🎯 MOSAIC — v1.0.0-alpha

Inteligencia Conductual en Diversas Plataformas

Un framework multiplataforma centrado en la privacidad para el análisis conductual y sociodinámico

📺 Demo

🧭 ¿Qué es MOSAIC?

MOSAIC no es un simple agregador de OSINT. Es un framework de análisis conductual diseñado para ayudar a investigadores, analistas y profesionales de la seguridad a observar, estructurar e interpretar señales de comportamiento en múltiples plataformas en línea.

MOSAIC recopila datos públicos heterogéneos y los organiza en dimensiones conductuales, lo que permite un análisis comparativo y longitudinal que no es posible con enfoques de fuente única.

⚠️ MOSAIC no produce diagnósticos psicológicos ni verdades absolutas. Proporciona señales estructuradas e hipótesis analíticas que deben ser interpretadas por un analista humano.

🎯 Visión

La mayoría de las herramientas se centran en qué publica una persona. MOSAIC se centra en cómo emerge el comportamiento en distintos entornos.

En lugar de agregar perfiles, MOSAIC construye huellas conductuales en tres dimensiones complementarias:

• Técnica Habilidades, experiencia, estrategias de resolución de problemas (GitHub, StackOverflow)

• Social Interacciones, afiliaciones, patrones de discurso, dinámicas comunitarias (Telegram, Reddit, Mastodon, Bluesky)

• Influencia Producción de contenido, temas, visibilidad, coherencia narrativa (YouTube, Medium)

Este enfoque multiangular permite análisis sociodinámicos, de seguridad y de credibilidad que siguen siendo contextuales, explicables y respetuosos con la privacidad.

🚀 Inicio Rápido

Instalación

git clone https://github.com/Or1un/MOSAIC.git
cd MOSAIC
pip install -r requirements.txt

Configuración (Opcional)

# Most platforms work without credentials
# Some sources (YouTube, Telegram) require API keys
cp modules/config.yaml.example modules/config.yaml
nano modules/config.yaml

Ejecución

python3 mosaic.py

🤖 Configuración de LLM

1. Instalar dependencias de Python

pip install -r requirements_llm.txt

2. Instalar el servidor Ollama (una sola vez)

# Linux/macOS
curl -fsSL https://ollama.com/install.sh | sh

# Windows
# Download from https://ollama.com/download

3. Iniciar Ollama y descargar modelos - Qwen:0.5b (PoC)

ollama serve &
ollama pull qwen:0.5b

🌍 Casos de Uso

🎯 Evaluación de Talento y Experiencia

Ve más allá de los currículos analizando:

• profundidad técnica
• estilo de comunicación
• reconocimiento entre pares
• participación comunitaria

Ejemplo: Evaluar un perfil senior de DevSecOps mediante la actividad en GitHub (rigor técnico), las respuestas en StackOverflow (estilo de resolución de problemas) y las publicaciones en Medium (transmisión de conocimiento).

🔒 Huella Digital y Análisis OPSEC

Identifica riesgos de exposición, patrones de sobreexposición e inconsistencias en la presencia pública.

Ejemplo: Auditar la huella en línea de un ejecutivo o de un rol sensible en materia de seguridad para detectar posibles superficies de ataque o riesgos reputacionales.

🕵️ Diligencia Debida y Análisis de Credibilidad

Validación cruzada de afirmaciones y consistencia del comportamiento entre plataformas.

Ejemplo: Antes de una alianza o inversión, evaluar si el comportamiento público se alinea con la experiencia y las responsabilidades declaradas.

🔬 Investigación Conductual y Sociodinámica

Estudiar:

• evolución del discurso
• difusión de la experiencia
• patrones de influencia comunitaria
• cambios de comportamiento entre plataformas

Ejemplo: Analizar cómo la autoridad técnica se traduce (o no) en influencia social en distintos ecosistemas.

🧩 Flujo de Trabajo Principal

1️⃣ Recolección — Señales Multi-Fuente

MOSAIC recopila datos públicos heterogéneos para evitar el sesgo de una única plataforma.

Fuentes compatibles actualmente:

• Técnicas: GitHub, StackOverflow
• Sociales: Telegram, Reddit, Mastodon, Bluesky
• Influencia: YouTube, Medium

💡 MOSAIC funciona mejor cuando ya sabes dónde está activo tu objetivo. La recolección dirigida mejora la calidad de la señal y reduce el ruido.

Futuras fuentes (ideas de investigación): plataformas profesionales, foros, comunidades de nicho. Las contribuciones y los debates son bienvenidos.

2️⃣ Contexto — Encuadre Analítico

El análisis se guía mediante prompts contextuales, no instrucciones genéricas.

Contextos disponibles (Alpha):

• Recruitment.md — evaluación de habilidades técnicas y blandas
• OPSEC_audit.md — análisis de huella digital y exposición
• Threat_Intelligence.md — investigación de atribución y consistencia
• PoC.md — análisis exploratorio rápido

Los prompts son plantillas Markdown almacenadas en modules/prompts/.

⚠️ Nota Alpha Los prompts actuales priorizan la arquitectura y la extensibilidad sobre el refinamiento. MOSAIC asume que los analistas adaptarán los prompts a su metodología y dominio.

3️⃣ Análisis — IA como Asistente

MOSAIC admite dos modos de análisis:

✅ Local (Privacidad Primero — Recomendado)

• Utiliza LLMs locales a través de Ollama
• Los datos nunca salen de tu máquina
• Ideal para contextos sensibles en materia de seguridad

ollama pull mistral:7b-instruct

Modelos compatibles: mistral, llama, qwen, etc.

⚠️ Nube (Opcional)

• Mayor rendimiento
• Compensaciones de privacidad gestionadas por el usuario
• Sube solo los archivos JSON exportados de results/

💡 Los mejores resultados se obtienen al combinar las salidas de MOSAIC con contexto externo (CVs, entrevistas, referencias, cronologías).

4️⃣ Perspectivas — Interpretación Centrada en el Humano

La calidad de las perspectivas depende de:

• la diversidad de los datos
• la precisión de los prompts
• la experiencia del analista
• las capacidades del modelo

MOSAIC proporciona estructura y señales. Tú aportas el juicio.

⚠️ Marco Ético y Legal

MOSAIC está diseñado para un uso legítimo, consensuado y conforme a la ley.

❌ No Está Diseñado Para

• Vigilancia o acecho
• Acoso o intimidación
• Verificaciones de antecedentes no autorizadas
• Perfilado automatizado masivo
• Violaciones de los Términos de Servicio de las plataformas

🔐 Privacidad y Responsabilidad

• Sin uso obligatorio de la nube
• Análisis local por defecto
• Resultados almacenados localmente (results/, .git-ignored)
• Los usuarios son responsables del cumplimiento del RGPD y de la normativa local
• Credenciales almacenadas de forma segura en config.yaml

Al usar MOSAIC, aceptas utilizarlo de forma ética, responsable y legal.

🤝 Comunidad y Contribuciones

¿Preguntas, ideas o líneas de investigación?

• 📧 Correo: [email protected]
• 🐛 Issues: GitHub Issues
• 💡 Discussions: GitHub Discussions
• 📖 Wiki: próximamente

MOSAIC es un framework metodológico: las contribuciones que mejoren los prompts, la lógica de análisis o las salvaguardas éticas son especialmente bienvenidas.

Hecho con 🔍 por Or1un