Diario de proyección

Un registro personal de películas — ~1.310 visionados (~1.170 películas distintas) desde enero de 2018 — que se mantiene solo: le mandás el nombre de una película a un bot de Telegram, una IA le completa director, año, país y género, y la fila se agrega a una hoja de Google. Un sitio web lee esa hoja en vivo y la muestra en dos secciones — Películas (índice, listas, búsquedas, mapa) y Datos (gráficos y machine learning) —, con CinefilIA, un chat de cine, en todas las páginas. Pósters, reparto y modelos se actualizan solos todos los días.

Sitio: https://turimoviesdatabase.vercel.app

Proyecto hecho a propósito para mostrar las tres capas del stack: datos, orquestación e inteligencia.

La historia completa del proyecto — por qué, en qué orden, qué se rompió y qué se aprendió en el camino — está en docs/historia-del-proyecto.md.

Estado

Funcional de punta a punta. El circuito Telegram → IA → Google Sheets → web anda solo: agregás una película por chat y aparece en el sitio sin tocar nada más.

Hecho

• Registro por chat. "vi Whiplash" → IA completa la ficha → fila en la hoja.
• Sitio + estadísticas en vivo (6 gráficos + índice paginado).
• Actores/actrices más vistos (de TMDB, junto a directores).
• Duración y sinopsis por película (runtime.json/synopsis.json, de TMDB) + modal de detalle: click en cualquier película (tabla, grilla o "quiero ver") abre la ficha completa — póster, género, rating, duración, sinopsis, reparto y todas las fechas vistas.
• Consultas al bot. "¿qué vi de Cronenberg?" → responde leyendo la hoja.
• Recomendaciones. "recomendame un thriller" → sugiere pelis no vistas.
• Pósters, ratings y géneros (TMDB). Grilla de tarjetas + gráfico y filtro por género + columna de rating.
• Lista "quiero ver". "quiero ver X" → pestaña por_ver + sección en el sitio; al registrarla como vista sale sola de la lista.
• Human-in-the-loop. "vi X" → el bot muestra la ficha con botones ✅ Sí / ❌ No; recién guarda (como Aprobada) cuando tocás ✅.
• Limpieza de cerebro/ y del repo.

Pendiente — funcionalidad

• HITL: el botón ❌. Router → editMessageText ("❌ Descartada") → answerCallbackQuery. Ya no guarda nada en la hoja e incluye el mensaje de recuperación ("si fue sin querer, mandala de nuevo").
• Aviso de título homónimo. Al registrar "X" que ya existe en el catálogo con otro director/año, que el bot avise: "ya tenés X (De Palma, 1976); esta es de Kimberly Peirce, 2013 — ¿la agrego igual?". Evita falsos duplicados y marca cuándo es una revisión de verdad.
• Título ambiguo (ej. "cape fear"), con botones. Cuando el título tiene más de una película conocida (remake, versión vieja), el bot pregunta cuál es con 2 botones antes de proponer la ficha. Probado en vivo, punta a punta (elegís opción → ficha final → ✅ → guardada). Cómo quedó armado, por si hay que tocarlo: - Módulo 6 (Gemini): schema ambiguo/opcion1/opcion2. - Router 7, ruta "1st Registrar": intent = registrar AND ambiguo not equal true (para no disparar el mensaje normal si es ambigua). - Router 7, ruta "Ambiguo" (intent = registrar AND ambiguo = true): Telegram Bot (Make an API Call, sendMessage) con 2 botones (1️⃣/2️⃣), callback_data = "amb:" + opción completa (título/año/director en el mismo string, no un código corto — así no hace falta guardar estado entre mensajes). - Router 18, ruta "Ambiguo elegido" (Callback Query: Data starts with amb) → Text parser (sin uso real, quedó de un diseño anterior) → Gemini nuevo (módulo 31, schema de 5 campos) que arma la ficha completa recibiendo directo {{2.callbackQuery.data}} como mensaje (a Gemini no le cuesta nada ignorar el prefijo "amb:") → Telegram Bot con el mensaje final ✅/❌, con el mismo formato y callback_data ("ok"/"no") que el registro normal — así cae solo en las rutas "Aprobado"/"Rechazado" que ya existían, sin duplicar esa parte. - Bug de plataforma encontrado en el camino: el buscador de campos de un módulo de IA no muestra los campos nuevos del schema hasta que el módulo corre al menos una vez con datos reales — se resuelve con "Run this module only" escribiendo un mensaje a mano en el input.
• Sacar el módulo temporal Make an API Call (#21, el del setWebhook) del escenario de Make — borrado.
• HTTP nuevo (33) baja , y el Gemini de consultas ahora recibe las dos listas (vistas + pendientes) y sabe distinguirlas. Probado con "qué tengo pendiente por ver".

