APRÈN. Portal de la producció docent del professorat de la UPC

Aquesta tesi té com a objectiu millorar l'eina de codi obert Sat2Graph, que extreu xarxes viàries a partir d'imatges de satèl·lit. Integrant dades de trajectòries reals i refinant algoritmes clau, s'ha aconseguit augmentar la completitud i la precisió dels mapes generats. Les proves realitzades en zones de tipus quadrícula, com Chicago, i en diverses àrees de Barcelona demostren que la combinació de rutes reals i correccions dirigides dona lloc a representacions viàries més fiables. Els resultats evidencien que, fins i tot en traçats urbans complexos, la suma de processament d'imatge satel·lital i refinaments basats en dades pot oferir un enfocament més robust i pràctic per a la creació de mapes digitals d'alta qualitat.

The explosive growth of Large Language Models (LLMs) and their computational demands have made High-Performance Computing (HPC) essential components for efficient training. This thesis analyzes the scalability of training the XLM-RoBERTa-base model on the MareNostrum 5 (MN5) supercomputer, focusing on the clinical domain of cardiology within the European DataTools4Heart (DT4H) project. Using data parallelism and model sharding techniques, training time, speedup, efficiency, throughput, and overhead were evaluated on different GPU configurations (up to 32 GPUs), also exploring optimizations such as the use of different numerical precisions and optimizers. The results demonstrate almost linear scalability within a node and good multi-node performance, reaching efficiencies above 85% with 32 GPUs. The study validates the hypothesis of an inverse relationship between the number of GPUs and training time, identifying inter-node communication as the main limitation at large scales. It also presents the Rocket and Cosmos tools, developed to streamline data and experiment management in MN5. The findings establish best practices for training LLMs in HPC and have been key to the efficient creation of CardioBERTa multilingual models within the DT4H project.

El explosivo crecimiento de los grandes modelos de lenguaje (LLMs) y sus exigencias computacionales han convertido a las High-Performance computing (HPC) en componentes esenciales para un entrenamiento eficiente. Esta tesis analiza la escalabilidad del entrenamiento del modelo XLM-RoBERTa-base en el supercomputador MareNostrum 5 (MN5), enfocándose en el dominio clínico de cardiología dentro del proyecto europeo DataTools4Heart (DT4H). Mediante técnicas de paralelismo de datos y model sharding, se llevó a cabo una evaluación del tiempo de entrenamiento, speedup, eficiencia, throughput y overhead en distintas conf iguraciones de GPU (hasta 32 GPUs), explorando también optimizaciones como el uso de diferentes numerical precisions y optimizadores. Los resultados demuestran una escalabilidad casi lineal dentro de un nodo y un buen rendimiento multi-nodo, alcanzando eficiencias superiores al 85% con 32 GPUs. El estudio valida la hipótesis de relación inversa entre el número de GPUs y el tiempo de entrenamiento, identificando la comunicación entre nodos como principal limitante en grandes escalas. Además, se presentan las herramientas Rocket y Cosmos, desarrolladas para agilizar la gestión de datos y experimentos en MN5. Los hallazgos permiten establecer buenas prácticas para el entrenamiento de LLMs en HPC y han sido clave para la creación eficiente de los modelos multilingües CardioBERTa en el marco del proyecto DT4H.

Efficient logistics management is critical for companies aiming to optimize costs and operational efficiency. This project focuses on designing, developing, and evaluating a Genetic Algorithm (GA) to address shipment allocation and truck optimization challenges in logistics. By integrating custom initialization, evaluation, mutation, and crossover functions aligned with real-world constraints, the algorithm aims to maximize sent shipments, improve truck utilization, and minimize shipping costs. To evaluate the algorithm, a synthetic dataset was created and adapted to test performance under realistic conditions. A non-optimizing system, simulating manual shipment assignment, was also implemented as a baseline for comparison. Both systems were executed over a simulated working week, allowing for a comprehensive analysis of metrics such as truck costs, shipment allocation, and execution time. The results demonstrate that the Genetic Algorithm consistently outperforms the baseline approach. With a fixed truck limit, the GA allocated significantly more shipments, therefore maintaining superior cost efficiency and truck fill rates. When the truck limit was removed, the GA achieved drastically lower costs and reduced the number of trucks required. Despite its computational requirements, the GA completed daily optimizations within approximately 20 minutes, showcasing its feasibility for real-world applications. Future work includes validating the algorithm with larger datasets, refining the designed functions, and integrating the solution into enterprise systems via personalized ETL processes and dashboards to visualize the algorithm's results. This project provides a robust foundation for developing a scalable, client-specific logistics optimization tool.

