Desarrollo de Mvp de Vigilancia Proactiva con Ia, Python y Docker para Procesamiento Edge

Busco un Ingeniero de Software experto en Python y Docker para desarrollar un MVP de vigilancia proactiva. El objetivo es procesar video localmente (Edge) y validar alertas críticas con IA en la nube. Arquitectura del Proyecto: Capa Local (Edge): Instalación de Frigate NVR en Docker sobre Mini PC (Linux). Detección de personas/objetos en tiempo real vía RTSP. Orquestador (Python): Script que recibe eventos MQTT de Frigate, aplica lógica de filtrado (zonas/horarios) y envía capturas sospechosas a la API de OpenAI (GPT-4o Vision). Notificaciones: Integración para envío de alertas con imagen y descripción de riesgo a WhatsApp (Twilio o WABA). Panel de Administración: Interfaz web sencilla para monitorear el estado de los nodos (Online/Offline), historial de alertas con fotos y reporte de consumo de tokens/créditos. Requisitos Técnicos: Dominio avanzado de Docker y Docker Compose. Programación sólida en Python 3.x. Experiencia con protocolos de video y comunicación MQTT. Capacidad para implementar túneles seguros de acceso remoto (Tailscale/Cloudflare). Entregables y Condiciones: Código Fuente: Entrega total en mi repositorio de GitHub (código comentado). Manual de Despliegue: Guía paso a paso para replicar el sistema en nuevas Mini PCs desde cero. Auditoría: El proyecto será supervisado por un auditor técnico. El pago final se liberará tras validar que el sistema es replicable siguiendo únicamente el manual entregado. Buscamos un profesional detallista, con capacidad de documentación y enfoque en la optimización de costos de API.
1. VISIÓN general del proyecto
a diferencia de las cámaras convencionales que envían alertas por cualquier movimiento, este sistema solo notificará eventos confirmados por modelos de lenguaje de visión (vlm) como gpt-4o.
El sistema debe ser escalable, modular y fácil de desplegar en múltiples clientes (locales comerciales, farmacias, almacenes) utilizando Mini Pcs independientes.
2. Arquitectura del sistema (stack tecnológico)
a. Capa de Infraestructura (Local)
Sistema Operativo: Linux (Ubuntu Server 22.04 LTS sugerido).
Virtualización: Todo el software debe correr en contenedores Docker mediante Docker Compose.
Hardware Target: Mini PC (Intel Core i5 o superior) con aceleración por hardware (QuickSync o Google Coral).
B. Capa de Video y Detección (The Edge)
Motor de Video: Frigate NVR.
Funciones: Gestión de flujos RTSP, grabación en bucle y detección local de objetos (Personas, vehículos) mediante modelos YOLO optimizados.
Comunicación: Uso de un Broker MQTT (Mosquitto) para la publicación de eventos en tiempo real.
C. Capa de Inteligencia y Orquestación (The Brain)
Lenguaje: Python 3.10+.
Lógica de Negocio: Un script "Orquestador" que se suscriba a los tópicos MQTT de Frigate.
IA en la Nube: Integración con Openai api (gpt-4o vision). El sistema debe enviar capturas de pantalla solo cuando se cumplan condiciones específicas (ej. Presencia humana en zona restringida en horario nocturno).
D. Capa de Notificación y Datos
Alertas: Integración con Twilio o WhatsApp Business API.
Base de Datos: SQLite o PostgreSQL (local) para el historial de eventos y auditoría.
Dashboard: Interfaz web para el administrador (Panel de control centralizado).
3. Requerimientos funcionales detallados
3.1. Gestión de Eventos
El sistema no debe ser un simple disparador de fotos. El orquestador debe seguir esta lógica:
Detección Local: Frigate detecta una "persona" en la Zona A.
Validación de Tiempo: Si la persona permanece más de X segundos, se activa la alerta.
Análisis Semántico: El script captura el frame con mejor "score" y lo envía a la IA con un prompt específico: "Analiza si hay comportamiento sospechoso, herramientas de robo o armas. Responde con nivel de riesgo (Bajo, Medio, Alto) y un resumen de 10 palabras".
Acción: Si el riesgo es > Medio, enviar WhatsApp al cliente.
3.2. Optimización de Costos (Token Management)
Es crítico que el freelancer implemente:
Redimensionamiento de imágenes antes del envío para reducir el consumo de tokens.
Lógica de "Cooldown": Evitar el envío de múltiples fotos del mismo evento en un periodo corto de tiempo.
3.3. Acceso Remoto y Mantenimiento
Implementación de Tailscale o Cloudflare Tunnels para gestión remota de la Mini PC sin apertura de puertos.
Configuración de Watchtower para actualizaciones automáticas de contenedores.
4. Dashboard de administración (vista del dueño)
se requiere una interfaz web (puede ser en flask, django o streamlit) que permita al administrador:
ver el estado de conexión de cada mini pc instalada (heartbeat).
Visualizar el historial de fotos enviadas por cliente.
Ver un reporte de costo acumulado de la API de OpenAI por cliente.
Botón para activar/desactivar el monitoreo remotamente.
5. ENTREGABLES Y criterios de aceptación
5.1. Repositorio de Código
Código completo en GitHub (Propiedad del cliente).
Uso de variables de entorno (.env) para todas las llaves y credenciales.
Código documentado con comentarios claros.