syntra

Sistema operativo multi-agente que transforma datos operativos en decisiones claras.

Comment 1

Inspiration

Detectamos que en las empresas se están perdiendo recursos en la mala gestión de activos y para las PYMEs esto supone un riesgo a su supervivencia a largo plazo.

What it does

Utiliza una arquitectura de agentes de IA especializados para centralizar datos dispersos de activos, tareas y documentos para transformarlos en decisiones operativas y acciones concretas.

How we built it

Lo construimos en capas, priorizando que el sistema fuera útil, explicable y rápido de construir un prototipo.

Primero desarrollamos un backend en FastAPI para exponer la lógica del sistema mediante endpoints, de forma que el frontend y el agente pudieran utilizar la misma base operativa.

Después generamos el dominio con Pydantic, definiendo contratos claros para solicitudes y respuestas: hallazgos, métricas, recomendaciones, impacto económico y respuesta consolidada. Eso nos permitió mantener consistencia entre backend, frontend y capa agentic.

La base operativa se construyó sobre MongoDB, donde almacenamos inventario, tiendas y análisis ejecutados. El acceso a la base se centralizó en configuración para poder trabajar tanto en local como con MongoDB Atlas.

La inteligencia del sistema se dividió en dos niveles. El primero es determinista y está hecho con Python:

  • Un Agente de Gestión de Activos detecta problemas reales del inventario, como stock ocioso, exceso de mantenimiento, bajas acumuladas, desbalance entre tiendas y cobertura faltante, usando reglas de negocio y consultas a MongoDB; no inventa resultados y no depende del LLM para calcular.
  • Un Agente Administrativo toma esos hallazgos y los traduce a impacto económico: capital inmovilizado, costo de oportunidad, ahorro potencial y prioridad de acción. Los cálculos también son determinísticos.

Encima de eso construimos un orquestador, que conecta ambos agentes en un flujo ordenado: primero detecta ineficiencias operativas, luego calcula impacto económico y finalmente guarda el análisis.

Para volverlo realmente interactivo, agregamos una capa de Supervisor IA con Gemini. En lugar de reemplazar nuestras reglas, Gemini funciona como un agente supervisor que entiende preguntas en lenguaje natural y decide qué herramientas usar del sistema. Esa decisión de diseño mantiene la IA como interfaz inteligente, mientras que la lógica crítica sigue en Python. Esto debido a que nuestros creditos son limitados.

Finalmente construimos un frontend en Streamlit para que todo esto se pudiera mostrar en una demo funcional. El frontend incluye dashboard, explorador de activos, vista de recomendaciones y una vista conversacional con el Supervisor IA, conectada al backend.

Challenges we ran into

En un principio teníamos pensado solo un sistema de gestión de activos con etiquetas RFID pero nos encontramos un problema, no supimos como implementar la IA. Como estudiantes de la carrera de ciencia de datos no teníamos proficiencia en el desarrollo del front y back end.

Accomplishments that we're proud of

Es la primera vez que hacemos una aplicación con back y front sumado a que nos organizamos mucho mejor que al primer hackathon al que asistimos logrando terminar mucho antes de la hora limite

What we learned

Aprendimos a trabajar de una manera mas modular y a implementar mejor la IA, trabajando a la par con la IA.

What's next for Syntra

Escalar a las necesidades solicitadas por las empresas a las cuales pensamos proveer servicios. Incluir mas sub-agentes enfocados a las necesidades de cada área en una empresa.

Built With

Share this project:

Updates