Descubre artículos sobre inteligencia artificial, desarrollo de aplicaciones a medida y consejos prácticos de ingeniería de software. Aprende cómo la tecnología puede potenciar tus proyectos.

Entrevista simulada SDET: lo esencial para QA junior

Si te preparas para tu primera entrevista como QA o SDET, recuerda que no se trata solo de contestar preguntas. Los entrevistadores buscan que pienses como un ingeniero, manejes la presión y demuestres que aportarás valor al equipo de desarrollo. Las entrevistas simuladas son una herramienta clave para practicar en un entorno seguro, equivocarte y recibir retroalimentación antes del momento real.

Preguntas comunes en una entrevista para QA junior SDET

1. Cuéntame sobre ti Manténlo breve: presente, pasado y objetivo. Ejemplo conciso: acabo de completar un programa de formación en QA con Playwright y JavaScript, vengo de logística donde aprendí optimizar procesos y ahora busco un puesto Junior SDET para crecer en automatización y testing.

2. QA vs QC vs Testing QA es el proceso orientado a prevenir defectos, QC es la comprobación del producto para validar resultados y testing es la ejecución para encontrar fallos. Los tres son importantes y complementarios.

3. Escribe un caso de prueba para una página de login Estructura: Caso de prueba: inicio de sesión con credenciales válidas. Precondición: usuario existente. Pasos: abrir la página de login, introducir correo y contraseña, pulsar login. Resultado esperado: el usuario llega al panel principal o dashboard.

4. Programa corto para invertir una cadena Explica la lógica en lugar de centrarte solo en la sintaxis: convertir la cadena a un arreglo de caracteres, invertir el arreglo y volver a unir los caracteres en una cadena. Al explicar el razonamiento demuestras claridad y capacidad técnica.

5. Cómo probar una API Lista de verificación: códigos de estado como 200 400 500, estructura y tipos en el cuerpo de la respuesta, cabeceras de autenticación y content type, casos negativos con entradas inválidas y pruebas de rendimiento si aplica. Ejemplo de flujo: verificar manualmente con Postman escenarios positivos y negativos y luego automatizar con Playwright o frameworks de REST.

6. Selenium vs Cypress vs Playwright Selenium es el veterano compatible con muchos lenguajes pero suele ser más lento en CI; Cypress es moderno y rápido pero orientado a JavaScript y tiene soporte de navegadores más limitado; Playwright ofrece ejecución multi navegador, soporte para varios lenguajes y facilidades tanto para UI como para automatización de API. En proyectos nuevos suelo preferir Playwright por su velocidad y facilidad de integración en pipelines CI CD.

7. Cómo gestionar conflictos con desarrolladores No se trata de ganar una discusión sino de aportar evidencia. Lleva logs, pasos reproducibles, capturas y explica el impacto en el usuario. Mantén la comunicación orientada a resolver el problema y a entregar calidad.

Por qué hacer una entrevista simulada

Practicar sin riesgo, recibir retroalimentación honesta y ganar confianza son las principales ventajas. Cuando llegue la entrevista real te sentirás más tranquilo porque ya habrás vivido situaciones similares.

Sobre Q2BSTUDIO y cómo podemos ayudarte

De reglas al Router: enseña a la IA tu lenguaje, no las leyes. Durante años muchos equipos intentaron domesticar la inteligencia artificial con reglas estrictas y listas larguísimas de estilo. Siempre formatea el código así o nunca uses tal patrón. Ese enfoque se rompe en cuanto cambia el contexto, el proyecto o el equipo. Las normas son frágiles y obligan a reescribir todo con cada nuevo requisito.

El cambio de paradigma es simple y poderoso. En lugar de dictar normas, diseña un router: una capa de traducción que convierte tu lenguaje humano y tu intención en acciones concretas que la IA puede ejecutar. Piensa en la IA como alguien que entiende código pero no tu cultura. El router actúa como traductor cultural y técnico.

Un router no contiene reglas rígidas, contiene señales y mapeos. Cuando dices limpiar el código significa eliminar logs y comentarios innecesarios, favorecer const y let sobre var, y mantener una sola responsabilidad por función. Cuando pides chequear la cultura significa revisar el historial de commits para copiar patrones de nombres, estilos de manejo de errores y preferencia por async await o promesas. Cada frase dispara acciones concretas y medibles, no interpretaciones vagas.

