Search

Este trabajo de final de grado aborda la problemática de la falta de acceso a información de primera mano sobre parques de atracciones, ya que las grandes cantidades de reseñas disponibles no siempre reflejan de manera clara la opinión de los clientes ni los motivos detrás de las puntuaciones otorgadas. La nota general de una empresa, no siempre es un reflejo directo de la opinión de los clientes sobre los distintos servicios que ofrece la misma. El objetivo principal de la investigación es desarrollar métodos para extraer los puntos clave de una empresa a partir de estas reseñas y poder ofrecerlos de una forma clara y sencilla a la empresa y los futuros clientes de la misma. El proceso implica una primera fase de clasificación de textos según su sentimiento, seguida de un análisis más detallado que identifica las quejas en las reseñas negativas, los temas discutidos en las reseñas neutrales y los aspectos elogiados por los clientes en las reseñas positivas. Este enfoque busca proporcionar una herramienta efectiva para la obtención de feedback por parte de los clientes, facilitando una comprensión más profunda de las experiencias y percepciones en los parques de atracciones., This final degree project addresses the problem of lack of access to first-hand information about amusement parks, since the large amounts of reviews available do not always clearly reflect the opinions of customers or the reasons behind the scores granted. The general rating of a company is not always a direct reflection of the customer's opinion on the different services it offers. The main objective of the research is to develop methods to extract the key points of a company from these reviews and to be able to offer them in a clear and simple way to the company and its future clients. The process involves a first phase of classifying texts according to sentiment, followed by a more detailed analysis that identifies complaints in negative reviews, topics discussed in neutral reviews, and aspects praised by customers in positive reviews. This approach seeks to provide an effective tool for obtaining feedback from customers, facilitating a deeper understanding of experiences and perceptions in amusement parks.

This thesis explores the application of generative models for data augmentation in the field of medical data collected using Inertial Measurement Units (IMUs) and, more precisely, focusing on Parkinson's disease. Given the complexities of time-series data in medical settings, traditional data augmentation solutions typically fall short. This project explores how generative models, including TimeGAN, WaveGAN, DDPM, SSSDS4 , and data inpainting ones, such as ExtraMAE, can enhance the classification of the various disease stages by improving the quantity and quality of the training data. The thesis conducts detailed experiments to assess the effectiveness of these models in producing synthetic data that retains the important properties of real patient data. The performance of each model is evaluated using both quantitative and qualitative methods to determine its capacity to generate believable medical time-series data. As a conclusion of great significance from the studies, the DDPM model performed best in capturing data complexities, making it ideal for the medical field. The study also discusses the difficulties of working with limited datasets, which is a challenge in medical applications, and the problems addressed while performing data analysis. The findings show that, while generative models can greatly augment datasets, their performance is heavily dependent on the diversity and volume of the original data. Moreover, results highlight that all the methods are able to generate data that improve accuracy after fine tuning a classification model, specially when added to the real train data. Finally, the thesis analyzes the ethical implications of synthetic data use, emphasizing their role in minimizing, although not eliminating, the need for significant personal data collecting thus improving privacy.

Este proyecto implica la creación de una librería en Pytorch que incluye varios métodos para generar datos tabulares artificiales, como GANs, VAEs, Bit Diffusion y un modelo llamado Data Augmentation basado en autoencoders de eliminación de ruido. El objetivo de la librería es proporcionar herramientas accesibles para que los usuarios experimenten y evalúen enfoques generativos. La evaluación de los modelos muestra que su rendimiento varía según el contexto y las características del conjunto de datos. Aunque los resultados son buenos, aún hay margen para incorporar metodologías adicionales y mejorar la calidad de los datos sintéticos. En resumen, la librería ha logrado generar datos artificiales de buena calidad, y con más dedicación, se puede mejorar aún más. Esto establece una base sólida para futuras investigaciones en generación de datos sintéticos., This project involves the creation of a Pytorch library that includes various methods for generating artificial tabular data, such as GANs, VAEs, Bit Diffusion, and a model called Data Augmentation based on denoising autoencoders. The library's purpose is to provide accessible tools for users to experiment with and evaluate generative approaches. The evaluation of the models reveals that their performance varies depending on the context and dataset characteristics. Although the results are good, there is still room to incorporate additional methodologies and improve the quality of synthetic data. In summary, the library has successfully generated high-quality artificial data, and with further dedication, further improvements can be made. This establishes a solid foundation for future research in synthetic data generation.

Durant els últims anys, la majoria de les indústries tecnològiques han optat per l'automatització dels problemes de classificació de dades mitjançant algorismes d'aprenentatge automàtic. A mesura que els problemes es tornen més intrincats, els models han de ser més complexos per superar el repte. Això ha portat als desenvolupadors a utilitzar models complexes per defecte, com les xarxes neuronals artificials, que funcionen molt bé quan tracten problemes que són massa difícils per als mètodes clàssics d'aprenentatge automàtic, però no tenen en compte la interpretabilitat del model i l'explicació de la solució. Explainable AI (XAI) aborda la importància dels models transparents en situacions crítiques, on el raonament darrere d'una decisió ha de ser accessible, i proposa mètodes d'explicabilitat per a models complexos opacs. En particular, aquesta tesi pretén apropar XAI a l'algorisme de reconeixement de vehicles utilitzat en el projecte Mobilytics. Investigarem com funcionen els algorismes populars d'aprenentatge automàtic, la seva complexitat i com s'adapten al nostre problema particular. Després, construirem un espai de treball basat en mètodes agnóstics d'explicació post-hoc populars per tal d'explicar les nostres prediccions i obtenir informació sobre com funciona el nostre model final., Over the last few years, the automation of data classification problems using machine learning algorithms has been widely adopted by most tech industries. As the problems get more intricate, the models need to get more complex in order to overcome the challenge. This has led developers to default to complex models, such as artificial neural networks, that perform great when dealing with problems that are too convoluted for classical machine learning methods, but disregard model interpretability and solution explanation. Explainable AI (XAI) addresses the importance of transparent models in critical situations, where the reasoning behind a decision must be accessible, and proposes explainability methods for complex opaque models. In particular, this thesis aims to bring XAI to the vehicle recognition algorithm used in the Mobilytics project. We will investigate how popular machine learning algorithms work, their complexity and how suited they are for our particular problem. Then, we will build a framework based on popular model-agnostic post-hoc explainability methods in order to explain our predictions and gain insight and how our final model works.

El document original està restringit per confidencialitat, amb una data d'embargament fins al 05-01-2029. Se'n diposita una versió en accés obert sense les dades confidencials, This thesis explores the transformative potential of deep learning smartphone-based transportation mode detection systems in enhancing urban planning in the city of Barcelona. The core of this thesis is the development and comparison of algorithms, coupled with extensive data analysis and preprocessing techniques, aimed at reliable transport mode detection. We delve into creating a real-time system capable of predicting transport usage patterns. For that, a dataset of smartphone sensor data has been created with examples of journeys using multiple modes of transportation in the metropolitan area of Barcelona. In the deep learning model, we have experimented with architectures combining convolutional networks and LSTMs to finally create a hierarchical model that combines the use of CNNs for feature extraction, with the ability to process time series from the LSTM layers using skip connections. For robust and battery-efficient detection, we have combined this model with statistical techniques, which allow us to detect at an early stage whether the user is moving, standing or walking. This allows not to make excessive use of the deep learning model, which can be costly in mobile devices. Following, an android application is presented which implements the mentioned techniques and presents a simple way to collect mobility data, which can be useful for future studies on urban mobility in the city. Finally, the various ethical, social and environmental issues that such systems may have are studied, describing the privacy and interpretability factors that this tools must comply with.

