fricción cognitiva. Quisimos democratizar el acceso a una tutoría de nivel experto, construyendo un "Gemelo Digital" docente capaz de estructurar planes de estudio dinámicos y ofrecer acompañamiento 1:1 personalizado para materias de alta complejidad técnica.

What it does

Super_Profesor es un entorno educativo hiperpersonalizado e impulsado por una arquitectura multi-agente que transforma la experiencia de aprendizaje. En lugar de dar respuestas genéricas, el sistema opera a través de tres roles especializados:

1. Agente Evaluador: Realiza diagnósticos rápidos para mapear en tiempo real las debilidades del alumno.
2. Agente Pedagógico: Adapta el plan de estudios, utilizando analogías personalizadas según los intereses del estudiante para explicar conceptos complejos.
3. Agente Validador: Audita el código o la lógica de los ejercicios entregados por el alumno, devolviendo retroalimentación constructiva, estructurada y accionable en menos de 90 segundos.

How we built it

Construimos el núcleo de la aplicación utilizando una Master-Agent topology en Python. La espina dorsal de toda la lógica y el razonamiento del sistema es la API de Gemini de Google:

• Gemini 1.5 Pro: Lo utilizamos para el Agente Pedagógico debido a su masiva ventana de contexto. Esto nos permite inyectar libros de texto completos, programas universitarios y transcripciones de clases enteras para que el modelo mantenga una "memoria fotográfica" del plan de estudios sin perder coherencia.
• Gemini 1.5 Flash: Lo implementamos en las capas de interacción rápida y validación de sintaxis, garantizando respuestas inmediatas al alumno con una latencia mínima.
• Infraestructura: La persistencia de estados, el progreso de las rutas de aprendizaje y el historial se gestionan en tiempo real mediante Supabase/Firebase, mientras que el frontend se despliega de manera ágil a través de Vercel.

Challenges we ran into

El mayor desafío fue el control de costos operativos y la latencia en conversaciones largas. Mantener un flujo constante de prompts masivos con el contexto completo del plan de estudios amenazaba con disparar el consumo de tokens en nuestro modelo financiero.

Lo resolvimos implementando un sistema de Optimización de Tokens mediante el procesamiento de metadatos y diferenciales estructurales (diffs). Además, configuramos respuestas estrictamente formateadas con la funcionalidad de Structured Outputs de la API de Gemini, evitando re-ejecuciones por fallas de sintaxis en el backend.

Accomplishments that we're proud of

• Desarrollar un sistema educativo modular que no es reactivo, sino proactivo: el sistema guía al usuario en lugar de solo responder preguntas sueltas.
• Diseñar una arquitectura multi-agente altamente eficiente que mantiene los costos de infraestructura optimizados (apuntando a márgenes superiores al 70% en nuestro P&L proyectado).
• Lograr que el Agente Validador interprete y evalúe la lógica de desarrollo de un alumno de forma tan precisa como lo haría un ayudante de cátedra humano, pero a una fracción de su costo y de manera instantánea.

What we learned

Reafirmamos que la ventana de contexto de la API de Gemini cambia las reglas del juego para las herramientas de conocimiento profundo. No necesitas hacer un fine-tuning costoso y rígido cuando puedes darle contexto masivo, fresco y estructurado directamente al modelo a través del prompt. También aprendimos la importancia del modelo Human-in-the-loop para permitir que coordinadores de carrera o profesores humanos supervisen y califiquen las métricas de éxito que los agentes de IA recopilan de los alumnos.

What's next for Super_Profesor

Nuestro siguiente paso es la transición de este MVP a un modelo híbrido B2B SaaS, buscando integrar la plataforma directamente en los sistemas de gestión de aprendizaje (LMS) de universidades e institutos técnicos. Asimismo, planeamos expandir las capacidades del orquestador utilizando Vertex AI para ofrecer capas de privacidad a nivel corporativo, analítica de datos avanzada para los directores académicos y soporte multi-idioma nativo para expandir el alcance de la herramienta a escala global.

Built With

• gemini
• python