🩺 01 · Salud 🌱 02 · Agro 🚦 03 · Movilidad 🎓 04 · Educación 💼 05 · Empresas 📡 06 · Telco 🔓 07 · Open
13 de Mayo 2026 · Lab. Data Science, República 71 Piso 3

Los Desafíos

Seis áreas de impacto real. Elige uno con tu equipo y construye un prototipo funcional en una jornada. El objetivo no es la perfección — es la idea y su ejecución.

← Volver al inicio
Instrucciones para equipos

Cómo funciona hoy

Son 40 participantes, conformando equipos de 3 o 4 integrantes. Sigan estos pasos.

Paso 01

Forma tu equipo

Equipos de 3 o 4 integrantes. Se recomienda diversidad de carreras: combina ingeniería, negocios y data science para tener más ángulos.

Paso 02

Elige un desafío

Lean los seis desafíos en esta página. Cada equipo elige uno solo. Si dos equipos quieren el mismo, está permitido — la solución será diferente.

Paso 03

Define el alcance

No intenten resolver todo. Elijan una sub-funcionalidad concreta dentro del desafío y llévela hasta un prototipo funcional o demo.

Paso 04

Construye y documenta

Código, notebook, maqueta, o combinación. Documenten las decisiones técnicas y de diseño tomadas — el jurado pregunta sobre el proceso.

Paso 05

Pitch el viernes 15

5 minutos de presentación + preguntas del jurado. Estructura sugerida: problema → solución → demo → impacto → lo que faltó.

Criterios

Qué evalúa el jurado

Impacto del problema abordado · Viabilidad técnica · Innovación en el enfoque · Ejecución y calidad del demo.

Recursos

Repositorios de datos y modelos

Fuentes abiertas donde encontrar datasets y modelos pre-entrenados para cualquier desafío. No necesitas datos perfectos — necesitas datos suficientes para un prototipo.

Kaggle
Miles de datasets curados, notebooks y competencias. El punto de partida para casi cualquier problema de ML. Busca por dominio: salud, telco, agro, transporte.
Datasets Notebooks Competencias
→
Hugging Face
El GitHub de la IA. Modelos pre-entrenados de NLP, visión y audio. Datasets listos para usar. Si necesitas un LLM, embeddings o un modelo de clasificación, empieza aquí.
Modelos pre-entrenados LLMs Datasets Spaces
→
UCI ML Repository
El repositorio clásico de machine learning con más de 650 datasets académicos. Ideal para benchmarking. Incluye datasets de salud, telecomunicaciones, comportamiento de usuario y más.
Datasets académicos Benchmark Documentados
→
🩺
Desafío 01

IA para Salud Preventiva
y Bienestar Digital

Diseña soluciones que integren biomarcadores, wearables y machine learning para detectar riesgos de salud en tiempo real.

Contexto

El sistema de salud actual es reactivo. Los diagnósticos llegan tarde y los datos están fragmentados.

Hoy existen múltiples fuentes de información — exámenes clínicos, wearables, hábitos, historial médico — pero no se integran de forma inteligente para anticipar problemas antes de que ocurran.

El desafío

Construir una solución de salud preventiva basada en IA que permita:

  • Detectar riesgos antes de que ocurran
  • Integrar múltiples fuentes de datos heterogéneos
  • Generar recomendaciones accionables para el usuario
  • Mejorar la toma de decisiones clínicas o personales
Qué puedes construir
  • Dashboard de salud inteligente con alertas personalizadas
  • Modelo de predicción de edad biológica
  • Sistema de alertas tempranas basado en biomarcadores
  • Asistente médico conversacional con IA
  • Gemelo digital de salud personal
  • App conectada a datos de wearables
Datos recomendados
  • Paneles clínicos: lipídico, hepático, renal
  • Biomarcadores inflamatorios (PCR, ferritina, etc.)
  • Datos de actividad física y sueño
  • Datasets simulados de pacientes (UCI ML Repository)
Stack sugerido
Python TensorFlow / PyTorch LLM APIs Firebase / Supabase React / Flutter Apple Health API Google Fit API
Criterios clave
  • Precisión del modelo — los falsos positivos tienen costo clínico
  • Interpretabilidad — un médico debe poder entender la predicción
  • UX clara — el paciente debe entender las recomendaciones
  • Impacto real — ¿cambia el comportamiento del usuario?
  • Escalabilidad — ¿funciona con miles de pacientes?
Bonus points
⚡ Multimodal AI 📊 Visualización avanzada 💬 IA conversacional 🔴 Integración en tiempo real
🌱
Desafío 02

Agricultura Inteligente
y Sostenibilidad

Predice, optimiza y protege cultivos usando visión computacional y modelos predictivos aplicados al campo.

Contexto

La agricultura enfrenta una tormenta perfecta: cambio climático, escasez hídrica y baja digitalización del campo.

Las decisiones siguen siendo poco data-driven. Un agricultor promedio no tiene acceso a los modelos que ya existen para optimizar su producción.