La gestió eficient de la logística és essencial per a les empreses que busquen optimitzar costos i millorar l'eficiència operativa. Aquest projecte es centra en dissenyar, desenvolupar i avaluar un Algorisme Genètic (GA) per abordar els reptes d'assignació de comandes i optimització de camions en l'àmbit logístic. Mitjançant la integració de funcions personalitzades d'inicialització, avaluació, mutació i encreuament, adaptades a les restriccions del món real, l'algorisme té com a objectiu maximitzar les comandes processades, millorar la utilització dels camions i minimitzar els costos d'enviament. Per avaluar l'algorisme, es va crear un conjunt de dades sintètic adaptat per posar a prova el rendiment en condicions realistes. També es va implementar un sistema no optimitzador, que simula l'assignació manual d'enviaments, com a punt de referència per a la comparació. Ambdós sistemes es van executar durant una setmana laboral simulada, cosa que va permetre una anàlisi exhaustiva de mètriques com els costos dels camions, l'assignació d'enviaments i el temps d'execució. Els resultats demostren que l'Algorisme Genètic supera en diversos aspectes el sistema base de referència. Amb un límit fixat de camions, el GA va assignar moltes més comandes i, per tant, costos més elevats, però amb índexs d'utilització de camions més alts. Quan es va eliminar el límit de camions, el GA va aconseguir costos dràsticament més baixos i va reduir el nombre de camions necessaris. Malgrat els requisits computacionals, el GA va completar les optimitzacions diàries en aproximadament 20 minuts, demostrant la seva viabilitat per a aplicacions reals. El treball futur inclou la validació de l'algorisme amb conjunts de dades més grans, la refinació de les funcions dissenyades i la integració de la solució en sistemes empresarials mitjançant processos d'ETL personalitzats i aplicacions per visualitzar els resultats de l'algorisme. Aquest projecte proporciona una base sòlida per desenvolupar una eina d'optimització logística escalable i adaptada a cada client.

In recent years, applications based on artificial intelligence (AI) techniques have become increasingly common, to the point where deep neural networks (DNNs) have been applied across almost any field, providing solutions to a wide range of problems. Simultaneously, embedded systems have evolved to meet the growing demand for AI integration. While most conventional microprocessors have remained unable to process DNNs efficiently, many researchers have believed that the future of embedded technology lies in increasing the autonomy of edge devices, enabling them to run AI-based applications. This bachelor thesis focused on the implementation of DNNs for autonomous drone navigation, deploying these networks on an ultra-low-power microprocessor specifically designed for deep learning applications. Furthermore, it explored cutting-edge model compression techniques to optimize the performance of the DNNs and investigated the limitations of this emerging technology in the context of embedded systems. The research examined various approaches, including model quantization, knowledge distillation, the implementation of early exits, and edge-to-cloud strategies, aiming to balance computational efficiency and accuracy while respecting the constraints of ultra-lowpower hardware.

