Veredas

Los aspirantes a ingenieros de IA en América Latina enfrentan una paradoja: saben que quieren trabajar con inteligencia artificial, pero no saben exactamente qué habilidades les faltan, en qué orden aprenderlas, ni qué salarios y roles existen realmente en su región. La información disponible online está mayormente centrada en el mercado estadounidense y en inglés, lo que genera una brecha adicional para quienes empiezan desde Argentina, Colombia, México o cualquier otro país de la región.

VEREDAS toma el conjunto de habilidades actual del usuario, ejecuta un análisis de brechas mediante ordenamiento topológico con DFS para garantizar que el orden de aprendizaje siempre respete las dependencias entre habilidades, y genera una hoja de ruta personalizada. Claude AI produce orientación honesta y accionable en el idioma del usuario. El mapa interactivo de habilidades usa simulación de física con vis.js. Los datos del mercado latinoamericano provienen de fuentes curadas como Glassdoor, remoteok.com y levels.fyi. El proyecto final de Stanford Code in Place 2026.

• 01

  Implementar un ordenamiento topológico con DFS recursivo que garantice que el orden de aprendizaje siempre respete las dependencias entre habilidades sin ciclos ni inconsistencias

• 02

  Integrar datos de mercado latinoamericano reales desde un CSV curado con la librería csv de Python, cruzándolos con datos en tiempo real de la GitHub REST API y la ExchangeRate API

• 03

  Construir un sistema de internacionalización completo en vanilla JavaScript sin frameworks, con toggle seamless entre español e inglés en todos los componentes incluyendo el output de Claude

• 04

  Renderizar un grafo de dependencias interactivo con simulación de física en vis.js que sea legible y usable en mobile sin perder la capacidad de explorar nodos y dependencias

• 05

  Generar un certificado de compleción en PDF con html2pdf.js que se active automáticamente cuando el gap de habilidades llega a cero

• 01

  El ordenamiento topológico no es solo un algoritmo académico: aplicado a un grafo de habilidades real, produce un orden de aprendizaje que ningún humano podría calcular manualmente para 20+ skills con dependencias cruzadas

• 02

  Construir sin frameworks obliga a entender exactamente qué está pasando en cada interacción del DOM, lo que produjo un código más predecible y debuggeable que versiones anteriores del mismo proyecto con React

• 03

  Prompting bilingüe con Claude requiere instrucciones explícitas sobre el idioma de output en el system prompt, no solo en el user message, para que la respuesta sea consistente independientemente del idioma del input

• 04

  Los datos de mercado latinoamericano son escasos y dispersos: curarlos manualmente en un CSV fue una decisión de integridad del producto, no una limitación técnica

• 05

  Stanford Code in Place enseña Python desde cero con rigor: el proyecto demuestra recursión, clases, File I/O, REST APIs y CSV parsing en un producto funcional real, no en ejercicios aislados