Por ejemplo, ante la frase arregla el login el router puede ejecutar una búsqueda en git log para identificar Result types usados en el proyecto, replicar exactamente el manejo de errores, y respetar la convención de nombres del equipo. El resultado coincide con lo que escribiría un desarrollador senior porque el router incorporó la cultura del repositorio.

Por qu funciona el router. Primero, es agnóstico al contexto: las reglas mueren cuando cambian los requisitos, el router traduce intención en el contexto actual. Segundo, es humano centrista: mapea patrones cognitivos del equipo a acciones técnicas. Tercero, evoluciona: cuando se descubre un nuevo patrón se añade al router, y cuando algo queda obsoleto se actualiza la traducción.

La filosofía detrás del router resulta también aplicable fuera del código. Cuanto más claro eres con tus preferencias y tu forma de pensar, mejor puede la IA entregarte soluciones útiles. Esa claridad es precisamente lo que promovemos en Q2BSTUDIO, empresa de desarrollo de software que ofrece aplicaciones a medida y software a medida, y que además es especialista en inteligencia artificial, ciberseguridad y servicios cloud aws y azure.

En la práctica un router puede contener instrucciones concretas, por ejemplo pasos a seguir antes de commitear, reglas de simplificación de código o debugs que replican el estilo del equipo. Esa lista de acciones es lo que convierte prompts vagos en entregables reproducibles y coherentes con la cultura técnica.

El 10 de septiembre de 2025 la comunidad Argentina Ruby se reunió una vez más para un meetup cargado de ideas, aprendizaje y networking patrocinado por SINAPTIA, LeWagon, OmbuLabs y Rootstrap, con Rootstrap cediendo su espacio para el evento.

La primera charla estuvo a cargo de Fernando de SINAPTIA y abordó el funcionamiento interno de los agentes de inteligencia artificial implementados con Ruby. Explicó conceptos clave de forma práctica: un agente de IA puede entenderse como un caso en un bucle, su implementación puede ocupar alrededor de 50 líneas de Ruby, para alcanzar un rendimiento alto a menudo se requieren modelos muy potentes, ejecutarlos localmente demanda mucha memoria y paciencia, y su utilidad en aplicaciones reales depende del caso de uso y del diseño. Si tienes preguntas sobre agentes IA o ideas similares puedes sumarte al chat de la comunidad.

La segunda presentación fue dictada por Nicolas Navarro y mostró cómo dividir un monolito Rails en dos aplicaciones: un frontend puro en JavaScript servido como sitio estático usando Vite.js y un backend alimentado por Rails API. Todo fue desplegado en Heroku con un par de comandos sencillos, un enfoque muy práctico, amigable para principiantes y orientado a resultados.

Como es tradición, el meetup finalizó con cervezas, comida y conversaciones cara a cara donde los asistentes profundizaron en los temas presentados y compartieron experiencias sobre aplicaciones reales, despliegues y buenas prácticas.

Para quienes se lo perdieron, no dejen de seguir los próximos encuentros de Ruby Sur. El próximo mes tendremos una invitada especial, Rosa Gutierrez de Basecamp 37 Signals, y será online para que nadie tenga excusas para faltar.

Introducción Los desarrolladores suelen pasar muchas horas frente al ordenador programando, depurando y manteniendo proyectos. Ese estilo de vida genera innovación pero también un coste para la salud. La inactividad física prolongada aumenta el riesgo de enfermedades cardiovasculares y problemas musculoesqueléticos. Por suerte, ejercicios cortos y dirigidos pueden revertir gran parte del daño: mejorar postura, reducir dolores y aumentar claridad mental. A continuación ofrecemos 10 entrenamientos prácticos pensados para programadores sedentarios que quieren mantenerse saludables sin sacrificar productividad.

1. Estiramientos en el escritorio Realiza al despertarte y en breves pausas: rotaciones suaves de cuello, apertura de pecho con manos entrelazadas detrás de la espalda y estiramiento de isquiotibiales sentado. Cinco a diez minutos mejoran postura y flujo sanguíneo y actúan como un reinicio para el cuerpo y la mente.

