Proyecto Verid.IA es una aplicación de validación de anuncios laborales diseñada para detectar señales de fraude y posibles riesgos relacionados con trata de personas.
El sistema combina:
- Backend en FastAPI
- Interfaz en Streamlit
- OCR para imágenes
- Detección de idioma con FastText
- Traducción con GoogleTranslator
- Análisis de texto mediante reglas y agentes de IA
- Persistencia local de resultados en formato JSONL
- Analiza anuncios de empleo desde:
- Texto directo
- URL de páginas web
- Imágenes con OCR
- Detecta el idioma y, si es necesario, traduce el contenido.
- Clasifica cada anuncio con un semáforo de seguridad:
verde(bajo riesgo)amarillo(riesgo medio)rojo(alto riesgo)
- Genera justificaciones basadas en señales detectadas.
- Proporciona estadísticas agregadas sobre los análisis almacenados.
- Monta páginas de política de privacidad desde
frontend/en/privacidad.
main.py- arranque de la aplicación FastAPI.api/- configuración, rutas y esquemas de datos.servicios/- lógica de procesamiento de texto, IA, OCR, traducción y almacenamiento.frontend/- interfaz Streamlit y páginas estáticas.data/analisis_dataset.jsonl- historial local de análisis.requirements.txt- dependencias necesarias.
- Instalar dependencias:
pip install -r requirements.txt
- Descargar modelo de spaCy en español:
python -m spacy download es_core_news_sm
- Instalar Tesseract OCR en el sistema y añadirlo al PATH.
- Windows: https://github.com/UB-Mannheim/tesseract/wiki
- Importante: instalar el diccionario/lenguaje en español en la carpeta
tessdatade la instalación de Tesseract (archivospa.traineddata) además del inglés (eng.traineddata) para que el OCR funcione correctamente con textos en español.
-
Descargar la aplicación de escritorio de Ollama (en despliegue el modelo estará en la nube): -https://ollama.com/download
-
Installar el modelo en local:
ollama pull Qwen2.5-3B
(Ollama debe estar ejecutándose para que se cargue bien el agente)
Inicia el servidor FastAPI con:
uvicorn main:appInicia la interfaz Streamlit con:
streamlit run frontend/app.pyGET /- comprobación de estado.POST /api/analizar- analiza un anuncio laboral.POST /api/detectar_idioma- detecta el idioma y traduce el contenido.GET /api/estadisticas- devuelve estadísticas agregadas de los análisis.
Parámetros de formulario:
tipo-TEXTO,ENLACEoIMAGENidioma_destino-es,en,fr,de,pt,it,nl,ca,ru,pl,uk,artexto- texto del anuncio (opcional si se usa URL o imagen)url- enlace del anuncio (opcional si se usa texto o imagen)file- archivo de imagen para OCR (solo sitipo=IMAGEN)
Parámetros de formulario:
texto- texto para detectar idiomaurl- URL para extraer y detectar idiomafile- archivo de imagen con textoidioma_destino- idioma objetivo para la traducción
Devuelve un resumen con:
- total de anuncios analizados
- distribución del semáforo
- indicadores frecuentes
- idiomas más detectados
curl -X POST http://127.0.0.1:8000/api/analizar \
-F "tipo=TEXTO" \
-F "idioma_destino=es" \
-F "texto=Oferta de empleo urgente: se busca persona para trabajo desde casa sin experiencia, comisión alta."curl -X POST http://127.0.0.1:8000/api/analizar \
-F "tipo=ENLACE" \
-F "idioma_destino=es" \
-F "url=https://ejemplo.com/oferta-trabajo"curl -X POST http://127.0.0.1:8000/api/analizar \
-F "tipo=IMAGEN" \
-F "idioma_destino=es" \
-F "file=@ruta/a/imagen.jpg"curl -X POST http://127.0.0.1:8000/api/detectar_idioma \
-F "idioma_destino=es" \
-F "texto=This is a suspicious job posting, no resume needed, pay in advance."curl http://127.0.0.1:8000/api/estadisticasLos análisis se guardan localmente en data/analisis_dataset.jsonl.
Cada registro incluye metadatos de entrada, idioma detectado, texto original, traducción y resultado del análisis.
- El sistema está preparado para funcionar en español y detecta varios idiomas de entrada.
- Si no se encuentra el pipeline ML local, el proyecto aplica análisis por reglas como fallback.
- Se recomienda usar el frontend Streamlit para probar las funcionalidades de forma interactiva.