En els darrers anys, les aplicacions basades en tècniques d'intel·ligència artificial (IA) s'han tornat cada vegada més habituals, fins al punt que les xarxes neuronals profundes s'han aplicat a gairebé qualsevol camp, proporcionant solucions a una àmplia gamma de problemes. Al mateix temps, els sistemes integrats han evolucionat per satisfer la creixent demanda d'integració de la IA. Tot i que la majoria de microprocessadors convencionals continuen sent ineficients per processar xarxes neuronals, molts investigadors creuen que el futur de la tecnologia incrustada passa per augmentar l'autonomia dels dispositius edge, permetent-los executar aplicacions basades en IA. Aquest treball de fi de grau s'ha centrat en la implementació de xarxes neuronals per a la navegació autònoma de drons, desplegant aquestes xarxes en un microprocessador ultra eficient dissenyat específicament per a aplicacions d'aprenentatge profund. A més, s'han explorat tècniques innovadores de compressió de models per optimitzar el rendiment de les xarxes neuronals i s'han investigat les limitacions d'aquesta tecnologia emergent en el context dels sistemes incrustats. La investigació ha examinat diversos enfocaments, incloent-hi la quantització de models, la destil·lació de coneixement, la implementació de sortides anticipades i estratègies edge-to-cloud, amb l'objectiu d'equilibrar l'eficiència computacional i la precisió respectant les limitacions del maquinari ultra eficient.

Freshwater ecosystems are increasingly threatened by rising air temperatures, with Switzerland experiencing warming at rates that surpass global averages. This study leverages Convolutional Neural Networks (CNNs) to develop a robust prediction model for stream temperatures, integrating satellite imagery and topographic data to address the limitations of in-situ monitoring systems, such as limited data availability and spatial constraints. Additionally, a Physics-Guided Convolutional Neural Network (PGCNN) was implemented to embed physical laws into the model, enhancing consistency with environmental processes. A robust data pipeline was designed to process Land Surface Temperature (LST), NDVI, and other environmental variables, ensuring high-quality inputs for the model. The CNN-based approach predicts river temperatures with reasonable results, enabling a deeper understanding of the influence of NDVI on temperature regulation. By analyzing the model's predictions, vulnerability maps were created, identifying regions where riparian vegetation has the greatest impact on mitigating temperature fluctuations and supporting targeted ecological interventions. This project highlights the potential of combining deep learning and physics-informed approaches to address climate change challenges. The findings contribute to sustainable freshwater ecosystem management by offering a scalable, data-driven framework for predicting river temperatures and guiding reforestation strategies in Switzerland and globally.

Els ecosistemes d'aigua dolça estan cada cop més amenaçats per l'augment de les temperatures de l'aire, amb Suïssa com a exemple destacat per les taxes d'escalfament que superen les mitjanes globals. Aquest estudi utilitza Xarxes Neuronals Convolucionals (CNNs) per desenvolupar un model robust de predicció de temperatures fluvials, integrant imatges satèl·lit i dades topogràfiques per superar les limitacions dels sistemes de monitoratge in situ, com la disponibilitat limitada de dades i les restriccions espacials. A més, s'ha implementat una Xarxa Neuronal Convolucional Guiada per Principis Físics (PGCNN) per incorporar lleis físiques al model, millorant la coherència amb els processos ambientals. S'ha dissenyat una pipeline de dades sòlida per processar Temperatures de Superfície Terrestre (LST), NDVI i altres variables ambientals, garantint dades d'entrada d'alta qualitat per al model. L'enfocament basat en CNN predeix amb resultats raonables les temperatures dels rius, permetent una comprensió més profunda de la influència del NDVI en la regulació de la temperatura. A partir de les prediccions del model, s'han generat mapes de vulnerabilitat que identifiquen les regions on la vegetació de ribera té el major impacte en la mitigació de les fluctuacions de temperatura, donant suport a intervencions ecològiques específiques. Aquest projecte destaca el potencial de combinar enfocaments d'aprenentatge profund amb principis físics per abordar els reptes del canvi climàtic. Els resultats contribueixen a la gestió sostenible dels ecosistemes d'aigua dol¸ca, oferint un marc escalable basat en dades per predir temperatures fluvials i guiar estratègies de reforestació a Suïssa i globalment.