2. Paseos cortos para mejorar la circulación Caminar cinco minutos cada hora o alcanzar entre 7000 y 10000 pasos al día mejora la creatividad y la circulación. Convierte reuniones informales en caminatas pensando ideas y verás cómo aumenta la productividad.

3. Entrenamiento con bandas elásticas Las bandas son portátiles y corrigen desequilibrios musculares comunes por sedentarismo: face pulls para la espalda alta, glute bridge con banda y remo de pie. Son ideales para quienes viajan o trabajan remoto y complementan cualquier rutina sin ocupar espacio.

4. Ejercicios con el propio peso Flexiones, sentadillas, planchas y zancadas fortalecen core, piernas y brazos sin necesidad de gimnasio. Con 15 a 20 minutos diarios se logra resistencia, estabilidad y se previene dolor lumbar.

5. Yoga para reducir estrés y ganar flexibilidad Posturas como gato vaca, perro boca abajo y postura del niño aumentan la movilidad y reducen cortisol. Dos sesiones semanales de 30 a 45 minutos mejoran enfoque y bienestar emocional.

6. Foam rolling y movilidad El auto masaje con foam roller afloja nudos en glúteos, isquiotibiales y espalda alta. Diez minutos después del trabajo o en pausas largas reducen tensión y mejoran rango de movimiento.

7. Fortalecimiento del core Planchas frontales y laterales, bird dogs y dead bugs estabilizan la columna y reducen el dolor lumbar. Quince minutos diarios de trabajo abdominal funcional protegen la espalda mientras programas.

8. HIIT para maximizar el tiempo Series cortas de alta intensidad como 30 segundos de saltos, 30 segundos de flexiones y 30 segundos de sentadillas con descansos breves mejoran la capacidad cardiovascular y generan efecto afterburn, perfecto para agendas apretadas.

9. Natación para alivio articular La natación es un ejercicio de bajo impacto que trabaja todo el cuerpo y mejora la respiración y la circulación. Sesiones de 20 a 40 minutos unas pocas veces por semana son una terapia excelente para articulaciones y mente.

10. Artes marciales mixtas MMA para fuerza y disciplina El entrenamiento de MMA combina técnica, resistencia y acondicionamiento. Más allá del alto gasto calórico, aporta disciplina, confianza y manejo del estrés, cualidades útiles en entornos de alta presión como el desarrollo de software.

Habilitar Dynamics 365 para Outlook permite integrar el CRM directamente en Outlook para que los usuarios puedan registrar correos, citas y contactos sin cambiar de ventana, mejorando la productividad y la experiencia de usuario.

Requisitos previos: licencia de Dynamics 365 CE para el usuario; buzón en Exchange Online con sincronización del lado del servidor; y un rol de seguridad en Dynamics 365 que incluya el privilegio Dynamics 365 App for Outlook.

Paso 1. Aprobar y probar el buzón: desde Advanced Settings > Settings > Email Configuration > Mailboxes abra el registro del buzón del usuario. Haga clic en Approve Email y luego en Test & Enable Mailbox. El estado del buzón debe mostrar Success para correo entrante y saliente.

Paso 2. Asignar el rol de seguridad: en Power Platform Admin Center o en Classic Settings abra el registro del usuario y agregue el rol Dynamics 365 App for Outlook User. Este rol permite que la aplicación aparezca y funcione correctamente en Outlook.

Acceso del usuario en Outlook: tras unos minutos la aplicación aparecerá automáticamente en Outlook Desktop y en Outlook Web OWA. Desde allí los usuarios pueden registrar correos y citas, crear nuevos registros desde Outlook y ver registros de Dynamics de forma inline.

Solución de problemas: si la aplicación no aparece, verifique que el estado del buzón sea Success y que el rol de seguridad esté asignado. Espere entre 15 y 30 minutos por la propagación. Revise la sección Mailbox Alerts para ver mensajes de error concretos.

Resumen: hoy el proceso es ágil: aprobar y probar el buzón y asignar el rol de seguridad. Con estos pasos simples se integra Dynamics en Outlook y se impulsa la productividad.

En Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en transformar procesos de negocio. Ofrecemos servicios de software a medida y creación de aplicaciones multiplataforma, además de soluciones avanzadas de inteligencia artificial e ia para empresas que incluyen agentes IA y automatizaciones inteligentes.

Nuestros servicios abarcan ciberseguridad y pentesting para proteger infraestructuras críticas, así como servicios cloud aws y azure para desplegar soluciones escalables y seguras. También apoyamos la toma de decisiones con servicios inteligencia de negocio y análisis con power bi para visualizar y explotar datos.

Funciones de Azure para Monitoreo Sintético con Playwright: Guía Completa - Parte 4. En Q2BSTUDIO, empresa de desarrollo de software y aplicaciones a medida, combinamos experiencia en desarrollo a medida, inteligencia artificial, ciberseguridad y servicios cloud para ofrecer soluciones robustas de monitoreo sintético y observabilidad para sus aplicaciones.

Resumen rápido: este artículo explica cómo desplegar una solución de monitoreo sintético en Azure en 4 fases simples: crear recursos, configurar la Function App, preparar un pipeline de CI/CD con Azure DevOps y desplegar y monitorizar. La solución utiliza Azure Functions con runtime Node.js 18, Playwright para pruebas sintéticas y Application Insights para telemetría.

Fase 1 Crear recursos en Azure: 1 Crear Function App desde Azure Portal Crear recurso Function App y configurar Nombre synthetic-monitoring-func-prod Runtime Node.js 18 Plan Functions Premium (producción) Storage Crear nuevo Application Insights Activado. 2 Crear Storage Account para artefactos Crear una cuenta de almacenamiento con nombre syntheticartifacts[sufijo] Performance Standard y crear un contenedor llamado test-artifacts. 3 Obtener cadenas de conexión Application Insights Properties Connection String y Storage Account Access Keys Connection String. Estas cadenas se usarán como variables de entorno en la Function App.

Fase 2 Configurar la Function App: en Azure Portal ir a Function App Settings Environment Variables y añadir las variables APPLICATIONINSIGHTS_CONNECTION_STRING con la cadena de Application Insights AZURE_STORAGE_CONNECTION_STRING con la cadena de la cuenta de almacenamiento BLOB_CONTAINER_NAME test-artifacts baseUrl con la URL de la aplicación objetivo y SYNTHETIC_MONITOR_SCHEDULE con la expresión CRON deseada por ejemplo 0 */5 * * * * para ejecuciones cada 5 minutos. Añadir además otras variables de configuración necesarias por sus pruebas Playwright.

Fase 3 Preparar pipeline de Azure DevOps: Crear un pipeline de build que instale Node 18, ejecute npm ci, instale Playwright con dependencias npx playwright install --with-deps chromium y compile TypeScript npm run build. Empaquetar la Function App en function-app.zip y publicar el artefacto. Luego crear un Release Pipeline que tome el artifact y use la tarea Azure Function App Deploy apuntando a la App Service synthetic-monitoring-func-prod y al paquete function-app.zip para desplegar automáticamente tras cada build.

Fase 4 Desplegar y monitorizar: con el código en el repo realizar commit y comprobar que el build y release se ejecutan. Verificar en Azure Portal que la Function aparece y se ejecuta. En Application Insights usar Live Metrics para monitorización en tiempo real. En Function App Monitoring Log Stream se pueden ver logs en vivo y en Functions la ejecución y el historial. En la cuenta de almacenamiento contenedor test-artifacts se almacenan reportes o evidencias en caso de fallos. Configurar alertas en Application Insights para recibir notificaciones ante errores o degradación del servicio.

Buenas prácticas y variables clave: evitar exponer cadenas de conexión en código, usar Managed Identities cuando sea posible, mantener las dependencias de Playwright actualizadas y parametrizar el baseUrl para poder apuntar a entornos de staging y producción. Revisar periodos de ejecución en SYNTHETIC_MONITOR_SCHEDULE para equilibrar coste y frecuencia de comprobaciones.

Me cansaba perder tiempo pegando archivos uno a uno cada vez que quería preguntar a ChatGPT sobre mi código. La conversación típica era pegar un componente React, recibir la respuesta de que faltaban imports o el componente padre, pegar esos archivos, contestar sobre el enrutamiento y al final haber dedicado diez minutos solo a poner al día a la IA. Tenía que haber una forma mejor.