Este proyecto se centra en la investigación y el desarrollo de modelos generativos para la traducción de imagen a imagen, con el enfoque en mejorar el entrenamiento de modelos para la detección de pólipos en colonoscopias. El desafío al abordar este tipo de problemas médicos suelen ser las limitaciones de los conjuntos de datos, que a menudo sufren de escasez y diversidad insuficiente. El objetivo ha sido aprovechar el potencial de los modelos generativos para crear datos sintéticos realistas que puedan complementar y mejorar los conjuntos de datos existentes para abordar sus limitaciones. Para esto, se utilizó el conjunto de datos LDPolypVideo, una compilación de videos de colonoscopias acompañado de anotaciones que sirven de base para el entrenamiento de los modelos de detección. La detección de objetos, en concreto de pólipos, ya se ha hecho con anterioridad, pero en este trabajo se ha buscado mejorar la precisión con la que se detectan los pólipos, evitando falsos positivos y falsos negativos, mejorando así la fiabilidad del diagnóstico. Además, el proyecto ha explorado diversas técnicas y enfoques en el ámbito de la generación de imágenes y en la detección de objetos, para identificar las metodologías más efectivas en el contexto de las imágenes médicas. El resultado esperado es un avance en la precisión y fiabilidad de los modelos de detección de pólipos., This project focuses on the reasearch and development of generative models for image-to-image translation, with an emphasis on improving the training of models for polyp detection in colonoscopies. The challenge in addressing such medical problems often lies in the limitations of the datasets, which typically suffer from scarcity and insufficient diversity. The goal has been to leverage the potential of generative models to create realistic synthetic data that can complement and enhance existing datasets to address their limitations. For this, LDPolypVideo dataset was used, a compilation of colonoscopy videos accompanied by annotations that serve as a basis for training detection models. Object detection, specifically of polyps, has been done before, but this work has sought to improve the accuracy with which polyps are detected, avoiding false positives and false negatives, thus improving the reliability of the diagnosis. Furthermore, the project has explored various techniques and approaches in the realm of image generation and object detection, to identify the most effective methodologies in the context of medical imaging. The expected result is an advancement in the accuracy and reliability of polyp detection models.

La harina de trigo es un ingrediente esencial para muchos alimentos como la pasta o el pan. Como tal, cada día, miles de plantas industriales procesan trigo crudo para transformarlo en harina, y más adelante vender esta harina a fabricantes de alimentos. Con las capacidades de producción de estas plantas industriales, pequeñas mejoras en el rendimiento del proceso ya resultan en oportunidades de negocio muy atractivas. El servicio Goldeneye, desarrollado por el equipo de Data Science de Bühler, tiene la misión de mejorar el rendimiento de dichas plantas, mediante un incremento controlado del contenido de agua del producto final. Este proyecto de final de grado se centra en mejorar el servicio Goleneye en los siguientes dos aspectos: Por un lado, respecto al rendimiento y escalabilidad - transformando el servicio desde su estado de prueba de concepto hacia un servicio escalable que puede ser usado por cientos de plantas de producción. Estas mejoras se realizan en la arquitectura del software y en la implementación del servicio. Por otro lado, respecto al proceso de iniciación (onboarding) de una nueva planta de producción, es decir, el proceso interno que ocurre para que una nueva planta pueda usar el servicio. El objetivo principal de crear un sistema de onboarding estandarizado es reducir el coste y tiempo asociados con agregar nuevas plantas al servicio., Wheat flour is an essential ingredient for many staple foods such as bread and pasta. As such, every day, thousands of milling plants process raw wheat grain to turn it into flour, and later sell it to food manufacturers. At the production rates of these milling plants, even small improvements in flour yield result in attractive business opportunities. The Goldeneye service, developed by the Data Science team of Bühler, aims to improve flour yield in the milling process, by raising the flour's moisture in a controlled manner. This thesis is concerned with improving the Goldeneye service in two different aspects: On the one hand, in terms of performance and scalability - transforming it from its current proof-of-concept state towards a scalable service that can be used by hundreds of plants. These improvements are to happen as a result of improving the software architecture and implementation of the service. On the other hand, it is concerned with improving the service's onboarding process, that is, the internal process which takes place in order for a new plant to use the service. The main aim of creating a standardized and insightful onboarding system is to reduce the time and effort of Bühler employees upon a new onboarding.

Els estudis recents han demostrat l'eficàcia del mètode d'inferència Gaussiana aproximada i tractable (TAGI), proposat per Goulet et al., el qual ha mostrat un rendiment comparable o superior a les xarxes neuronals entrenades amb retropropagació. Això és cert per a arquitectures totalment connectades, xarxes neuronals convolucionals (CNNs), models generatius i aprenentatge profund per reforçament amb accions categòriques. Per tant, per competir eficaçment amb els mètodes de retropropagació, Nguyen ha estat desenvolupant la biblioteca de codi obert cuTAGI des de 2022. Aquest projecte es centra en millorar la usabilitat de la biblioteca cuTAGI mitjançant la realització de proves d'integració per a cada arquitectura disponible, de manera que siguin més fiables i proporcionin una base sòlida per al desenvolupament futur. Aquestes proves ja s'han incorporat a la versió v0.1.6 (https://github.com/lhnguyen102/cuTAGI/tree/v0.1.6). A més, aquest projecte també introdueix la versió inicial d'un lloc web de documentació (disponible a https://miquelflorensa.github.io). La documentació inclou informació essencial sobre la biblioteca, una guia d'instal·lació, instruccions per començar ràpidament i referències de l'API de l'abstracció en Python. A més, s'han inclòs diversos tutorials amb exemples per ajudar els usuaris a entrenar els seus models de manera efectiva., Recent studies have showcased the efficacy of the tractable approximate Gaussian inference (TAGI) method, proposed by Goulet et al., which has demonstrated comparable or superior performance to backpropagation-trained neural networks. This holds true for fully connected architectures, convolutional neural networks (CNNs), generative models, and deep reinforcement learning with categorical actions. Therefore, to effectively compete with backpropagation methods, the cuTAGI open source library has been developed by Nguyen since 2022. This project focuses on improving the usability of the cuTAGI library by conducting integration tests for each available architecture, making them more reliable and providing a solid foundation for future development. These tests have already been incorporated into version v0.1.6 (https://github.com/lhnguyen102/cuTAGI/tree/v0.1.6). Moreover, this project also introduces the initial version of a comprehensive documentation website (available on https://miquelflorensa.github.io). The documentation includes essential information about the library, an installation guide, quick start instructions, and API references of the Python abstraction. Additionally, a variety of tutorial examples have been included to assist users in training their models effectively.

