Nimbus AI

Iba en micro al instituto, en Tupungato, cuando se largó a caer granizo. En Mendoza eso significa cosechas arruinadas en minutos, autos y techos rotos. Me pregunté si existía alguna app que avisara con tiempo, y la respuesta fue casi que no. Después de meses leyendo papers y buscando datos, encontré un solo antecedente grande, con un dataset parcial. El problema de fondo no era el modelo: era que nadie tenía registrado, de forma ordenada, en qué días cayó granizo de verdad.

El proyecto tuvo dos etapas. La primera fue exploratoria: un análisis y un modelo no supervisado para aprobar el primer módulo de Ciencia de Datos en Coderhouse. La segunda fue mi proyecto de fin de año en la tecnicatura: un año entero y más de 300 horas. Armé el dataset juntando datos climáticos de varias fuentes, con scraping y verificación a mano, y etiqueté año por año los días con granizo de 2000 a 2024. Sumé imágenes del satélite GOES-16 desde que están disponibles. Con eso entrené dos redes: una densa que lee los datos del clima y una convolucional (CNN) que lee las imágenes, y sus predicciones se combinan en una sola probabilidad. Encima construí la plataforma, con un panel para cada rol: Defensa Civil, meteorólogos, científicos de datos, administración y público general.

Hasta donde pude relevar, el dataset resultante es el registro etiquetado de granizo más grande de Argentina. En los datos de prueba, el modelo detectó todos los granizos reales, a cambio de que solo una de cada siete alertas termine en granizo. Lo ajusté así a propósito: una falsa alarma cuesta mucho menos que un granizo sin aviso. Hoy la plataforma está publicada y el servidor del modelo está pausado por costos, a la espera de Nimbus 2.0.