Así que construí una solución propia llamada Repository Context Packager, una herramienta de línea de comandos que empaqueta todo un repositorio en un solo archivo de texto ordenado listo para pegar en cualquier chat de IA. Con un solo comando puedes generar un resumen completo que incluye la estructura de ficheros en forma de árbol, todos los archivos de código en bloques con resaltado sintáctico, información de git opcional como hash de commit, rama y autor muy reciente, y hasta un resumen con recuento de archivos y estimaciones de tokens para planear conversaciones con modelos como ChatGPT o Claude.

Una muestra de uso es tan simple como ejecutar repo-packager . -o mi-codigo.txt o afinar filtros con patrones y estimaciones de tokens. La idea fue mantener la UX tan sencilla como sea posible para evitar el tedio de copiar y pegar fragmentos sueltos.

Diseñar el CLI fue más difícil de lo que parece. Soportar rutas múltiples y combinadas obliga a tratar las entradas como arreglos para cubrir casos como la ejecución sobre el directorio actual, archivos concretos o una mezcla de carpetas y ficheros. La solución simple de convertir la entrada en un array resulto ser la más robusta y fácil de mantener.

El trabajo con el sistema de archivos trajo retos reales: descartar binarios con cortesía, manejar archivos que desaparecen durante la lectura, truncar logs gigantes con una nota explicativa y respetar .gitignore para evitar subir node_modules con cientos de miles de ficheros. El uso de la libreria glob evitó tener que reescribir traversals de directorio y simplifico muchos casos borde.

La integración con git fingia ser trivial hasta que surgieron situaciones como ejecutar la herramienta fuera de un repo, en repos sin commits o en sistemas con diferencias de rutas. Mejorar la robustez para esos escenarios fue crucial para que la herramienta deje de ser un experimento local y pase a ser realmente utilizable.

Lo que aprendi construyendo esto vale para cualquier desarrollador que quiera crear herramientas: el CLI es un medio distinto, la salida de la herramienta debe ir a stdout y los mensajes de progreso y errores a stderr, --help y --version deben existir, y los codigos de salida importan. A escala, leer cientos de archivos exige async para no bloquear el event loop y prestar atención al consumo de memoria y a permisos de ficheros. Git ofrece mucha metadata util que raramente se explota, desde autores y fechas hasta la historia que ayuda a entender decisiones de diseño.

En la practica uso la herramienta para depurar hooks raros en React empaquetando todo el arbol de componentes y consultando modelos de IA, para preparar revisiones de codigo generando un contexto antes de empezar a revisar y para incorporarme a proyectos nuevos pidiendo a la IA que explique la arquitectura a partir del pack generado. La funcion de estimacion de tokens fue especialmente util para planear interacciones con modelos y optimizar consultas.

Ideas futuras incluyen salidas alternativas como HTML con secciones plegables o JSON para consumo por otras herramientas, heuristicas para seleccionar archivos relevantes automaticamente, integracion directa con APIs de modelos para saltarse el paso de copiar y pegar y analisis de cambios entre ramas para acelerar revisiones.

Si te interesa implementar soluciones similares para tu empresa o proyecto, en Q2BSTUDIO ofrecemos servicios de desarrollo de aplicaciones y software a medida que pueden integrar estas capacidades. Podemos ayudarte a crear pipelines de empaquetado y automatizacion, y a desplegar integraciones de inteligencia artificial que mejoren la productividad de equipos de desarrollo. Con experiencia en aplicaciones a medida, software a medida, inteligencia artificial y ciberseguridad podemos adaptar la herramienta a tus necesidades y garantizar despliegues seguros en la nube.

Los sistemas COBOL heredados son monstruos difíciles de entender: millones de líneas de código, convenciones de nombres como WS-CUST-ID, PRINT-HEADER u ORD-TOTAL, ausencia de documentación y sin un esquema claro. Las técnicas tradicionales fracasan con frecuencia: construir un parser completo es lento y frágil, el análisis manual no escala y las expresiones regulares pierden relaciones sutiles. ¿Y si en vez de imponer una estructura mediante una gramática completa, descubriéramos la estructura con matemáticas simples y robustas?