En l'actualitat, la gestió dels processos administratius s'ha convertit principalment en una tasca telemàtica. Després de rebre les notificacions, les empreses han de treure'n la informació rellevant. Encara que el contingut de les notificacions pot variar, aquelles que fan referència al mateix tipus de tràmit solen tenir una estructura similar, amb els camps importants identificables pel seu context o ubicació. L'automatització d'aquest procés és essencial per agilitzar les tasques de gestió dels processos administratius. Les companyies asseguradores, en particular, reben un gran volum de notificacions que han de gestionar. Moltes d'aquestes notificacions provenen de processos judicials, per la qual cosa solen tenir un format formal i seguir una estructura específica. Depenent del procés judicial, la gestió de les notificacions pot ser diferent. Aquest projecte té com a objectiu desenvolupar un sistema automàtic capaç de rebre i gestionar documents relacionats amb tràmits judicials en el context de les companyies asseguradores. Aquest sistema ha de ser capaç de classificar els documents en categories específiques i extreure la informació necessària per a l'asseguradora. Considerant els mètodes existents, s'ha optat per implementar un sistema de processament intel·ligent ad-hoc per abordar aquest problema. Es farà servir l'aprenentatge automàtic (Support Vector Machines, SVM) per classificar els diferents tipus de documents, i s'aplicaran mètodes d'extracció de text específics per a cada camp important, amb l'objectiu de maximitzar l'extracció de dades i automatitzar el procés de manera eficient., Currently, the management of administrative processes has become mainly a telematic task. After receiving the notifications, companies must extract the relevant information from them. Although the content of the notifications may vary, those that refer to the same type of procedure usually have a similar structure, with the important fields identifiable by their context or location. The automation of this process is essential to speed up the tasks of managing administrative processes. Insurance companies, in particular, receive a large volume of notifications that they have to manage. Many of these notifications come from court proceedings, so they tend to have a formal format and follow a specific structure. Depending on the judicial process, the handling of notifications may differ. This project aims to develop an automatic system capable of receiving and managing documents related to court procedures in the context of insurance companies. This system must be able to classify documents into specific categories and extract the necessary information for the insurer. Considering the existing methods, it has been chosen to implement an ad-hoc intelligent processing system to address this problem. Machine learning (Support Vector Machines, SVM) will be used to classify the different types of documents, and specific text extraction methods will be applied for each important field, with the aim of maximizing data extraction and automate the process efficiently.

El món en general cada cop intenta equiparar més les condicions de vida de totes les persones. És per això que es necessiten crear noves eines que facilitin l'accés a totes les persones independentment de les seves capacitats. Extrapolant aquesta tendència al món de la comunicació audiovisual podem observar com es creen diferents tipus de materials audiovisuals d'accessibilitat com podrien ser els llenguatges de signes, les audiodescripcions i els subtítols. L'aparició d'aquests nous materials fa que el control sobre aquests sigui cada cop més complex i, per tant, imprescindible per poder produir la major quantitat possible d'aquests materials. L'eix principal d'aquest projecte és fer d'enllaç entre les cadenes de televisió i les productores que elaboren aquest tipus de materials de manera que s'automatitzi l'assignació de materials necessaris per a les cadenes a diferents productores per a la seva elaboració., The global trend is to balance the living conditions of all people. That is why it is necessary to create new tools that facilitate access to all people regardless of their characteristics. Taking this concept to the world of audiovisual communication, we can see that new accessible audiovisual contents are appearing, such as sign language, audio description and subtitles. The appearance of these new contents make it difficult to control them and it is crucial to produce as many of these materials as possible. The main objective of this project is to link and control the relationship between channels and producers of this type of audiovisual materials. This project consists of the automatic assignment of the necessary materials for each channel to the different producers.

La proliferación de dispositivos IoT (Internet de las cosas) crea una cantidad significativa de problemas de privacidad y control de datos. Debido a que los ecosistemas de IoT centralizados están mal equipados para gestionar el acceso de identidad a tantas entidades, se han planteado preocupaciones sobre la seguridad, la privacidad y el uso de datos. Es una buena idea investigar cómo abordar este tema mientras se habla de dispositivos IoT teniendo en cuenta que el uso de técnicas de autenticación descentralizadas está en constante crecimiento como una forma menos peligrosa, más rápida, privada y efectiva de identificar personas físicas. También es necesario un marco de control de acceso potente que pueda integrarse e interactuar con los sistemas heredados actuales para las nuevas soluciones. Además se debe considerar devolver la identidad y el control de los datos a los dispositivos. La importancia y los beneficios de los sistemas IoT descentralizados se examinan en esta tesis como el mejor remedio para esos problemas. Un ejemplo es cuando un dispositivo intenta acceder a un servicio externo, e.j. un vehículo autónomo que procesa información para la conducción autónoma. En este caso, es imprescindible proporcionar un nombre de usuario, una contraseña o una credencial que identifique la sesión del dispositivo, y se vinculan gigabytes de metadatos a la conexión, perfilando la información que se da a través de este canal. Pero para interactuar con estos servicios, ¿es necesario acreditar su identidad de esta manera? En la mayoría de los casos no debería ser necesario y bastaría con acreditar que cumples con los requisitos necesarios y por lo tanto tiene el derecho a establecer estas conexiones. La PoC (Proof of Concept) desarrollada durante esta tesis quiere facilitar la autenticación anónima de dispositivos en una de las mayores plataformas de servicios de IoT, AWS (Amazon Web Services). Parafraseando lo que se dijo antes, probar que solo por las propias característic, IoT (Internet of Things) device proliferation creates a significant number of data control and privacy issues. Because centralized IoT ecosystems are ill-equipped to handle managing identity access to this many entities, security, privacy, and data use concerns have been raised. It is a good idea to research how to address this topic while talking about IoT devices because the use of decentralized authentication techniques is constantly growing as a less dangerous, faster, private, and more effective way to identify physical persons. A powerful access control framework that can integrate and interact with current legacy systems is also necessary for new solutions. Returning identity and data governance to the devices should also be considered. The importance and benefits of decentralized IoT systems are examined in this thesis as the best remedy for those issues. An example is when a device is trying to access an external service, e.g. an autonomous vehicle processing information for self-driving. In this case, providing a username, a password or a credential identifying the device's session is a must, and gigabytes of metadata are linked to the connection, profiling the information given through this channel. But to interact with these services, is it necessary to prove your identity in this way? In most of the cases it should not be necessary and simply providing proof that you meet the requirements and the rights needed to establish these connections should be enough. The PoC (Proof of Concept) developed during this thesis wants to facilitate anonymous device authentication in one of the biggest IoT service platforms, AWS (Amazon Web Services). Rephrasing what was said before, just proving you should have the authorization to interact with a service or an entity, is the best way to authenticate regarding privacy. This work wants to provide an authentication service that will allow IoT users to configure a capability-based authentication environment for their IoT

Para dar validez a cualquier tipo de trámite, sea la compra de una vivienda, hacer testamento, constituir una sociedad, e incluso para casarse o para divorciarse, se necesita un notario. Un notario es un funcionario público, el cual da fe y ofrece seguridad jurídica extrajudicial de que la firma de un documento es genuina, el firmante actúo sin coacción y el firmante tenía la intención de que los términos del documento estuvieran en pleno vigor y efecto. A pesar de que la notarización de documentos da trabajo a decenas de miles de profesionales en Europa, dependiendo del tipo de trámite a notarizar, es un proceso caro y que se podría automatizar para abaratar costes. Como alternativa, en las últimas décadas han surgido sistemas de notarización de documentos digitales apoyados en estándares de firma electrónica. Aunque las firmas generadas por estos protocolos ofrecen seguridad y respaldo legal, al mismo tiempo son caducas y deben ser actualizadas para seguir teniendo validez. El objetivo de esta tesis es estudiar, analizar y probar una posible solución para adaptar un protocolo de firma electrónica de larga duración (ETSI AdES-LTV) con el objetivo de que este protocolo pueda generar firmas perennes, validadas tanto por una entidad centralizada como por una descentralizada, a partir de la publicación de una evidencia de la firma en la cadena de bloques de una red descentralizada., A notary is needed to validate any procedure, be it buying a home, making a will, setting up a company, or even getting married or divorced. This professional is a public official, who attests and offers extrajudicial legal certainty that the signature of a document is genuine, the signatory acted without coercion, and the signatory intended that the terms of the document be in full force and effect. Even though the notarization of documents employs tens of thousands of professionals in Europe, depending on the type of procedure to be notarized, it is an expensive process that could be automated to reduce costs. As an alternative, digital document notarization systems supported by electronic signature standards have emerged in recent decades. Although the signatures generated by these protocols offer security and legal support, at the same time, they expire and must be updated to remain valid. The objective of this thesis is to study, analyze and test a possible solution to adapt a long-term electronic signature protocol (ETSI AdES-LTV) with the goal that this protocol can generate perennial signatures, validated both by a centralized entity and a decentralized one, from the publication of evidence of the signature in the blockchain of a decentralized network.

Aquesta tesi explora el paper de MLOps per a proporcionar eficiència i productivitat en el desplegament, monitoratge i gestió de models d'aprenentatge automàtic en entorns de producció. L'informe compta amb una part teòrica que pretén aportar detalls sobre el funcionament de les pràctiques de MLOps i les tecnologies relacionades. Això serveix de complement per a la part pràctica, la qual es considera la principal contribució. Consisteix en el desenvolupament d'un framework que pretén recollir algunes de les principals funcionalitats de MLOps. Això ajuda a complir l'objectiu principal de demostrar la seva utilitat i comprendre per què MLOps és cada vegada més important. El desenvolupament del framework implica l'ús de Python, Docker, Streamlit i Airflow, cadascun necessari per a proporcionar diferents funcionalitats de MLOps.

Trobar propietats similars a les descrites per característiques, imatges i entorn a partir d'una adreça, és un problema habitual al sector immobiliari. En aquest Treball de Fi de Grau, es desenvolupa un motor de comparables basat en dades de diferents proveïdors i metadades extretes a través dels diferents models de visió per computador de Restb.ai. En la primera part del projecte comprèn la creació de la base de dades centralitzada i estandarditzada, amb més de 15 milions de propietats i metadades de més de 790 milions d'imatges. Aquesta base de dades s'ha creat utilitzant Elasticsearch i compta amb un entorn per processar i ingestar dades automàticament, gràcies a l'ús de ETLs personalitzades mitjançant Airflow. A més, s'ha desplegat Opensearch per poder visualitzar i analitzar les dades més fàcilment. La segona part s'ha centrat en el desenvolupament del mateix motor de comparables. Per aquest propòsit s'ha creat un nou endpoint que ha estat redissenyat en la seva arquitectura i funcionament, per adaptar-se a l'ús de la nova base de dades. Aquest endpoint estableix la base per al que podria esdevenir un motor de comparables escalable, tant en termes de lògica de cerca com de quantitat de dades., Finding properties similar to those described by characteristics, images, and surroundings based on an address is a common problem in the real estate sector. In this Bachelor's Thesis, a comparable engine is developed based on data from different providers and metadata extracted through Restb.ai's computer vision models. The first part of the project involves the creation of a centralized and standardized database with over 15 million properties and metadata from over 790 million images. This database has been built using Elasticsearch and includes an environment for processing and automatically ingesting data, thanks to the use of custom ETLs through Airflow. Additionally, Opensearch has been deployed to facilitate the visualization and analysis of the data. The second part has focused on the development of the comparable engine itself. For this purpose, a new endpoint has been created and redesigned in its architecture and functionality to adapt to the use of the new database. This endpoint establishes the foundation for what could become a scalable comparable engine in terms of search logic and data quantity.

Aquest projecte intenta reduir l'enorme bretxa existent entre les persones que pateixen problemes de salut mental i les que realment reben tractament amb el disseny i la implementació de Kai, un xatbot impulsat per IA que dóna suport a la teràpia cognitivoconductual (TCC). La TCC es basa en la identificació de les distorsions cognitives (pensaments negatius) per qüestionar-les amb l'objectiu de millorar l'estat d'ànim i la salut mental. Per això es va utilitzar la Classificació de Text, una tècnica de Processament del Llenguatge Natural (PLN) per identificar potencials distorsions cognitives en el text. Durant el projecte es va fer una experimentació de models per comparar diferents models supervisats d'aprenentatge automàtic per triar el millor per a la classificació de textos. El conjunt de dades necessari per entrenar els models es va generar proporcionant manualment exemples etiquetats de les 15 distorsions cognitives principals. L'experimentació del model es va fer íntegrament en python. A més, el disseny del flux de diàleg del chatbot es va fer seguint les directrius del TCC i la implementació del chatbot es va fer a Python utilitzant TKinter, un Framework per a la interfície. Finalment, es van realitzar dos tests per comprovar el funcionament correcte del chatbot., This project attempts to bridge the huge gap between people who struggle with mental health and people who actually get treated with the design and implementation of Kai, an AI-powered Chatbot that supports Cognitive Behavioral Therapy (CBT). CBT is based on identifying cognitive distortions (negative thoughts) and challeng- ing them to improve mood and overall mental health. This was done by using Text Classification, a Natural Language Processing (NLP) technique to identify potential cognitive distortions in text. During the project, a model experimentation was done to compare different super- vised machine learning models in order to choose the best one for the text classification. The dataset needed to train the models was generated by manually giving labelled ex- amples of the 15 major cognitive distortions. The model experimentation was entirely done in python. Furthermore, the design of the dialogue flow of the chatbot was done following the CBT's guidelines and the implementation of the chatbot was done in Python using the TKinter in Framework for the interface. Finally, two test were made to check for the correct functioning of the chatbot.