El desafío

Crear una solución que permita:

  • Optimizar el rendimiento agrícola con datos
  • Detectar enfermedades en cultivos de forma temprana
  • Automatizar o recomendar decisiones de riego
  • Monitorear cultivos en tiempo real o de forma periódica
Qué puedes construir
  • Detector de enfermedades en plantas con visión computacional
  • Predicción de rendimiento (yield) por parcela
  • Sistema de riego inteligente basado en sensores y clima
  • Dashboard geoespacial de monitoreo de cultivos
  • Sistema de alertas climáticas para agricultores
Datos sugeridos
  • Imágenes satelitales (Sentinel-2, Landsat)
  • Datos climáticos históricos (Open-Meteo, NOAA)
  • PlantVillage — dataset de enfermedades en plantas
  • Datasets de sensores IoT agrícolas simulados
Stack sugerido
Google Earth Engine OpenCV CNN / Vision Transformers QGIS / Leaflet Python FastAPI
Criterios clave
  • Precisión — detección temprana reduce pérdida económica
  • Accesibilidad — debe ser usable por agricultores reales
  • Costo de implementación — ¿es viable en el campo?
  • Escalabilidad — ¿funciona para distintos cultivos/regiones?
Bonus points
🛰️ Análisis satelital en tiempo real 🚁 Integración con drones 🌍 Digital twin agrícola
🚦
Desafío 03

Movilidad Inteligente
y Seguridad Urbana

Construye soluciones de movilidad más seguras, eficientes e inteligentes usando IA para el contexto urbano chileno.

Contexto

Las ciudades chilenas enfrentan tres problemas críticos de movilidad: congestión vehicular, inseguridad en el transporte (especialmente para mujeres) e ineficiencia logística en la última milla.

Los datos existen — el desafío es convertirlos en decisiones en tiempo real.

El desafío

Desarrollar soluciones que:

  • Optimicen rutas de transporte o logística
  • Mejoren la seguridad de usuarios vulnerables
  • Predigan patrones de tráfico con antelación
  • Transformen la experiencia del transporte urbano
Qué puedes construir
  • App tipo SheMoves — transporte seguro para mujeres
  • Sistema de optimización logística de última milla
  • Predictor de tráfico y tiempos de desplazamiento
  • Matching inteligente conductor-pasajero
  • Sistema de monitoreo urbano con visión computacional
Datos sugeridos
  • Datos de tráfico de Google Maps Platform
  • Datos abiertos de Transantiago / RED
  • Datos de delitos del CEAD (Centro de Estudios y Análisis del Delito)
  • Datasets de Uber Movement
Stack sugerido
Mapbox GL / Google Maps API Algoritmos de optimización ML predictivo (XGBoost, LSTM) WebSockets React Native / PWA
Criterios clave
  • Impacto social — ¿resuelve un dolor real en Santiago?
  • Latencia — las decisiones de ruta requieren respuesta rápida
  • Confiabilidad — el usuario debe confiar en la recomendación
  • Privacidad — datos de ubicación son sensibles
Bonus points
🔒 IA de seguridad predictiva 🧬 Biometría pasiva 📡 Datos en tiempo real
🎓
Desafío 04

IA para Educación

Crea experiencias educativas personalizadas impulsadas por inteligencia artificial que adapten el aprendizaje a cada estudiante.

Contexto

La educación tradicional no es personalizada: todos aprenden lo mismo, al mismo ritmo, con los mismos materiales. El resultado: alta deserción, bajo rendimiento y frustración.

La IA tiene el potencial de escalar la tutoría personalizada a costo accesible.

El desafío

Desarrollar sistemas que:

  • Se adapten al ritmo y estilo de aprendizaje del estudiante
  • Automaticen la evaluación formativa con feedback inmediato
  • Mejoren la retención del conocimiento a largo plazo
  • Escalen educación de calidad a más estudiantes
Qué puedes construir
  • Tutor IA conversacional para una materia específica
  • Plataforma de aprendizaje adaptativo
  • Generador automático de contenidos o ejercicios
  • Sistema de evaluación automática con feedback
  • Detector de riesgo de deserción con intervención automática
Datos sugeridos
  • Open University Learning Analytics Dataset (OULAD)
  • Khan Academy o Coursera datasets públicos
  • Datos de plataformas LMS (Moodle, Canvas)
  • Corpus de textos educativos de dominio público
Stack sugerido
LLMs + RAG Vector DB (Pinecone / Chroma) LangChain / LlamaIndex NLP React Next.js
Criterios clave
  • Calidad pedagógica — ¿realmente enseña bien?
  • Engagement — ¿el estudiante quiere volver?
  • Precisión del modelo — feedback incorrecto es contraproducente
  • Accesibilidad — funciona en contextos con recursos limitados
Bonus points
🎙️ Interfaz de voz 🤖 Avatares IA docentes 🎮 Gamificación
💼
Desafío 05

IA para Empresas
y Productividad

Crea agentes inteligentes que transformen cómo operan las empresas — desde la automatización de procesos hasta el análisis de documentos.

Contexto

Las empresas chilenas — especialmente PYMEs — pierden horas cada semana en procesos manuales repetitivos: entrada de datos, análisis de documentos, reportes y coordinación interna.

Los LLMs y agentes de IA permiten automatizar estas tareas con código hoy.