La idea central parte de la distancia p-ádica y las propiedades ultramétricas. En lugar de trabajar con arreglos binarios, aplicamos el concepto de distancia basado en prefijos a nombres de variables COBOL. La intuición es directa: dos identificadores que comparten los mismos tokens iniciales están más cerca en el espacio p-ádico. Esa proximidad es perfecta para sacar a la luz patrones de nombres en código legado.

En lugar de construir árboles de sintaxis abstracta que requieren conocimiento completo de la gramática y que se rompen con dialectos y peculiaridades, la aproximación ultramétrica permite que la jerarquía emerja de los propios datos. No imponemos la estructura, la descubrimos mediante comparaciones de prefijos y una fórmula de distancia sencilla.

Resumen de la implementación conceptual en Clojure: primero tokenizamos nombres por separadores comunes como guiones, puntos y guiones bajos. Después contamos la longitud del prefijo común entre dos vectores de tokens. La distancia p-ádica entre una variable base y otra se calcula como 1 dividido por p elevado a la longitud del prefijo común más uno, de modo que prefijos más largos producen distancias más pequeñas. Con esas distancias podemos agrupar variables por la longitud del prefijo común usando group-by y así obtener una estructura jerárquica comparable a un mapa ultramétrico donde las claves no son solo iguales o distintas sino que tienen una relación de proximidad medible.

Un ejemplo conceptual: dados los identificadores WS-CUST-ID, WS-CUST-NAME, WS-CUST-ADDR, WS-ORDER-ID y PRINT-HEADER, el análisis centrado en WS-CUST-ID produce grupos por profundidad de prefijo: profundidad 2 incluye los que comparten WS y CUST, profundidad 1 los que comparten solo WS, y profundidad 0 los que no comparten prefijo. Con p igual a 2 las distancias aproximadas serían 1/8 para prefijo de longitud 2, 1/4 para longitud 1 y 1/2 para longitud 0. De este modo emergen subgrupos como WS-CUST-*, WS-ORDER-* y PRINT-* sin necesidad de parsear la sintaxis completa.

Ventajas frente a enfoques tradicionales: 1 No necesita gramática completa, por lo que tolera variaciones de dialecto y convenciones locales. 2 Es computacionalmente eficiente: comparar prefijos escala lineal con la longitud del nombre y evita construir y mantener árboles de sintaxis complejos. 3 Descubre estructuras ocultas que las regex no ven, gracias a la desigualdad triangular fuerte propia de espacios ultramétricos, lo que da consistencia a las agrupaciones. 4 Permite búsquedas aproximadas y lookups por proximidad, útil cuando los nombres no coinciden exactamente pero responden a la misma intención semántica.

Para pasar de clusters locales a arquitectura de sistema completa se analizan múltiples patrones base en paralelo y se combinan los resultados. Por ejemplo, analizando patrones como WS-CUST, WS-ACCT, WS-ORDER, DB-, PRINT- o ERR- en paralelo sobre un conjunto grande de variables, emergen subsistemas con tamaños y estructuras internas identificables automáticamente. En producción, con miles de patrones base, se automatiza la extracción de candidatos a prefijos y se aplica un umbral mínimo de ocurrencias para concentrar el análisis en patrones relevantes.

Resultados reales: en un sistema bancario con más de 5 millones de líneas y decenas de miles de variables, el análisis paralelo reveló clusters mayores como WS-* con 12 000 variables, WS-CUST-* con ~800 variables y DB-* con ~9 000 variables, así como submódulos mapeados a tablas de base de datos y subsistemas de errores ERR-* que antes no estaban documentados. La técnica hizo visibles relaciones entre espacios de trabajo y mapeos a base de datos gracias a medidas de distancia.

Aplicaciones prácticas y escalado: este método sirve para descubrimiento de esquemas, detección de similitud de código, identificación de candidatos para refactorización, comprobación de consistencia en APIs y mapeo entre sistemas legados y APIs modernas manteniendo transformaciones que preservan distancia. Para empresas que buscan modernizar software legado, combinar este tipo de análisis matemático con procesos de migración y automatización resulta muy eficaz.