Despite type 2 diabetes (T2D) is a complex disease with extensive genetic studies, a third of individuals still remain undiagnosed. Genome-Wide Association Studies (GWAS) have identified numerous variants associated with the disease, and the use of complementary methods such as Polygenic Risk Scores (PRS) has improved the detection. This study focuses on combining GWAS with Machine Learning (ML) to enhance the early detection of the disease based on genetic information. However, ML models are limited by the number of variants that can be analyzed at the same time. This project tackles this challenge by proposing methodologies that allow comprehensive genome-wide analysis.

A pesar de que la diabetes tipo 2 (T2D) es una enfermedad compleja muy estudiada desde el punto de vista genético, todavía un tercio de los individuos permanece sin ser diagnosticado. Los Genome-Wide Association Studies (GWAS) han identificado numerosas variantes asociadas con la enfermedad, y el uso de métodos complementarios como los Polygenic Risk Scores (PRS) ha mejorado su detección. Este estudio está centrado en la combinación de GWAS con el Machine Learning (ML) para potenciar la detección precoz de la enfermedad basándose en la información genética. Sin embargo, los modelos de ML están limitados por la cantidad de variantes que se pueden analizar simultáneamente. Este proyecto aborda este desafío proponiendo metodologías que permitan un análisis genómico amplio y completo.

Aquest Treball de Fi de Màster presenta el disseny, desenvolupament i implementació d'una plataforma completa per al support de l'avaluació de Models de Llenguatge de Gran Escala (LLMs), amb una orientació clara cap a la traçabilitat, la transparència i la sostenibilitat del procés avaluatiu. En un context de ràpida evolució de les tecnologies d'intel·ligència artificial generativa, el projecte respon a la necessitat creixent de disposar d'eines que permetin no només utilitzar aquests models, sinó també comprendre com funcionen, com prenen decisions, i com es poden avaluar des d'un punt de vista tant tècnic com ètic. La solució plantejada és una aplicació full-stack desenvolupada amb un backend en FastAPI i un frontend modular en SvelteKit, estructurada entorn d'una base de dades SQLite i una sèrie de serveis integrats per a l'avaluació manual i automàtica de respostes generades per LLMs. Aquesta arquitectura no només permet la visualització i gestió d'interaccions, sinó que també incorpora funcionalitats específiques per a l'anàlisi d'interaccions passades (via importació des de la base de dades històrica webui.db), així com l'execució d'avaluacions automàtiques mitjançant el sistema Opik, i heurístiques dissenyades per a verificar patrons, similituds o estructures semàntiques. Des del punt de vista teòric, el projecte s'assenta sobre els fonaments més avançats de l'arquitectura dels LLMs, incloent-hi la mecànica d'atenció pròpia dels Transformers, el funcionament autoregressiu, la generació seqüencial i les tècniques d'embeddings i recuperació (RAG). Aquests conceptes no només es desenvolupen en el marc conceptual del projecte, sinó que tenen una translació directa a la seva implementació pràctica. Per exemple, el sistema permet detectar desalineaments entre el context i la resposta mitjançant mètriques com context_precision i context_recall, que tenen un fonament directe en la teoria del processament contextual en NLP. Un dels eixos centrals del projecte és la incorporació de sistemes d'avaluació automàtica LLM-as-a-Judge, un paradigma emergent en què un model de llenguatge actua com a jutge d'una altra sortida generada. Mitjançant la integració del SDK d'Opik i l'ús de models com GPT-4o via LiteLLM, el sistema és capaç de calcular mètriques de qualitat com la hallucination, usefulness o g_eval de forma automàtica. Aquest procés és configurable i traçable, i s'ha implementat tenint en compte tant l'impacte econòmic (confirmació de cost abans de l'avaluació), com la interpretabilitat dels resultats (amb visualitzacions i explicacions contextuals). En definitiva, aquest TFM no només construeix una eina funcional, sinó que proposa un marc metodològic replicable per a l'avaluació responsable de LLMs, establint bases sòlides per a futures investigacions, integracions o desplegaments reals en entorns sensibles o regulats. Una fita en la meva trajectòria professional que recordaré amb molt d'afecte a partir d'ara.

