route: os limites dos testes automatizados e da IA na curadoria de dados geoespaciais

O desenvolvedor Karl Tryggvason detalhou no artigo original os bastidores do projeto In the Long Run. A aplicação mapeia o progresso de corredores em uma route global. O grande desafio técnico foi construir um pipeline de dados para filtrar pontos de interesse geoespaciais. A stack escolhida combina Python, Apache Parquet para armazenamento local e DuckDB como camada de consulta. O processamento geométrico usou Shapely e Pyproj.

A integração com IA trouxe lições duras. O modelo Anthropic Haiku foi testado para gerar resumos dos locais, mas alucinou dados, trocando um parque em Illinois pelo Central Park de Nova York. A solução foi rebaixar a IA. Ela parou de escrever textos e passou a atuar apenas como um sinal de curadoria subjetiva, dando notas de relevância para complementar métricas objetivas do Wikidata.

Este caso expõe um limite real da engenharia de software moderna. Desenvolvedores estão acostumados com testes unitários binários. O código passa ou falha. Dados do mundo real e curadoria de conteúdo não têm essa verdade absoluta. Não existe teste automatizado para gosto humano.

A arquitetura do projeto mostra que tratar a IA como uma ferramenta auxiliar no pipeline de dados, e não como a fundação mágica, gera resultados mais seguros. O controle de qualidade exigiu ajustes manuais por route, provando que a automação total ainda esbarra na subjetividade e nos vieses dos datasets abertos.