Avui en dia, la gent desitja un repartiment ràpid de les seves comandes. Aleshores, per tal de disminuir el temps d'espera entre la comanda i l'entrega, les rutes d'entrega s'han de planejar sota demanda, i no pel següent dia. Tot i que actualment tenim lliuraments al cap de minuts, un nou problema ha aparegut. El nombre de comandes rebudes pot excedir la capacitat del sistema de repartiment, causant que algunes comandes no puguin ser efectuades pel sistema i s'hagin de tractar amb uns altres mitjans. Aquest treball presenta un mètode per a predir si una comanda serà repartida o no. Primer, una Xarxa Neuronal Profunda (DNN) millora la representació dels robots de repartiment. Després, una segona DNN utilitza la representació millorada dels robots i altra informació que s'obté de l'estat del problema, per tal de predir si la comanda es repartirà. Una simulació de milers de comandes és generada en el centre d'Amsterdam. Utilitzant aquestes comandes, es simula una operació de repartiment sota demanda per diversos dies. La solució proposada en aquest treball obté millors resultats que una heurística quan intentem detectar comandes que no es repartiran. La solució millora l'àrea sota la corba Característica Operativa del Receptor (AUC-ROC) en un 12% i l'area sota la corba de Precisió-Reclam (AUC-PR) en un 310%. Els resultats es poden usar per a disminuir el temps de reacció a una comanda que no es repartirà. També es poden fer servir per a filtrar les comandes abans d'aplicar els algorismes existents. D'aquesta manera es disminueix el temps de computació, i per tant, es pot tractar problemes de major dimensionalitat., Hoy en día, la gente desea una entrega rápida de sus pedidos. Para minimizar los tiempos de entrega, las rutas de distribución tiene que ser planeadas bajo demanda y no para el día siguiente. Aunque actualmente haya entregas en el orden de minutos, un nuevo problema ha aparecido. El número de pedidos puede sobrepasar las capacidades de reparto que tiene el sistema, causando que algunos pedidos no puedan ser repartidos por el sistema y se tengan que tratar mediante otros medios. Este trabajo presenta un método para predecir, cuando se recibe un nuevo pedido, si se repartirá. Primero, se utiliza una Red Neuronal Profunda (DNN) para mejorar la representación de los robots de reparto. Después, una segunda DNN usa la representación mejorada de los robots y otra información que se extrae del estado del problema, para predecir si el pedido se repartirá o no. Una simulación de miles de pedidos es generada en el centro de Ámsterdam. Estos pedidos son utilizados para simular una operación de distribución bajo demanda durante varios días. La solución propuesta en este trabajo obtiene mejores resultados en la detección de pedidos que no se reparten que una solución mediante una heurística. La área bajo la curva Característica Operativa del Receptor (AUC-ROC) es mejorada en un 12% y la área bajo la curva de Precisión-Exhaustividad (AUC-PR) es mejorada en un 310%. Los resultados se pueden emplear para disminuir el tiempo de reacción. También pueden ser usados para filtrar los pedidos antes de aplicar los algoritmos existentes, y así, poder tratar problemas de mayor dimensionalidad., Nowadays, people expect their orders to be delivered as soon as possible. Hence, to minimize the time window between ordering and delivery, the delivery routes must be planned on-demand and not for the next day. This on-demand planning has enabled deliveries in the order of minutes, but a new problem has appeared. The number of orders being received can exceed the delivery capabilities of a system, which implies that some orders are not delivered by the system and have to be handled separately. This work presents an approach to the predictive classification of orders based on their delivery success. The moment a new order is received, we try to predict if the order will be delivered or not. The proposed approach for this problem is divided into two steps. We represent the delivery robots using a first Deep Neural Network (DNN). Afterwards, all the features extracted from the delivery robots, the other orders, and the depots are fed into a second DNN, which predicts the delivery success of the order. Thousands of orders, which are generated in the center of Amsterdam, are used for simulating an on-demand last-mile delivery operation for several days. The proposed method outperforms the use of heuristics in the detection of not delivered orders. Using the proposed method instead of a heuristic, we improve the area under the receiver operating characteristic curve (AUC-ROC) by 12% and the area under the precision-recall curve (AUC-PR) by 310%. Results can be used to improve the reaction time to orders that will not be delivered. This reduced reaction time enables more effective mitigation of the problem. The results can also be used to filter the incoming demand before applying already existing algorithms to ease computations and thus allow to handle larger problem sizes., Outgoing

La recent popularització d'un paradigma més centrat en les dades en l'àmbit de aprenentatge automàtic ha fet que l'estudi de la qualitat de les representacions de les variables s'hagi convertit en un tema molt rellevant. En aquest treball, es realitza una exploració de diferent tipus de formes per representar text en variables aplicades a un problema de Processat del Llenguatge Natural, on s'avalua la seva eficàcia. El mètode proposat consisteix en analitzar diversos factors que poden afectar a la qualitat de les representacions del text en variables i avaluar si són rellevant o no. S'estudien principalment dues formes de representació: model Bag of Words i els word embeddings., The recent popularization of a more data-centric paradigm in machine learning has turned the study of the quality of feature representation into a very relevant topic. In this document an exploration of different text features representation applied to a Natural Language Processing task and evaluated by its performances. The method proposed consists in analyzing various factors that can affect to the quality of the text feature and evaluate whether it is relevant or not. Two distinct forms of feature text representation is taken account: Bag of Words and word embeddings.

The approximate member query problem is a problem related to Big Data that consists of asserting if an element belongs to a dataset. In this thesis, we are going to study and implement some probabilistic data structures designed to face the approximate member query problem., El approximate member query problem es un problema relacionado con el Big Data que consiste en ver si un elemento forma parte de un dataset. En este trabajo de fin de grado, estudiaremos e implementaremos estructuras de datos probabilísticos diseñadas para afrontar el approximate member query problem., El approximate member query problem és un problema relacionat amb el Big Data que consisteix en veure si un element forma part d’un dataset. En aquest treball de fi de grau, estudiarem i implementarem estructures de dades probabilístiques dissenyades per afrontar el approximate member query problem.

Els models de Deep Learning (DL) s'estan convertint en un dels camps del Machine Learning (ML) més extesos en el seu ús. Tot i això, la gran quantitat de paràmetres i operacions que realitzen les xarxes neuronals les fan massa complexes per a que un humà pugui entendre les accions i decisions que prenen. L'opacitat del funcionament d'aquests models requereix d'algun sistema que expliqui i justifiqui les prediccions que se n'obtenen. Aquesta justificació és necessària en molts casos del món real, des del camp de la medicina al legislatiu, on es tracta informació sensible que requereix una confiança en que les decisions del model siguin correctes. En el cas d'aquest projecte, la motivació de les explicacions ve donada per l'aplicacació del DL al camp de les companyies asseguradores, entre les quals hi ha el Grup Catalana Occident (GCO) que és on s'ha desenvolupat aquest projecte. L'explicabilitat en models d'aprenentatge automàtic, i concretament de DL ha evolucionat molt al llarg dels darrers anys, i en l'actualitat hi ha una gran quantitat de mètodes per a obtenir explicacions. L'objectiu d'aquest projecte és la recopilació i homogeneització de diversos algoritmes d'explicabilitat enfocats al Deep Learning, principalment agrupats en mètodes Globals (explicacions generals del model) i mètodes Locals (explicacions de prediccions concretes). Amb les definicions i la unificació de notació d'aquests mètodes s'ha fet una implementació bàsica de tots ells sobre el conjunt de dades públic ''Adult Data Set'', i una posterior adaptació per un dataset privat de l'empresa, que serveixi com a guia per a la futura implementació d'una llibreria que permeti aplicar out-of-the-box aquests algoritmes en nous projectes que utilitzin models de DL., Deep Learning (DL) models are becoming one of the most widespread fields of Machine Learning (ML) in use. However, due to the large number of parameters and operations performed by neural networks, they make them too complex for a human to understand the actions and decisions they make. The opacity of the networks decision making requires some system that explains and justifies the predictions obtained. This justification is necessary in many cases in the real world, from the field of medicine to legislature, where sensitive information is involved that requires user trust in the model's decision making. In the case of this project, the motivation for the explanations is given by the application of DL in the field of insurance companies, among which is the Grup Catalana Occidente (GCO) which is where this project has been developed. The explainability in machine learning models, and specifically in DL, has evolved a lot over the last few years, and today there are a lot of methods to get explanations. The aim of this project is to compile and unify various explainability algorithms focused on deep learning, mainly grouped into Global methods (general explanations of the model) and Local methods (explanations of specific predictions). Given the definitions and unification of these methods, a basic implementation of all of them has been made on a public data set ''Adult Data Set'', and a subsequent adaptation on a private dataset that belongs to the company, which will serve as a guide for future implementation of explainable DL algorithms for projects that are built with neural networks.

