StreamScope

Tech Venture Bootcamp

Durante el Tech Venture Bootcamp de IE, desarrollamos StreamScope, una plataforma de inteligencia en tiempo real para chats de Twitch diseñada para ayudar a creadores de contenido y marcas a comprender a sus audiencias a un nivel más profundo. Partimos de una idea sencilla: el live streaming genera enormes cantidades de datos, pero los creadores apenas cuentan con herramientas para interpretarlos en tiempo real. StreamScope vino a cambiar eso. Construimos una plataforma full-stack que combina análisis de chat basado en NLP y transcripción de audio en tiempo real, pasando de la idea inicial a un producto funcional en solo unas semanas. El proyecto obtuvo el segundo puesto en el Bootcamp. Tras finalizar el programa, hemos seguido desarrollando StreamScope, convencidos de que existe una oportunidad real que merece la pena explorar. Esta experiencia nos impulsó a crecer no solo como ingenieros, sino también como equipo, aprendiendo a trabajar con agilidad, tomar decisiones bajo presión y construir algo de lo que realmente nos sentimos orgullosos.

Resumen del proyecto

¿De qué trataba vuestro proyecto?

StreamScope es un sistema de inteligencia de chat en tiempo real diseñado para streamers en directo. Ingiere mensajes de chat en vivo, los clasifica en categorías estructuradas de interacción y destaca las interacciones más relevantes a través de un panel y superposiciones en pantalla. El sistema está diseñado para operar con baja latencia, transformando chats de alta velocidad en señales estructuradas y accionables.

En esencia, convierte un chat caótico en una interacción enfocada.

Objeto del proyecto

¿Cuál fue el principal motivo para elegir este proyecto y qué problema real buscabais abordar?

El streaming en directo genera una presión cognitiva creciente sobre los creadores. A medida que las audiencias aumentan, la velocidad del chat llega a un punto en el que los streamers ya no pueden seguir las conversaciones de manera significativa, responder preguntas o mantener el contexto. La calidad de la interacción disminuye no por falta de esfuerzo, sino por limitaciones humanas.

Elegimos este proyecto para abordar esa limitación estructural. En lugar de ralentizar el chat, nos centramos en restaurar la claridad y preservar la interacción significativa a medida que los creadores escalan.

Información técnica

¿Qué enfoques técnicos y herramientas utilizasteis y por qué?

Desarrollamos StreamScope sobre un backend en Python y Flask con HTML renderizado en servidor y JavaScript puro para mantener baja latencia y claridad arquitectónica. El sistema funciona en un entorno preparado para producción utilizando una máquina virtual de Hetzner y un proxy inverso Nginx.

Para la clasificación, adoptamos un enfoque determinista como primera capa. Los mensajes se etiquetan mediante lógica heurística estructurada, utilizando FastText como respaldo en casos de baja confianza. Existe una ruta opcional con LLM detrás de un feature flag, pero no es bloqueante, para preservar el rendimiento y la fiabilidad. Esta arquitectura en capas refleja nuestro énfasis en la estabilidad, el control y la capacidad de respuesta en tiempo real.

¿Qué conocimientos, herramientas o ideas del programa influyeron en el proyecto?

La sesión keynote influyó significativamente en nuestro enfoque. Javier Pérez Trigo, Head of Digital Natives en Google, habló sobre cómo los equipos en etapas iniciales tienen éxito priorizando velocidad y enfoque frente a complejidad innecesaria. Ese mensaje nos impactó desde el principio. Al final del segundo día, habíamos superado la incertidumbre y estábamos motivados, alineados y listos para afrontar el reto juntos.

Tras reunirnos con nuestro mentor, Aleix Catalan, afinamos aún más ese enfoque. Nos animó a aplicar una matriz de impacto–esfuerzo para evaluar la prioridad de las funcionalidades. Este marco nos ayudó a eliminar distracciones, concentrarnos en funcionalidades de alto valor y evitar la sobreingeniería. Dio estructura a nuestras decisiones y reforzó una ejecución disciplinada.

También aplicamos principios aprendidos en el programa sobre arquitectura modular, entornos reproducibles y desarrollo orientado a producción, lo que influyó directamente en el diseño del backend y en la estrategia de despliegue.

Retos y soluciones

¿Hubo desafíos significativos durante la experiencia?

Uno de los mayores desafíos fue mantener la disciplina en el alcance del proyecto. Resultaba tentador ampliar hacia funcionalidades adicionales como herramientas de colaboración o analítica avanzada. Sin embargo, decidimos estabilizar y perfeccionar el sistema central antes de añadir complejidad.

Otro reto fue equilibrar la clasificación determinista con el respaldo de IA manteniendo el rendimiento en tiempo real. Estructurando cuidadosamente la arquitectura y realizando pruebas iterativas, conseguimos que el sistema se mantuviera estable y extensible.

Colaboración y trabajo en equipo

¿Cómo contribuyó el trabajo en equipo al éxito del proyecto?

Desde el principio, la dinámica del equipo jugó un papel clave en la rapidez con la que avanzamos. Éramos tres estudiantes de segundo curso de Computer Science and Artificial Intelligence, una estudiante de primer curso de Data and Business Analytics y un estudiante de máster en Computer Science and Business Technology. Cada uno aportó algo diferente.

Algunos teníamos experiencia práctica desarrollando aplicaciones móviles y web listas para producción, trabajando con bases de datos en tiempo real, sistemas de autenticación y servicios backend escalables. Otros contaban con experiencia en sistemas de IA, herramientas impulsadas por LLM y desarrollo full-stack. También teníamos una fuerte exposición a pensamiento de producto, alianzas y estrategia de crecimiento digital. Charly aportó la idea original y la visión analítica detrás del proyecto, mientras que Inés nos ayudó a mantenernos organizados y alineados tanto desde la perspectiva técnica como estratégica.

Gracias a esta combinación, pudimos dividir responsabilidades con claridad, avanzar rápido sin interferir en el trabajo de los demás y cuestionar constantemente nuestras suposiciones. El equilibrio entre profundidad técnica y claridad de negocio nos permitió mantener el foco y ejecutar eficazmente bajo presión.

Aprendizajes y conclusiones

¿Qué aprendizajes y habilidades reforzasteis?

A nivel técnico, fortalecimos nuestras competencias en diseño de sistemas en tiempo real, clasificación estructurada, flujos de despliegue y disciplina arquitectónica.

En cuanto a habilidades interpersonales, profundizamos en nuestra capacidad de priorizar de forma efectiva, comunicarnos con claridad bajo presión y alinearnos como equipo en torno a la ejecución en lugar de la abstracción.

Desarrollo futuro

¿Planeáis seguir desarrollando el proyecto?

Sí. Nuestro siguiente paso es realizar validación estructurada con streamers activos mediante programas piloto y cuestionarios. Queremos mejorar la precisión de la clasificación, perfeccionar la analítica de interacción e integrarnos más profundamente en los flujos de trabajo de los creadores.

A largo plazo, los datos estructurados del chat podrían permitir obtener insights más profundos sobre la audiencia y habilitar capacidades multiplataforma.

¿Qué consejo daríais a otros estudiantes?

Si tienes ganas de participar y estás dispuesto a dedicar tiempo y esfuerzo, el Tech Venture Bootcamp ofrece una oportunidad para aprender mucho más allá del aula. Te reta a pensar críticamente, moverte rápido y construir bajo restricciones reales.

Empieza con un problema real. Mantén el foco. Utiliza herramientas estructuradas para tomar decisiones. Comprométete pronto como equipo. La claridad y la disciplina te llevarán más lejos que la complejidad.