This Master's Thesis addresses the problem of redundancy in Denial Constraints (DCs) automatically discovered from data. Our experimental study revealed that state-of-the-art discovery algorithms typically generate hundreds of constraints, with over 70% of them being redundant on average. This sheer volume of discovered DCs makes their interpretation and practical application infeasible. To address this relevant issue, we propose a novel approach that uses a first-order logic automated reasoner to identify and eliminate all redundant constraints generated by DC discovery algorithms, providing an effective tool for enabling experts to extract relevant knowledge from data.

Aquest Treball de Final de Màster aborda el problema de la redundància en les restriccions de denegació o denial constraints (DCs) descobertes automàticament a partir de les dades. El nostre estudi experimental revela que els algoritmes de descobriment actuals solen generar centenars de restriccions, amb més del 70% d'elles sent redundants de mitjana. Aquest volum immens de DCs descobertes fa que la seva interpretació i aplicació sigui inviable a la pràctica. Per abordar aquest problema, proposem un enfocament innovador que utilitza un raonador automàtic de lògica de primer ordre per identificar i eliminar totes les restriccions redundants generades pels algoritmes de descobriment de DCs, proporcionant una eina eficaç per permetre als experts extreure coneixement rellevant de les dades.

La realitat virtual és una tecnologia emergent que està tenint un fort impacte en diversos àmbits, especialment en el món dels videojocs. Tot i que la temàtica de l'escalada ha estat abordada en alguns títols comercials, actualment no es disposa de cap proposta que combini de manera fidel l'experiència immersiva de la realitat virtual amb una representació realista del món de l'escalada. Aquest treball té com a objectiu el desenvolupament d'un videojoc d'escalada en realitat virtual que reprodueixi, amb la màxima versemblança possible, les condicions d'un escalador real. Per aconseguir-ho, s'han tingut en compte factors com la fatiga, la dificultat segons la inclinació de la paret i els diferents elements tècnics que afecten la pràctica d'aquest esport.

La realidad virtual es una tecnología emergente que está teniendo un fuerte impacto en diversos ámbitos, especialmente en el mundo de los videojuegos. Aunque la temática de la escalada ha sido abordada en algunos títulos comerciales, actualmente no existe ninguna propuesta que combine de forma fiel la experiencia inmersiva de la realidad virtual con una representación realista del mundo de la escalada. Este trabajo tiene como objetivo el desarrollo de un videojuego de escalada en realidad virtual que reproduzca, con el máximo realismo posible, las condiciones de un escalador real. Para lograrlo, se han tenido en cuenta factores como la fatiga, la dificultad según la inclinación de la pared y los distintos elementos técnicos que afectan a la práctica de este deporte.

Aquest projecte analitza arxius de vídeo dins l'àmbit de la cinematografia, estudiant l'impacte emocional de la correcció i gradació de color. S'hi identifiquen els colors dominants i les paletes cromàtiques, explorant-ne la influència en les escenes i en les emocions transmeses. També s'examinen les tendències cromàtiques i l'ús del color segons el gènere i diverses característiques cinematogràfiques. Les fases del projecte inclouen el pre-processament, l'anàlisi de fotogrames a nivell de GPU mitjançant CUDA, l'agregació de dades i la seva visualització.

This project analyzes video files within the field of cinematography, studying the emotional impact of color correction and grading. It identifies dominant colors and chromatic palettes, exploring their influence on scenes and the emotions they convey. It also examines color trends and the use of color according to genre and various cinematic characteristics. The project phases include preprocessing, frame-level analysis on the GPU using CUDA, data aggregation, and visualization.