Diverses ineficiències dificulten els projectes col·laboratius, com els projectes finançats, a causa de la seva complexa temàtica i estructura i a la diversitat de socis. Una de les majors ineficiències és el nombre de sitges de dades i coneixements que es produeixen en compartir informació sobre els dominis. Una sitja es produeix quan un soci perd informació rellevant d'un altre soci perquè no estava ben explicada o era inaccessible. Utilitzant les tecnologies de Semantic Web, un enfocament va ser desenvolupat per organitzar el coneixement de domini i incorporar-lo en la fase de definir la proposta d'un projecte finançat. Aquest enfocament conté un diagrama, anomenat DrOWLing, que recull el contingut del projecte per alinear-lo fàcilment amb els socis. Aquests DrOWLings poden convertir-se fàcilment en una ontologia llegible per màquina. Això permet identificar i eliminar les sitges de dades dins o entre projectes, departaments o paquets de treball. Utilitzant dos gràfics de coneixement (knowledge graphs) de projectes finançats per la indústria, es van crear preguntes de competència per reduir un triat conjunt de sitges de dades. Les consultes SPARQL en ambdós gràfics de coneixement de projectes finançats responen informació sobre aquestes sitges. Com a pas final, es va desenvolupar una matriu de complexitat per mesurar la millora d' un enfocament de DrOWLing sobre un basat en documents, concloent que era un enfocament eficaç per a l' alineació amb socis., Various inefficiencies hinder collaborative projects, such as funded \break projects, due to their complex topic and structure and diversity of domain partners. One of the biggest inefficiencies is the number of data and knowledge silos when sharing domain information. A silo is when a partner misses relevant information from another partner because it was not well explained or was inaccessible. Using Semantic Web technologies, an approach was developed to organize domain knowledge and incorporate it into the funded proposal phase. This approach contains a diagram, named DrOWLing, that collects the project content to easily align it with the partners. These DrOWLings can be easily converted into a machine-readable ontology in the proposed approach. This allows to identify and remove data silos within or across projects, departments, or work packages. Using two knowledge graphs of funded projects from the industry, competency questions were created to reduce a chosen set of data silos. SPARQL queries on both funded project knowledge graphs answer information regarding these silos. As a final step, a complexity matrix was developed to measure the improvement of a DrOWLing approach over a document-based proposal one, concluding that it was an effective approach for alignment.

La generació de terreny per a videojocs es duu a terme des de fa anys, i encara avui en molts casos, mitjançant algorismes procedimentals per a l'obtenció de mapes d'alçada basats en soroll. Aquest terreny es pot generar amb un cost computacional baix i és possible expandir-lo fàcilment en totes direccions si és necessari, però el seu grau de realisme no és comparable al que es pot veure al relleu de la superfície terrestre. Per altra banda, en l'àmbit de l'aprenentatge automàtic i, més concretament, les xarxes neuronals, s'està investigant molt l'ús de GANs (xarxes generatives antagòniques) per a tota mena d'aplicacions, com la síntesi d'imatges, la restauració d'imatges malmeses o la traducció entre imatges amb característiques diferents. Aquest treball intenta construir un pont entre les tècniques basades en GANs i la generació de terreny, amb la finalitat d'obtenir mapes d'alçada i textures amb característiques semblants a les que es troben a la superfície terrestre., Terrain generation in video games has been carried out for years, and still today in many cases, through procedural algorithms for obtaining height maps based on noise. This terrain can be generated with low computational cost and can be easily expanded in all directions if necessary, but its degree of realism is not comparable to what can be seen in the topography of the Earth's surface. On the other hand, in the field of machine learning, and more specifically, neural networks, a lot of research is being conducted on the use of GANs (generative adversarial networks) for all kinds of applications, such as image synthesis, image inpainting or translation between images with different characteristics. This work attempts to build a bridge between GAN-based techniques and terrain generation, in order to obtain height maps and textures with characteristics similar to those found on the Earth's surface.

Este trabajo final de grado se ha realizado en colaboración con la empresa Tecnotrans Bonfiglioli S.A. La idea principal del proyecto era incorporar sistemas de mejora continua, en particular, de la mejora de los procesos más relevantes de la empresa. Al ser una empresa con un enfoque bastante comercial, también se ha tenido en cuenta aportar la mayor calidad de cara al cliente. Este proyecto presentará en 3 grandes bloques un grupo de mejoras que aportan unos beneficios a nivel cualitativo y cuantitativo. Estas mejoras han sido realizadas en base al feedback que han dado los trabajadores, es decir, la mayoría de las ideas surgen de la necesidad de los usuarios en mejorar la empresa. Finalmente se ha realizado un breve estudio económico para comprobar la viabilidad de este proyecto y analizar su rentabilidad

El sector del vino, uno de los más antiguos y tradicionales del mundo, está lentamente modernizándose. Debido a esto, hay muchas oportunidades para implementar conceptos que ya han sido demostrados que funcionan en otros campos como por ejemplo los sistemas recomendadores. Durante las últimas dos décadas se han hecho grandes avances tanto en eficiencia como en precisión y gracias a esto, estos sistemas se encuentran integrados en la mayoría de proveedores de entretenimiento, información y productos del mundo como YouTube, Amazon, Netflix e incluso foros como Quora. Este proyecto de final de carrera está hecho en HappyCustomerBox, con colaboración de Upwine, un software de catas online. El objetivo principal es la creación de un sistema recomendador que mejore la calidad de los vinos que reciben los usuarios y aumente las ventas de vinos por parte de las bodegas., The wine industry, one of the world's oldest and most traditional is slowly modernizing. There are many opportunities to implement concepts such as recommender systems that have been proven to work in other fields. During the last two decades, many improvements have been made in both precision and efficiency of such systems, this fact has prompted them to be integrated in many providers of entertainment, information and even products worldwide. Some examples of them are YouTube, Amazon, Netflix and even internet forums such as Quora. This bachelor thesis is developed in HappyCustomerBox, in collaboration with Upwine, an online tasting software. The project's main objective is the creation of a recommender system with the goal of improving the quality of users' purchases and to increase the amount of wine sold by cellars.

