Desarrollo de una plataforma de moderación con IA
01 — Resumen
Una startup en etapa inicial necesitaba lanzar un producto de moderación de contenido con IA en un plazo muy ajustado.
Trabajé junto con otro ingeniero para convertir los diseños existentes en un frontend funcional, mientras el backend y la lógica principal de las políticas se desarrollaban en paralelo.
Por motivos de confidencialidad, no puedo compartir el nombre del cliente, el producto ni el repositorio.
Las interfaces que se muestran a continuación son representaciones conceptuales, no capturas de pantalla.
02 — El problema
La moderación de contenido a gran escala puede exponer a quienes revisan el material a volúmenes enormes de contenido perturbador.
La IA puede ayudar a reducir esa carga, pero la tecnología solo sirve si quienes usan el producto pueden definir políticas, gestionar contenido y conjuntos de datos, administrar accesos y entender qué está haciendo el sistema.
Con un plazo exigente, necesitaba entender la arquitectura, los requisitos, el sistema de diseño, las interfaces del backend y las expectativas del producto para empezar a contribuir de inmediato.
03 — Mi enfoque
Busqué los patrones que se repetían en todo el producto, en lugar de tratar cada pantalla como un caso aislado. A partir de ellos, construí un sistema de componentes reutilizables alineado con el sistema de diseño existente, adaptable a distintos dispositivos y pensado para ofrecer accesibilidad y buen rendimiento.
Construí e iteré sobre los principales flujos del frontend: crear políticas, administrar cuentas y equipos, y gestionar contenido y conjuntos de datos. Esto incluía plantillas y vistas previas de políticas, gestión de accesos y roles, formularios validados, tablas ordenables y seleccionables, acciones en lote, carga de archivos, selección de conjuntos de datos y eliminación de contenido integrada con el backend.
En las interfaces con muchos datos, el rendimiento era fundamental. Algunas tenían que manejar decenas de miles de elementos, así que las diseñé para cargar y renderizar solo lo necesario a medida que se recorrían los datos.
Redactar la política
Empezar de cero o partir de una base
Las plantillas ofrecen un punto de partida útil sin obligar a nadie a seguir una política predefinida. El texto completo se abre en el editor, listo para revisar y modificar.
Definir quién puede modificarla
Quién puede modificar una política activa
Una tabla ordenable con identidades, roles y estados de invitación permite consultar los accesos de un vistazo. Los roles se pueden cambiar y las personas se pueden quitar desde la misma tabla, sin salir de la página.
Reunir la evidencia
Seleccionar varios elementos y actuar una sola vez
Al seleccionar varios elementos, las acciones quedan disponibles para toda la selección. Las plantillas de carga y las acciones en lote ayudan a gestionar las tareas repetitivas a medida que crecen los conjuntos de datos.
Etiquetar los errores del modelo
Indicar dónde se equivocó el modelo
Cada fila registra la decisión del modelo. Quien revisa puede corregir la etiqueta y añadir una señal que explique el error, sin salir del conjunto de datos.
Hacerlo rápido
Renderizar lo visible y cargar lo que sigue
Las tablas grandes pueden contener decenas de miles de elementos. La virtualización renderiza solo las filas visibles y precarga la página siguiente para que esté lista cuando haga falta.
04 — En retrospectiva
Lo que me queda no es un componente específico, sino la práctica de trabajar en un sistema desconocido, entender rápidamente su estructura, identificar lo esencial y tomar decisiones fundamentadas que hagan avanzar el producto.
Hoy la IA puede generar gran parte del código de implementación. Eso hace que el criterio, el pensamiento sistémico, la comunicación y la capacidad de ver el problema completo sean más valiosos, no menos.
Me apasiona crear sistemas para resolver problemas de forma eficiente.