En Q2BSTUDIO aplicamos este tipo de enfoques matemáticos y funcionales a proyectos reales de modernización y análisis de código. Somos especialistas en desarrollo de aplicaciones a medida y software a medida, inteligencia artificial y soluciones de ia para empresas, así como en ciberseguridad, pentesting y servicios cloud aws y azure. Si su proyecto requiere convertir legado en arquitectura entendible y aprovechable, podemos ayudar con servicios de análisis, migración y automatización.

Vegi es un pequeño y encantador applet web interactivo creado para que niños pequeños que aún no leen descubran el mundo de las verduras de forma lúdica y segura. La experiencia transforma la dificultad habitual de interesar a los niños por la comida sana en una aventura divertida que incluso puede convertirse en una búsqueda del tesoro en los pasillos de verduras del supermercado.

La guía de esta experiencia es Vegi, una simpática mascota vegetal que habla con los niños. Usando la voz o la cámara del dispositivo, los pequeños pueden interactuar con Vegi para identificar verduras reales, aprender datos curiosos sobre ellas y recibir ideas de platos apetitosos. El lema de la aplicación es Vegetales no son alienígenas, una forma de convertir alimentos desconocidos de intimidantes a intrigantes. Todo lo que no se clasifique como verdura podría ser un alienígena.

Demostración y recursos: existe una versión en vivo del applet que ilustra la experiencia interactiva completa y un video corto de dos minutos que muestra las funciones multimodales en acción con sonido recomendado para entender la interacción. También hay capturas que muestran la pantalla principal con Vegi y los botones de interacción, la vista en vivo de la cámara identificando verduras y la imagen generada por IA de un plato cartoon con una receta; Vegi puede reconocer más de una verdura a la vez.

Características multimodales principales: reconocimiento visual de verduras imagen a texto y salida por voz para crear una experiencia ver y decir que conecta el mundo físico del niño con el aprendizaje digital; descubrimiento activado por voz con transcripción audio a texto, generación de descripciones infantiles y creación de imágenes de platos de forma automática; soporte de texto a voz en el navegador para que Vegi hable y explique cada hallazgo.

Limitaciones conocidas: el sistema de texto a voz depende del navegador y en algunos teléfonos móviles requirió recargar la aplicación para funcionar correctamente. Las reglas de seguridad de la IA son actualmente sencillas y la versión presentada estaba limitada a inglés para simplificar la competición, aunque la arquitectura permite expandir a más idiomas aprovechando modelos multimodales avanzados.

Cómo se construyó: la aplicación fue prototipada y desarrollada con Google AI Studio como centro de desarrollo, utilizando Gemini 2.5 Flash para el procesamiento multimodal de imágenes y audio. El equipo afinó los prompts de personalidad y lógica de Vegi dentro de AI Studio, generó el frontend en React y la lógica de backend, y finalmente desplegó el applet como contenedor en Google Cloud Run directamente desde el flujo de trabajo de AI Studio.

Próximos pasos: una versión con gráficos de mayor calidad y una mascota Vegi animada podría aumentar la atracción para los niños sin cambiar la multimodalidad central del producto.

Sobre Q2BSTUDIO: Somos Q2BSTUDIO, una empresa de desarrollo de software especializada en aplicaciones a medida y soluciones tecnológicas integrales. Diseñamos software a medida y aplicaciones a medida para proyectos educativos, comerciales e industriales, combinando experiencia en inteligencia artificial para empresas, agentes IA y power bi para soluciones de analítica avanzada. Además ofrecemos servicios de ciberseguridad y pentesting para proteger tus aplicaciones y datos, así como servicios cloud aws y azure para desplegar soluciones escalables y seguras. Si buscas desarrollar un producto interactivo similar a Vegi o integrar modelos multimodales en tu negocio, en Q2BSTUDIO podemos ayudarte a materializar la idea y ponerla en producción con prácticas de seguridad y DevOps consolidadas.

Servicios destacados y palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. Contamos con equipos expertos en automatización de procesos, desarrollo de APIs, integraciones con plataformas cloud y en la creación de experiencias educativas multimodales basadas en IA.