Abnormalities of cardiac rhythm are associated with substantial morbidity and economic costs. Atrial Fibrillation is the most common cardiac electrophysiology disorder worldwide affecting around 2.3 million people just in the United States alone and is associated with an increased risk of stroke and mortality. Atrial fibrillation commonly originates in the pulmonary veins from the left atrium, a complex anatomical structure with high variation in shape and size among the population. Circumferential pulmonary veins ablation and other strategies are widely performed to treat Atrial Fibrillation. These interventional procedures can largely benefit from prior assessment of the patient LA anatomy for accurate surgical planning and intraoperative guidance. The 3D LA anatomy can be noninvasively visualized with different imaging techniques such as late gadolinium enhancement magnetic resonance imaging. In clinical practice, obtaining the complex 3D geometry of the LA is challenging even for the most experienced clinicians. Automated computer methods to segment the LA structure are highly desirable. In this work, we proposed a patch-based network methodology to segment the left atrium geometry from late gadolinium enhancement magnetic resonance images. Due to the class imbalance problem, our strategy uses what we call positive percentage parameter during training, which simply forces the network to take patches that contain at least some target segmentation. We studied the effect on the segmentation when using both region-based and contour-based loss functions with different strategies. Using a database obtained from the Department of Arrhythmias of the Hospital Clínic de Barcelona, named ClínicLA dataset, we studied the performance of our model with different hyper-parameter combinations. To compare our strategy with other approaches, we used a public LA benchmark database. We evaluated the segmentation performance in terms of Dice Similarity Coefficient and Hausdorff dist

Hoy en día, la detección de objetos está presente en muchos aspectos de nuestra vida. Desde aplicaciones relacionadas con la seguridad hasta herramientas de entretenimiento, la detección de objetos juega un papel clave en el mundo de la visión por computadora y el procesamiento de imágenes. Este proyecto aborda la necesidad de avances en el área de detección automatizada basada en aprendizaje automático en esta era en la que se requiere mantener el distanciamiento social en todo momento. El principal objetivo de este proyecto es trabajar con un modelo capaz de reconocer a las personas con y sin máscaras para realizar cualquier acción que se requiera en base a ella. También incluye el desarrollo de un modelo que es capaz de realizar múltiples detecciones en tiempo real. Para lograr estos objetivos, se han aplicado técnicas de procesamiento de datos y aprendizaje profundo para trabajar con diferentes modelos y enfoques para crear un modelo de detección de múltiples personas. Como resultado, se han desarrollado dos modelos de detección. Ambos han sido evaluados y comparados para determinar en qué situaciones uno es más conveniente que el otro.

In the field of object counting using computer vision techniques, multiple research projects developed highly performant models for counting specific classes. Nonetheless, none has achieved a deep learning model able to count any object independently of the class and very few have worked in that direction. We believe that achieving this class-agnostic counting model is possible by using deep learning methodologies such as Convolutional Neural Networks. We have developed a set of Convolutional neural networks following different counting strategies to validate our hypothesis and achieve a class-agnostic counting model, as well as with the purpose of proposing the best strategy to achieve a model with these characteristics. The developed models, try several ways of approaching the counting task using common CNN architectures that work well in other environments and by analyzing the counting task from a human point of view while trying to mimic our image processing behavior. Furthermore, three datasets have been defined following different counting approaches for training and evaluating the developed models, even in unseen data to evaluate their generalization capabilities without requiring to be trained on it. This master thesis proposes what we believe is the best approach for achieving class-agnostic counting as well as a new model improving the current state of the art in class-agnostic counting. We believe that the best approach is by developing a regression-based model with a spatial density output which splits the several tasks that take part in the counting problem into smaller and, if possible, supervised modules specialized in each sub-task. Moreover, this project offers a set of datasets that can be used in future works, fomenting this way the further research of a true class-agnostic counting model which doesn't require to be trained in unseen instances.

Assisted reproductive technologies (ARTs) are a set of invasive medi- cal techniques that attempt to induce a pregnancy. In vitro fertilization (IVF) is the most common and effective type of ART. Embryo selection is a difficult and complex task. There is a morphological evaluation crite- ria and a categorization into scales for each of the various embryo stages. From these results, clinicians have to select which embryos to transfer, as the clinical procedure can produce excess embryos. The transferred em- bryos have to be carefully selected among the ones that show best quality according to this morphological classification, as the aim of the process is to achieve a pregnancy. In this project, we present a novel probabilis- tic graphical model that, for the first time, accounts for the uncertainty that represents all the unknown factors that can drive to a failure even though all the components that take part in the ART process seem to be favorable. In an ARTs' dataset it is not always possible to know which embryo was implanted. Among others, this uncertainty source forces us to use an EM strategy, as well as the consideration of hidden variables in our model. The experiments carried out show that much more informa- tion can be obtained from this type of model than from previous simpler approaches. The database for this work have been collected by the Unit of Assisted Reproduction of the Hospital Donostia (Spain) throughout 18 months (January 2013¿July 2014) where 604 patients participated in the IVF-ICSI program compiling a total number of 3125 embryos.

Es habitual que los diseñadores de videojuegos intenten adaptar sus juegos al máximo número de jugadores. Estas prácticas han ido desde la creación de selectores de dificultad para llegar a más público, hasta la creación de géneros enteros donde la adaptabilidad y la mayor parte del diseño de esta se cambia por aleatoriedad. Sin embargo, están lejos de conseguir una verdadera adaptabilidad hacia el jugador. Este proyecto intenta demostrar la eficacia de aplicar técnicas de machine learning para el diseño de niveles y así poder adaptar nuestra dificultad media a cualquier tipo de jugador. Nuestro objetivo es cambiar los algoritmos procedurales de un videojuego roguelike por una serie de inteligencias artificiales que intenten, dentro de lo posible, seguir manteniendo la esencia de sorpresa y variedad que este género aporta con la aleatoriedad. Siempre intentando adaptarnos al nivel del jugador, permitiendo a la inteligencia artificial tener en cuenta el entorno y situación al crear: enemigos, recompensas de objetos y etc. Con esto pretendemos ver la viabilidad de aplicar una inteligencia artificial para el diseño de niveles, una opción muy poco vista en los videojuegos, puesto que la mayoría de inteligencias artificiales se utilizan para elementos menos abstractos que el diseño, como enemigos o personajes no jugables. En este proyecto pretendemos aportar a este sector algo más abandonado., És habitual que els dissenyadors de videojocs intentin adaptar els seus jocs al màxim nombre de jugadors. Aquestes pràctiques han anat des de la creació de selectors de dificultat per a arribar a més públic, fins a la creació de gèneres sencers on l'adaptabilitat i la major part del disseny d'aquesta es canvia per aleatorietat. No obstant, estan lluny d'aconseguir una veritable adaptabilitat cap al jugador. Aquest projecte intenta demostrar l'eficàcia d'aplicar tècniques de machine learning per al disseny de nivells i així poder adaptar la nostra dificultat mitjana a qualsevol mena de jugador. El nostre objectiu és canviar els algorismes procedurales d'un videojoc roguelike per una sèrie d'intel·ligències artificials que intentin, en la mesura del possible, continuar mantenint l'essència de sorpresa i varietat que aquest gènere aporta amb l'aleatorietat. Sempre intentant adaptar-nos al nivell del jugador, permetent a la intel·ligència artificial tenir en compte l'entorn i situació en crear: enemics, recompenses d'objectes i etc. Amb això pretenem veure la viabilitat d'aplicar una intel·ligència artificial per al disseny de nivells, una opció molt poc vista en els videojocs, ja que la majoria d'intel·ligències artificials s'utilitzen per a elements menys abstractes que el disseny, com a enemics o personatges no jugables. En aquest projecte pretenem aportar a aquest sector una mica més abandonat., It has been common for video game designers to try to adapt their games to the maximum number of players. These practices have gone from the creation of difficulty selectors to reach more public, to the creation of entire genres where the adaptability and most of the design of the game is changed by randomness. However, they are far from achieving true adaptability towards the player. This project tries to demonstrate the effectiveness of applying machine learning techniques for the design of levels to be able to adapt our medium difficulty to any type of player. Our goal is to change the procedural algorithms of a roguelike video game for a series of artificial intelligences that try, as far as possible, to maintain the essence of surprise and variety that this genre brings with randomness. Always trying to adapt to the level of the player, allowing the artificial intelligence to take into account the environment and situation when creating: enemies, object rewards, etc. With this we intend to see the viability of applying an artificial intelligence for the design of levels, an option rarely seen in video games, since the majority of artificial intelligences are used for less abstract elements than the design, such as enemies or non-playable characters. In this project we intend to bring something more to this abandoned area.

