Cómo Flockx usa Elastic para impulsar el descubrimiento social con IA a escala

Flockx se fundó sobre una premisa contraintuitiva: los smartphones están haciendo a las personas más solitarias, y la solución es usar la IA para sacar a la gente de sus pantallas y llevarlas al mundo real. La plataforma de la compañía conecta a los usuarios con eventos locales, clubes y encuentros sociales a través de agentes de IA llamados Community AIs, que aprenden las preferencias de cada usuario y facilitan presentaciones. Para que esto funcionara, el motor de búsqueda y emparejamiento subyacente tenía que ser rápido, preciso y capaz de entender el lenguaje natural en lugar de simples palabras clave.

En sus primeras etapas, Flockx evaluó bases de datos SQL tradicionales como backend para su lógica de búsqueda y emparejamiento. El problema era la velocidad y la flexibilidad. Las bases de datos SQL podían almacenar los datos, pero no eran capaces de gestionar los tipos de consultas difusas, conscientes de la proximidad y semánticamente ricas que la plataforma necesitaba para parecer inteligente. Cada cien milisegundos adicionales en la respuesta de búsqueda representan un momento de fricción que rompe la experiencia del usuario; y en el descubrimiento social, donde la espontaneidad importa, la latencia es el enemigo.

Flockx eligió Elasticsearch como columna vertebral de su plataforma y construyó extensamente sobre él. El equipo implementó búsqueda semántica con embeddings vectoriales, permitiendo que usuarios y Community AIs consulten en lenguaje natural. Si una consulta devuelve resultados pobres, el agente la refina y la reenvia automáticamente. La compañía utiliza el framework RAG de Elastic para incorporar contexto de múltiples bases de conocimiento en las respuestas de los agentes de IA. Elastic Observability monitoriza los pipelines de embeddings en tiempo real, proporcionando visibilidad del rendimiento y detectando problemas de escala antes de que afecten a los usuarios. Elastic AI Assistant permite a los miembros del equipo no técnicos consultar datos, depurar problemas y crear dashboards de Kibana sin necesidad de apoyo de ingeniería.

Las mejoras de rendimiento son concretas. Los tiempos de respuesta de búsqueda cayeron de cientos de milisegundos a decenas de milisegundos, una ganancia de 10x que permite a la plataforma gestionar más solicitudes simultáneas a menor coste. El análisis de causa raíz, que antes llevaba hasta dos días, ahora se completa en menos de 24 horas. Cuando Flockx lanzó una campaña de activación que generó más de 100.000 solicitudes a Community AI en un solo fin de semana, las capacidades de autoescalado de Elastic en Google Cloud absorbieron el pico sin intervención manual.

De cara al futuro, el CEO de Flockx imagina que los Community AIs operarán en dispositivos wearables y gafas inteligentes a medida que los costes bajen y la adopción crezca. La visión es que los asistentes de IA gestionen logísticas en nombre de los usuarios, liberándoles de la dependencia constante de las pantallas. El papel de Elastic como capa de búsqueda y observabilidad posiciona a la compañía para escalar esa visión a medida que el mercado de hardware avanza.