Pendiente — parte de data science

El proyecto sirve tanto para el portfolio de automatización como para el de datos: el trabajo de limpieza (fechas, pósters, typos) ya es data engineering real, solo faltaba mostrarlo.

• Placa V "Detrás de los datos". Caso de limpieza con números reales (604 fechas, 40 pósters, 13 duplicados, 65 directoras) + metodología.
• Perfil de gusto, en el sitio. cerebro/taste_profile.py (Python/pandas/sklearn), corre offline, escribe taste_profile.json. Se muestra en el sitio como su propia placa — Placa VII "Lo que mis películas dicen de mí" (app/src/app/taste-profile) — no interactiva por película, prosa fija (escrita a mano, no generada en runtime; la narración por Gemini en vivo queda pendiente de Make) interpolando los números reales vía TasteProfileService. Última corrida (2026-09-20, 1.155 películas únicas): Tarantino 63,6% de tasa de revisión (vs 17,9% del mejor género solo, Animación) — el director pesa mucho más que el género. Chad Stahelski 57,1%. La década más fuerte es 2000s (13,6%), no 2010s. El modelo marca la duración como la variable de más peso para predecir revisión, pese a que el promedio es casi idéntico entre revisitadas y no (109,8 vs 110,0 min) — relación no lineal: el rango 160+ min tiene la tasa más alta (18,4%), pero es casi todo Scorsese/Tarantino — la duración es proxy del director, no la causa. Combos director+actor y clustering, hechos (2026-09-21) — sumados al mismo taste_profile.json, narrados en la misma Placa VII: top combo real "Ti West + Mia Goth" (100% de tasa de revisión, sobre 3 películas juntos — el combo pesa más que el director solo). Clustering (KMeans, sklearn) de los 9 años de registro en 3 "familias de gusto" por década/duración/género promedio: no hay tendencia lineal en el tiempo, son fases (2019/2020/2021/2024 con 21,9% de tasa de revisión promedio vs. 16% en 2018/2026). Descartado (no interesa): cruzar tasa de revisión contra rating de TMDB.
• Recomendador con 2 métodos comparados → Placa VIII en el sitio (app/src/app/recommender), primera placa interactiva del cluster de Data Science. cerebro/build_similar_ajustado.py repondera el mismo candidate pool de build_similar.py, pero con señales reales de taste_profile.json en vez de pesos fijos a mano: director/género escalados por tasa de revisión real, década por el peso del Random Forest, y duración sumada como feature nueva (el método por contenido no la usa) escalada por su propio peso RF (el más alto de todos). Buscador de una película ya vista → 2 columnas de chips ("por contenido" vs. "ajustado por tu perfil"), puramente de lectura.

Ideas para ampliar (sin scopear todavía)

La idea general: tres capas visibles — Automation + IA → Data Science → aplicación final — sin tocar la automatización que ya funciona; la segunda mitad se suma como módulo aparte, empezando por el perfil de gusto.

• Duración por película. runtime.json (1.222/1.229, cerebro/build_runtime.js, mismo patrón que actores/pósters). Ya usada en la Placa VI (duración promedio por año, distribución de duración) y en el recomendador ajustado (Placa VIII) como feature nueva.
• Recomendador con 2 métodos, comparados → ver "Recomendador con 2 métodos comparados" más arriba, en "Pendiente — parte de data science".
• El bot reconoce películas por descripción vaga. "vi una de Scorsese con DiCaprio de mafiosos" → la IA arma candidatos y pregunta cuál, en vez de necesitar el título exacto. Extiende el mecanismo de "título ambiguo" que ya existe (Cape Fear) a un caso más abierto.
• La IA como interfaz de consulta a los datos. "¿qué género veo más?", "¿estoy viendo películas más largas últimamente?" — el bot no inventa la respuesta: dispara el análisis real sobre los datos y Gemini solo la traduce a lenguaje natural. Hecho en CinefilIA (ver abajo), sin Make: es un agente con herramientas que filtran, cuentan y promedian en código, y los filtros se combinan, así que los cruces salen solos ("directores de terror de los 80", "cortas que vi este año"). Desde 2026-10-25 también la duración: ranking por año o mes visto trae la duración promedio de cada período, buscar_vistas filtra y ordena por duración, y el resumen trae las horas vistas. Lo único que no lee es taste_profile.json.
• Dashboard más profundo → Placa VI en el sitio (app/src/app/dashboard). Duración promedio por año, distribución de duración (histograma), rating promedio por género, estacionalidad por mes del año (interpretación de "evolución mensual" — una línea de tiempo mes a mes real, ~100 puntos en 9 años, no entra en el gráfico de barras que existe hoy), y vistas vs. pendientes por década. Todo calculado con signals sobre datos ya cargados, sin JSON nuevo. "País vs. género" y "correlaciones" quedaron afuera — no entran en el vocabulario de gráfico de barras actual (harían falta un heatmap o un scatter, no construidos todavía).
• Sección "Lo que mis películas dicen de mí" → ver el ítem de arriba, "Perfil de gusto, en el sitio". La versión narrada por Gemini en vivo (en vez de la prosa fija actual) queda pendiente de Make.

Pendiente — para cerrar el proyecto

• Mapa de arquitectura → docs/arquitectura.md / PDF.
• Manual de datos → docs/manual-de-datos.md / PDF.
• Optimización de costos → docs/costos.md / PDF. Los 3 documentos estaban desactualizados (faltaban las ramas agendar/ambiguo, el escenario "Integration Webhooks", el modelo real, y manual-de-datos.md describía como "pendiente" el bug de anio_visto que ya se arregló) — corregidos. Actualizados de nuevo (2026-10-08) con todo lo de octubre: CinefilIA (función de Vercel), la sincronización diaria en GitHub Actions, las secciones Películas y Datos, data/, el selector de conteo, y en costos el caso CinefilIA (contexto de ~29.000 a ~10.000 tokens). PDF re-exportados con cerebro/export_docs_pdf.js (Chrome headless).
• Ruta de respaldo en el Router de intenciones (Router 7, 2026-10-25). Si Gemini devuelve una intención que ninguna ruta reconoce, antes el mensaje se perdía sin aviso (pasó con "vi Girl, Interrupted"); ahora la ruta fallback responde "No entendí bien 🤔…" con ejemplos. Probado desactivando un momento la ruta "consultar".
• Error Handler en Make (si Gemini falla, hoy se pierde la fila).
• [~] Panel de KPIs de operación → docs/kpis-operacion.md y en el sitio (Placa VI, al final de la página). Solo (15 registros vía bot, 1,07/día en las últimas 2 semanas) es calculable hoy — y necesitan datos que el sistema no registra en ningún lugar accesible (el ❌ del HITL no escribe nada en la hoja a propósito, y todavía no hay Error Handler). Documentado en detalle por qué en el doc.

Deuda técnica menor

• Fechas de visionado (fecha_vista) con el año corrido. Los 8 bloques + 4 typos sueltos, corregidos con una fórmula en una columna auxiliar (R) y pegado especial (solo valores) sobre G. anio_visto ya coincide en todas las filas. Ojo con 2 cosas que salieron mal en el camino, por si se repite el patrón alguna vez: - Pegar con Ctrl+V normal en vez de Ctrl+Shift+V rompe todo (la fórmula quedaba circular, #REF! en toda la columna) — pegado especial, siempre. - El pegado especial trajo el formato de fecha de la columna auxiliar (D/M/AAAA) en vez del de la hoja (AAAA-MM-DD) — hubo que reformatear G2:G1287 a mano (Formato → Número → Fecha personalizada). Verificado en el CSV publicado: 0 mismatches en las 1.288 filas. Instantánea embebida del sitio ya refrescada con los datos corregidos.
• Celdas con año/director mal (de cerebro/check_datos.js, verificadas). D713 E733 E509 E551 E342 E1000 D942/E942 E659 E674 E1064.
• por_ver: Amarga Navidad y Charly días de sangre, ya completas.
• por_ver tenía 3 pelis ya vistas — The Other y Bob & Carol & Ted & Alice, borradas. Rear Window se deja a propósito (la quiere volver a ver).
• 2 typos de país en catalogo_completo: F794 Corea del Sur · F716 Hong Kong.
• Obsession (fila 1246): era la de terror de 2026 (Curry Barker), no la de De Palma — corregida.
• Fila 340 (Pelham): "The taking of pelham 123" → "The Taking of Pelham One Two Three", para agrupar con la fila 1177.
• posters.json matcheó mal más pelis (remakes/homónimos) — 43 corregidos hasta ahora (cerebro/rematch_posters.js y rematch_posters2.js, ya borrados — siguen en el historial de git; eligen por director en vez de por popularidad). Última corrección: "Fuck You" (2024) tenía matcheada "Fuck You, Cupid" (ficción de Felipe Marinheiro) en vez del documental real, "Fuck you! El último show" (José Luis García) sobre el último recital de Sumo en Obras — mismo título, director completamente distinto, no detectable por alfabeto. Última pasada de : 20 alertas, las 19 restantes revisadas — falsos positivos por nombres de director en otro alfabeto, o casos de año ambiguos de muy baja prioridad (festival vs. estreno general). Cerca del techo de lo que este método encuentra solo; lo que queda requeriría revisión manual. 2 sin match real en TMDB (Leaving Neverland, La casa de la playa — no están cargadas como película ahí). Quedan más sueltas; se van encontrando con . 16 son el mismo falso positivo de siempre (director en cirílico/chino/japonés/ coreano/télugu/griego). De los 3 años marcados, 2 confirmaron que el catálogo tenía razón — TMDB comparaba contra un relanzamiento, no el estreno real: "Historia de lo oculto" (catálogo 2020 = estreno en Argentina 2020-11-22; TMDB devolvía 2023, un relanzamiento en EE.UU.) y "Terrifier" (catálogo 2016 = estreno en EE.UU. 2016-10-15; TMDB devolvía 2018, el estreno teatral más amplio). el tercer caso, "Super Size Me 2", también confirma que el catálogo tenía razón — TMDB sí tiene registrado un estreno en Canadá (2017-09-08, premiere de TIFF) que coincide exacto con el 2017 del catálogo; el campo principal de TMDB solo mostraba el estreno general de EE.UU. en 2019. Las 19 alertas de la última pasada, cerradas. mismas 19 alertas de siempre, ya todas revisadas y confirmadas en pasadas anteriores — nada nuevo. Confirma que sigue en el techo de lo que encuentra solo; lo que quede requeriría revisión manual, no un patrón automatizable. mismas 19 alertas de siempre, sin cambios. También se revisó el otro ángulo — películas sin ningún match en (lo que ni evalúa, porque solo compara contra matches ya existentes) — y siguen siendo las mismas 2 de siempre: "Leaving Neverland" y "La Casa de la playa", que TMDB directamente no tiene cargadas como película. Nada nuevo para cazar. mismas 19 alertas, sin cambios; las 5 películas recién sumadas (Sleepaway Camp, Gremlins, Last Night in Soho, Acusada, RoboCop) no generaron ninguna.

Cómo funciona

flowchart LR
    T[Telegram] --> G1[Gemini<br/>¿registrar o consultar?]
    G1 --> R{Router · Make}
    R -->|registrar| G2[Gemini completa la ficha] --> S[(Google Sheets)]
    R -->|consultar| H[lee el catálogo] --> G3[Gemini responde] --> T
    S -.->|confirmación| T
    S --> GH[GitHub Actions<br/>sync diaria + TMDB + ML] --> D[(data/*.json)]
    S --> W[Sitio Angular · Vercel<br/>Películas + Datos]
    D --> W
    W <--> C[CinefilIA<br/>Vercel → Gemini]

Capa	Herramienta	Rol
Cerebro	Google Sheets + data/	El catálogo (una tabla, una fila por visionado) y "Quiero ver". Alrededor, pósters, reparto, sinopsis y modelos en data/.
Corazón	Make + GitHub Actions + Vercel Functions	Make: el bot y los pedidos del sitio. GitHub Actions: la sincronización diaria de los datos. Vercel: la función de CinefilIA.
Inteligencia	Google Gemini + scikit-learn	Gemini clasifica, completa fichas y responde (bot y CinefilIA). scikit-learn: perfil de gusto y recomendadores.
Voz	Telegram + sitio	Entrada y consultas por chat; el sitio para explorar, buscar y preguntarle a CinefilIA.

El sitio es una app de Angular en Vercel. Lee el CSV publicado de la hoja (si no responde, usa una instantánea) y los JSON de data/ directo del repo; lo que falta lo busca en vivo en TMDB. El detalle completo, con todos los caminos, está en docs/arquitectura.md.

El bot distingue tres cosas por el texto del mensaje:

• "vi X" → registra la película.
• "¿qué vi de X?" → responde con lo que hay en el catálogo.
• "recomendame algo de X" → sugiere películas fuera del catálogo.

Estructura

app/                  el sitio (Angular, en Vercel): secciones Películas y Datos
  api/chat.ts           CinefilIA, el chat del sitio (función de Vercel → agente de Gemini)
  api/_lib/             sus datos y herramientas (el "_" evita que Vercel los publique como endpoints)
  src/app/              placas, servicios y componentes
data/                 datos de enriquecimiento que el sitio lee del repo
                      (posters, posters-manual, actors, runtime, synopsis,
                      similar, similar_ajustado, taste_profile, mis9)
img/                  pósters a mano para los que TMDB no tiene
cerebro/              scripts de datos y respaldo de la hoja (ver cerebro/README.md)
.github/workflows/    sync-datos.yml: sincronización diaria de los datos
docs/                 documentación técnica — arquitectura, datos, costos

Datos en vivo

El sitio lee la hoja publicada como CSV (SHEET_CSV_URL en app/src/app/core/catalog-data.service.ts). Si no responde, usa la instantánea app/public/data/catalog-snapshot.json (node cerebro/build_ng_snapshot.js la actualiza).