Question generation attempts to generate a natural language question given a passage and an answer. Most state-of-the-art methods have focused on generating simple questions involving single-hop relations and based on a single or a few sentences. In this project, we focus on generating multi-hop questions which requires discovering and modeling the multiple entities and their semantic relations in the passage. To that end, we use the HotpotQA dataset, a multi-document and multi-hop dataset for questions answering that provides not only the context, question, and answer but also the supporting facts that lead to the answer. To solve the problem, we propose the use of transformer-based models, which have shown to perform well in single-hop question generation, and we study different variants to condition the model using the context and the supporting facts.

El proyecto Kokoro de Slashmobility consiste en una plataforma dirigida a RRHH para poder predecir las acciones de los empleados, la cual una de las acciones es la fuga de talento. Para ello, Kokoro necesita el input de "Felicidad del empleado", es decir, la autorrealización del empleado en la empresa. Este TFG analiza la predicción de esta felicidad en base a unos cuestionarios con preguntas definidas para determinar la felicidad, distribuidas por un chatbot. Debido a que durante el desarrollo del TFG aún no ha sido desarrollado tal chatbot, se han generado unos datos teóricos y realistas. Se analiza la predicción con diferentes métodos de Machine Learning: Decision Tree, Random Forest, Linear Regression y MLP (Red neuronal) y se ha llegado a la conclusión de que con estos datos teóricos, el mejor método es Random Forest, con una precisión alrededor del 94%, bastante alta precisión, aunque puede ser debido a que los datos son teóricos., Slashmobility's Kokoro project consists of a platform aimed to HR to be able to predict the actions of employees, one of which is the flight of talent. For this, Kokoro needs the input of "Employee Happiness", that is the employee's self-realization in the company. This TFG analyzes the prediction of this happiness based on questionnaires to determine the employee happiness, distributed by a chatbot. Due to the fact that such chatbot has not yet been developed (during the development of the TFG), theoretical and realistic data have been generated. The prediction is analyzed with different Machine Learning methods: Decision Tree, Random Forest, Linear Regression and MLP (Neural Network). It has been concluded that with these theoretical data, the best method is Random Forest, with a precision around 94%, a high precision, although it may be because the data is theoretical., El projecte de Kokoro de Slashmobility consisteix en una plataforma dirigida a RRHH per poder predir les accions dels empleats, la qual una de les accions és la fuga de talent. Per això, Kokoro necessita el input de “Felicitat del emplea”, és a dir, la autorealització de l'empleat en la empresa. Aquest TFG analitza la predicció d’aquesta felicitat en base a uns qüestionaris per determinar la felicitat, distribuïdes per un chatbot. Degut a que durant el desenvolupament del TFG encara no ha estat desenvolupat aquest chatbot, s’han generat unes dades teòriques y realistes . S’analitza la predicció amb diferents mètodes de Machine Learning: Decision Tree, Random Forest, Linear Regression i MLP (Xarxa Neuronal). S’ha arribat a la conclusió de que amb aquestes dades teòriques, el millor mètode és Random Forest amb una precisió al voltant del 94%, una precisió bastant alta, encara que pot ser degut que les dades són teòriques.

This thesis explores variational quantum algorithms in order to solve optimization combinatorial problems using a meta-learning approach. This variational algorithm sare promising due to its capability to be used in the near future in the so-called NoisyIntermediate-Scale Quantum (NISQ) era, in which algorithms with high tolerance to noise could perform better than its classical counterparts. In this approach, a Recurrent Neural Network (RNN) optimizer tries to obtain the best set of parameters ofa quantum circuit for a given problem using the Qauntum Approximation Optimiza-tion Algorithm (QAOA), with the minimal amount of queries possible to a quantumcomputer. Thanks to the advances of parameter shift methods to compute the gradi-ents of parametrized quantum circuits, these algorithms could be even trained in realquantum computers without the need of highly demanding simulations. The resultspresented show that this approach is able to generalize to other problem instanceswhich the model has not seen before during training.

Este trabajo de fin de grado consiste en el desarrollo de un sistema en el lenguaje Python que realiza inferencia lógica, implementando una redefinición del dialecto de reglas de producción del estándar Rule Interchange Format, un lenguaje para la unificación de documentos de reglas en diferentes lenguajes. En adición, el motor de inferencia desarrollado usa ontologías escritas en un subconjunto de OWL 2, e implementa una versión del algoritmo Rete para la realización de matching en reglas. Este trabajo se engloba en las tecnologías de la web semántica, y pretende ser una alternativa cómoda y fácil de usar que no requiera de traductores entre lenguajes de reglas. También se ha realizado un estudio de rendimiento del motor, en el que se observa el peso que tiene el pobre rendimiento de Python sobre el motor y la influencia del tamaño de la red Rete sobre el tiempo de ejecución., This end-of-degree project consists in the development in the language Python of a system that performs logical inference, implementing a redefinition of the production rule dialect of the Rule Interchange Format (RIF) standard, a language to unify rule documents written in different languages. Furthermore, the developed inference engine uses ontologies written in a subset of OWL 2 and implements a version of the Rete algorithm to perform rule matching. This project is encompassed in the semantic web technologies, and pretends to be an easy and convenient alternative that does not require translators between rule languages. A performance study has also been done, in which the weight of the poor performance of Python over the engine and the influence of the size of the Rete network over the execution time can be observed.

This Master Thesis (MT) describes different techniques for speaker identification. Our goal is two-fold: first to build and curate an image and audio dataset and second to use it to create a speaker recognition system.