Árbol balanceado para autocompletado de productos en e-commerce
Visión general
De qué trata este proyecto.
Implementa en Python o Go un trie para prefijos de nombres de producto (12.000 entradas, soporte para acentos en español) y un AVL para mantener los top-10 por prefijo ordenados por popularidad. Diseña el proceso de carga inicial desde PostgreSQL y la actualización incremental cuando cambian SKUs o popularidad. Mide latencia p50/p95/p99 con prueba de carga simulando 90.000 búsquedas/día. Entrega el código, un informe de 10 páginas con análisis y un plan de despliegue como sidecar al servicio web actual.
El Briefing
Lo que harás y lo que demostrarás.
Servir autocompletado para 12.000 SKUs en menos de 12 ms p95 usando trie + AVL en memoria, con proceso documentado de actualización.
Earning criteria — what you'll demonstrate
- Implementar trie con soporte para idioma español (acentos)
- Implementar AVL con rotaciones correctas validadas por tests
- Argumentar trade-offs memoria/latencia para datos reales
- Diseñar procesos de carga y actualización incremental
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a Backend
Quien implementa trie y árbol balanceado correctamente y los despliega como sidecar resuelve un problema clásico que las personas backend enfrentan apenas escalan tráfico de búsqueda.
Este proyecto afina
- tries
- avl-trees
- balanced-trees
Ingeniero/a de Software
Validar trade-offs memoria/latencia con benchmarks honestos es la habilidad que separa a personas ingenieras junior fuertes del resto cuando llega el momento de optimizar.
Este proyecto afina
- complexity-analysis
- benchmarking
- tries