12 గంటల్లో ఒక AI క్లైమేట్ డిసిషన్ ఇంజిన్‌ను నిర్మించడం

చాలా కార్బన్ ఫుట్‌ప్రింట్ యాప్‌లు విఫలమవుతున్నాయి.

అవి మీకు ఒక సంఖ్యను మాత్రమే ఇస్తాయి. సాధారణ సలహాలను ఇస్తాయి. కేవలం అవగాహన మాత్రమే ప్రవర్తనను మార్చలేదు. మీ ఫుట్‌ప్రింట్ 8 టన్నుల CO2 అని తెలుసుకోవడం వల్ల తదుపరి ఏమి చేయాలో తెలియదు.

దీనిని పరిష్కరించడానికి నేను Climbitని నిర్మించాను. ఇది కేవలం ఒక కాలిక్యులేటర్ కాదు. ఇది ఒక డిసిషన్ ఇంజిన్. ఇది ఒకే ఒక ప్రశ్నకు సమాధానం ఇస్తుంది: "నేను ఇప్పుడే చేయగలిగే ఉత్తమమైన చర్య ఏమిటి?"

కోర్ లాజిక్

చాలా సాధనాలు కొలతలపై దృష్టి పెడతాయి. Climbit నిర్ణయాలపై దృష్టి పెడుతుంది. ఈ సిస్టమ్ మీ వీటిని పరిశీలిస్తుంది:

  • Commute (ప్రయాణం)
  • Home energy (ఇంటి ఇంధనం)
  • Food and diet (ఆహారం మరియు డైట్)
  • Travel (పర్యటనలు)

ఇది కార్బన్ తగ్గింపు, ఖర్చు, శ్రమ మరియు సందర్భోచితత ఆధారంగా చర్యలను ర్యాంక్ చేస్తుంది.

ఇంజనీరింగ్ విభజన

నేను ఒక కీలకమైన నిర్ణయం తీసుకున్నాను. నేను గణితాన్ని (math) AI నుండి వేరు చేశాను.

లార్జ్ లాంగ్వేజ్ మోడల్స్ గణితంలో అంత నైపుణ్యం కలిగి ఉండవు. అవి నంబర్ల విషయంలో తప్పులు (hallucinate) చేయవచ్చు. Climbitలో, AI ఎప్పుడూ ఉద్గారాలను (emissions) లెక్కించదు.

వర్క్‌ఫ్లో ఇలా ఉంటుంది:

  1. మీరు టెక్స్ట్, వాయిస్ లేదా రసీదుల చిత్రాల ద్వారా డేటాను అందిస్తారు.
  2. Gemini ఆ డేటాను స్ట్రక్చర్డ్ JSONలోకి మారుస్తుంది.
  3. ఒక TypeScript ఇంజిన్ అసలు గణితాన్ని చేస్తుంది.
  4. AI ఫలితాలను విశ్లేషించి మీకు ఒక వ్యక్తిగత ప్రణాళికను అందిస్తుంది.

ఇది డేటాను ఖచ్చితంగా ఉంచుతుంది మరియు అనుభవాన్ని వ్యక్తిగతీకరిస్తుంది.

టెక్ స్టాక్

  • Next.js 15 and React 19
  • TypeScript and Tailwind CSS
  • Supabase and Clerk
  • Google Gemini 1.5 Flash
  • Vitest and Playwright

నిజమైన సమస్యలను పరిష్కరించడం

దీనిని నిర్మించడానికి కష్టమైన సాంకేతిక సమస్యలను పరిష్కరించాల్సి వచ్చింది:

  • Hydration: సర్వర్ రెండరింగ్ సమయంలో Recharts వల్ల ఎర్రర్స్ వచ్చాయి. క్లయింట్ మౌంట్ అయ్యే వరకు చార్ట్ రెండరింగ్‌ను వాయిదా వేయడం ద్వారా నేను దీనిని పరిష్కరించాను.
  • Security: నేను ఒక token bucket rate limiterని అమలు చేశాను. ఇది ఖరీదైన AI endpointsలను దుర్వినియోగం నుండి రక్షిస్తుంది.
  • Accessibility: నేను semantic HTML మరియు ARIA లేబుల్స్‌ను ఉపయోగించాను. Accessibility అనేది ఒక అవసరం, కేవలం అదనపు అంశం కాదు.

పాఠం

AI కోడింగ్‌ను వేగవంతం చేస్తుంది. కానీ అది ఆర్కిటెక్చర్‌ను భర్తీ చేయదు.

నేను నా ఎక్కువ సమయాన్ని వీటిపై గడిపాను:

  • Hydration సమస్యలను పరిష్కరించడం.
  • Edge casesలను ధృవీకరించడం.
  • సెక్యూరిటీని బలోపేతం చేయడం.
  • విశ్వసనీయతను మెరుగుపరచడం.

ఒక డెమో మరియు ఒక ప్రొడక్ట్ మధ్య తేడా ఈ వివరాల్లోనే ఉంటుంది. ప్రజలకు మరిన్ని క్లైమేట్ డేటా అవసరం లేదు. వారికి మెరుగైన క్లైమేట్ నిర్ణయాలు కావాలి.

Source: https://dev.to/divyanshu_sinha_72e579e28/-building-climbit-an-ai-climate-decision-engine-in-under-12-hours-3pnc

Optional learning community: https://t.me/GyaanSetuAi