Nuboria
¿Merece la pena salir a ver este amanecer o este atardecer, cuándo y desde dónde?
- Rol
- Creador y responsable de producto — desarrollo asistido por IA
- Desde
- agosto de 2026
- Estado
- En desarrollo. Todavía no es pública.
ResumenVista aérea
Nuboria es un producto meteorológico y geoespacial que ayuda a decidir si un amanecer o un atardecer merece la pena, a qué hora y desde qué lugar. Empezó en agosto de 2026 con un alcance claro: España primero.
- Fecha
- 7 de septiembre de 2026
- Alcance
- Lugares de OpenStreetMap, release es-geofabrik-20260907-v1.
- Fuente
- OpenStreetMap
© Colaboradores de OpenStreetMap. Datos meteorológicos: Open-Meteo.
¿Merece la pena este atardecer?
Simulación ilustrativaDatos sintéticosMueve los controles. La recomendación se explica sola y la puntuación nunca se disfraza de probabilidad.
Esta demo necesita JavaScript. El caso que sigue se lee igual sin él.
CasoA pie
Problema
Una previsión meteorológica por sí sola no responde a la pregunta. Que el cielo merezca la pena depende también de la trayectoria del sol, el horizonte, el terreno y el lugar exacto desde el que miras.
Decisiones
Una puntuación determinista antes que un modelo
NegocioCada recomendación se puede explicar regla a regla. Si el producto dice que vayas, también dice por qué.
TécnicaLas capas Solar, Terrain y Visibility alimentan una puntuación determinista. Se basa en reglas: no hay un modelo entrenado.
La confianza es un número aparte
NegocioLo prometedor que se ve el cielo y lo fiable que es el dato son dos preguntas distintas, así que tienen dos respuestas distintas.
TécnicaLa confianza se calcula por separado de la puntuación del evento, sobre datos meteorológicos versionados de Open-Meteo.
Preparar la evidencia antes que el aprendizaje
NegocioEl producto está diseñado para recoger feedback primero. Cualquier aprendizaje futuro tiene que apoyarse en observaciones reales, no en la heurística evaluándose a sí misma.
TécnicaLos contratos de feedback y de dataset están definidos en Supabase con PostGIS. La capa de aprendizaje sigue en la hoja de ruta.
Cómo lo comprobé
Una prueba controlada con datos de Open-Meteo dio resultados satisfactorios.
Qué aprendí
Una heurística honesta es más útil que un número que parece una probabilidad. Separar puntuación y confianza me obligó a decir qué sabe el producto y qué solo supone.
Rol
Problema, alcance, decisiones de producto y arquitectura, reglas de puntuación, prioridades y los límites de lo que puede afirmar. Implementación con Codex, interfaz con Lovable y apoyo de ChatGPT.
EvidenciaBajo la superficie
Arquitectura
- Datos
- Servicio
- Persona
El mismo flujo, paso a paso
- Los lugares de OpenStreetMap y las previsiones de Open-Meteo entran como datos versionados.
- Las capas Solar, Terrain y Visibility describen la escena para un lugar y una hora.
- Unas reglas deterministas convierten la escena en una puntuación del evento.
- La confianza del dato se calcula por separado.
- La recomendación muestra ambas, con sus razones.
Láminas del producto
Lámina 1 de 5La decisión atmosféricaComposición editorialDatos sintéticos Lámina 2 de 5Sol y horizonteComposición editorialDatos sintéticos Lámina 3 de 5La recomendaciónComposición editorialDatos sintéticos Lámina 4 de 5El índice, explicadoComposición editorialDatos sintéticos Lámina 5 de 5Evidencia para un aprendizaje futuroComposición editorialDatos sintéticos
Cifras y de dónde salen
- Fecha
- 7 de septiembre de 2026
- Alcance
- Lugares de OpenStreetMap, release es-geofabrik-20260907-v1.
- Fuente
- OpenStreetMap
© Colaboradores de OpenStreetMap. Datos meteorológicos: Open-Meteo.
Stack
Ficha revisada: