Paso 1 · Recupera el trabajo previo
Recuento de los dos últimos talleres
Datasets, pipelines y componentes inteligentes
- ¿Qué datos entran y de dónde provienen?
- ¿Qué etapas transforman, enriquecen o normalizan esos datos?
- ¿Qué componente inteligente interviene y qué salida genera?
Automatización, reglas y validación presencial
- ¿Qué reglas automatizan el proceso?
- ¿Cómo se integran IA, datos y proceso?
- ¿Qué excepciones requieren validación humana antes de continuar?
Paso 2 · Asegura una versión ejecutable
Estado del prototipo y sprint de recuperación
Si todavía no construiste el prototipo, hazlo ahora
- Delimita una sola función central para este reto.
- Usa datos simulados y registra su fuente.
- Construye una entrada, un procesamiento visible y una salida que puedas ejecutar o recorrer.
- Incluye al menos una regla y una condición para detenerse o pedir revisión humana.
- Guarda la versión inicial antes de corregirla.
Elige el reto correcto: Reto 1: dataset de atenciones, análisis de demanda y propuesta de turnos. Reto 2: solicitud/documentos asociados, extracción, normalización y validación de requisitos. En ambos, declara supuestos y límites.
Paso 3 · Ficha funcional y evidencias
Documenta tu prototipo
Paso 4 · Correcciones técnicas
Diseña y ejecuta pruebas
Datos seguros: usa exclusivamente los datos ficticios del taller. No cargues información real de clientes ni documentos personales.
Mi matriz de pruebas
| ID / caso | Entrada y pasos | Resultado esperado | Observado / evidencia | Estado |
|---|
Paso 5 · Pruebas de regresión
Comprueba que la corrección no rompió lo que funcionaba
Cómo hacerlo
- Selecciona una prueba que ya pasaba antes del cambio.
- Vuelve a ejecutarla con la misma entrada o con una entrada equivalente.
- Compara el resultado con el esperado y guarda evidencia posterior al cambio.
- Si falla, regístrala como regresión pendiente; no la marques como aprobada.