El desafío

Construir soluciones que:

  • Automaticen tareas repetitivas de alto volumen
  • Analicen y extraigan información de documentos
  • Generen insights y reportes automáticos
  • Integren múltiples sistemas empresariales
Qué puedes construir
  • Agente IA empresarial multi-herramienta
  • Chatbot interno para consulta de documentos (RAG)
  • Sistema OCR inteligente para facturas y contratos
  • Dashboard automatizado con análisis de datos en lenguaje natural
  • Analizador financiero con alertas IA
Datos sugeridos
  • Documentos empresariales simulados (facturas, contratos, emails)
  • Datasets financieros públicos (CMF, SII)
  • Logs de sistemas ERP simulados
  • Bases de conocimiento corporativas de muestra
Stack sugerido
LLMs (Claude / GPT-4) LangChain / AutoGen OCR (Tesseract / Azure) Slack API / WhatsApp FastAPI PostgreSQL
Criterios clave
  • ROI claro — ¿cuántas horas ahorra por semana?
  • Confiabilidad — errores del agente tienen costo real
  • Integración — conecta con sistemas existentes
  • Seguridad — datos empresariales son sensibles
Bonus points
🔗 Integración ERP real 🔄 Automatización end-to-end 📊 Analytics en lenguaje natural
📡
Desafío 06

Telecomunicaciones:
Retención y Experiencia de Cliente

Predice qué clientes están a punto de irse y qué los haría quedarse — antes de que sea demasiado tarde.

Contexto

En telecomunicaciones, adquirir un cliente nuevo cuesta 5–7x más que retener uno. El churn (fuga de clientes) es el principal problema del sector, y el NPS (Net Promoter Score) es la métrica que mejor predice si alguien se irá.

Las empresas tienen datos: historial de llamadas, tickets de soporte, consumo, pagos, interacciones — pero raramente los usan de forma predictiva y a tiempo.

El desafío

Construir un sistema que permita:

  • Predecir qué clientes tienen alta probabilidad de abandonar el servicio
  • Estimar el NPS futuro de un cliente en base a su comportamiento
  • Identificar los factores que más impactan la satisfacción y la fuga
  • Generar acciones de retención personalizadas y priorizadas
Qué puedes construir
  • Modelo de predicción de churn con score de riesgo por cliente
  • Predictor de NPS basado en historial de interacciones
  • Dashboard de retención con segmentación de clientes en riesgo
  • Motor de recomendaciones de ofertas personalizadas para retener
  • Análisis de causa raíz de churn con explicabilidad (SHAP, LIME)
  • Agente conversacional para soporte proactivo
Datos recomendados
  • Telco Customer Churn Dataset (IBM / Kaggle) — variables de contrato, consumo y demografía
  • Cell2Cell Churn Dataset — dataset clásico de la industria
  • Datos simulados de tickets de soporte y NPS histórico
  • Registros de interacciones con call center (sintéticos)
Stack sugerido
Python XGBoost / LightGBM scikit-learn SHAP Pandas / Polars Streamlit / Dash FastAPI
Criterios clave
  • Precisión del modelo — recall alto en churn (el costo de un falso negativo es alto)
  • Explicabilidad — el equipo comercial necesita entender por qué se va el cliente
  • Accionabilidad — la predicción debe traducirse en una acción concreta
  • Tiempo real vs. batch — ¿cuándo se ejecuta el modelo y con qué frecuencia?
  • ROI demostrable — ¿cuánto ingreso se recupera con la retención?
Bonus points
📊 Segmentación dinámica de clientes 💬 Análisis de sentimiento en tickets 🔁 Modelo de CLV (Customer Lifetime Value) ⚡ Inferencia en tiempo real
🔓
Desafío 07

Open Innovation
Challenge

Trabaja con un problema real entregado por una empresa y construye una solución con impacto demostrable.

Cómo funciona

En este desafío, el problema no está predefinido aquí. Cada empresa participante entregará:

  • Una descripción del problema real que enfrenta
  • Un dataset o acceso a API específico del negocio
  • Contexto del negocio y métricas de éxito
Qué debes lograr
  • Una solución funcional al problema planteado
  • Un MVP validable — aunque sea con datos simulados
  • Un pitch convincente que demuestre impacto
  • Evidencia de que entendiste el negocio, no solo el código
Criterios de evaluación
  • Impacto — ¿resuelve el problema real de la empresa?
  • Viabilidad — ¿puede implementarse en el corto plazo?
  • Innovación — ¿el enfoque es creativo o diferenciado?
  • Ejecución — ¿la demo funciona y es convincente?
Stack

Libre. Usa lo que mejor se adapte al problema entregado.

Se valorará usar tecnología apropiada al contexto empresarial — no sobreingeniería.

Nota importante

Este desafío es el más libre y el más cercano a la realidad laboral. El jurado evalúa especialmente la comprensión del negocio y la capacidad de convertir un problema vago en una solución concreta.

Si eligen este desafío, prepárense para hacer las preguntas correctas a los representantes de la empresa durante el evento.

Auspiciado por

Liva · Nup — empresa patrocinadora del Open Innovation Challenge