Aquest Treball de Final de Grau (TFG) se centra en establir les bases teòriques i pràctiques d'un cas concret d'implementació d'un sistema de manteniment predictiu utilitzant tècniques d'aprenentatge automàtic per a una màquina formadora de caixes de l'empresa Tavil Ind. SAU, dins del marc de la Indústria 4.0. L'objectiu principal és integrar aquest sistema en el funcionament normal de la màquina per anticipar-se a possibles fallades abans que es produeixin. Això permet millorar la gestió dels recursos i reduir els costos associats a parades inesperades i reparacions d'emergència, concretament en la corretja de la màquina. Amb aquest enfocament, el projecte aconsegueix crear una base per traspassar del manteniment preventiu actual al manteniment predictiu, mitjançant l'anàlisi de senyals elèctrics. La metodologia utilitzada inclou diversos algoritmes d'aprenentatge automàtic, incloent xarxes neuronals, per identificar patrons en cada cicle de funcionament i predir la vida útil restant (RUL, Remaining Useful Life) del component. El projecte s'emmarca dins de l'Internet de les Coses (IoT), utilitzant sensors integrats al servomotor per recollir dades contínues en temps real sobre l'estat dels equips. Aquestes dades alimenten els models predictius desenvolupats en Python, un llenguatge de programació ideal per a l'aprenentatge automàtic gràcies a la seva àmplia gamma de biblioteques. Aquesta recerca abasta tot el procés, des de la recopilació i importància de les dades dins d'una empresa fins a la implementació de models predictius per a millorar el manteniment de la màquina formadora de caixes. Aquest treball obté unes conclusions concretes i locals que permeten ser una base per desenvolupar solucions més flexibles i extensives en el futur, on destaca la intel·ligència artificial com a eina per a la millora de processos industrials.

This Bachelor's Thesis (BT) focuses on establishing the theoretical and practical foundations of a specific case of implementing a predictive maintenance system using machine learning techniques for a box forming machine at the company Tavil Ind. SAU, within the framework of Industry 4.0. The main objective is to integrate this system into the normal operation of the machine to anticipate possible failures before they occur. This allows for better resource management and reduces costs associated with unexpected shutdowns and emergency repairs, specifically in the machine's belt. With this approach, the project aims to create a foundation for transitioning from current preventive maintenance to predictive maintenance through the analysis of electrical signals. The methodology used includes various machine learning algorithms, including neural networks, to identify patterns in each operating cycle and predict the remaining useful life (RUL) of the component. The project is framed within the Internet of Things (IoT), using sensors integrated into the servomotor to collect continuous real-time data on the equipment's status. These data feed the predictive models developed in Python, an ideal programming language for machine learning thanks to its wide range of libraries. This research covers the entire process, from the collection and importance of data within a company to the implementation of predictive models to improve the maintenance of the box-forming machine. This work draws concrete and local conclusions that serve as a foundation for developing more flexible and extensive solutions in the future, where artificial intelligence stands out as a tool for improving industrial processes.

Aquesta tesi presenta un framework per a la predicció del rendiment de càrregues de treball de computació d'alt rendiment (HPC). La metodologia implica la recollida de dades d'execucions de diverses aplicacions HPC. S'ha desenvolupat un model d'aprenentatge automàtic basat en algoritmes d'arbres per preveure el rendiment d'aplicacions noves i desconegudes. El sistema no requereix canvis manuals al codi i s'integra amb les eines d'anàlisi de rendiment existents, proporcionant una manera eficient d'iterar i ajustar el model.

Esta tesis presenta un framework para predecir el rendimiento de cargas de trabajo de computación de alto rendimiento (HPC). La metodología implica la recolección de datos de ejecuciones de diversas aplicaciones HPC. Se desarrolla un modelo de aprendizaje automático basado en algoritmos de árboles que predice el rendimiento de nuevas aplicaciones desconocidas. El sistema no requiere cambios manuales en el código y se integra con herramientas de análisis de rendimiento existentes, proporcionando una forma eficiente de iterar y ajustar el modelo.

En l'actual context de canvi i alta competitivitat, la gestió eficient del temps, els continguts i els recursos personals és clau per assolir objectius acadèmics exigents, com l'accés a una plaça pública mitjançant oposicions. En aquest àmbit, la planificació, l'organització dels temaris, el seguiment del progrés i una bona gestió global són elements fonamentals per optimitzar l'estudi i incrementar les possibilitats d'èxit. Tot i l'avenç de les tecnologies digitals, moltes persones opositores continuen utilitzant mètodes manuals o eines genèriques que no s'ajusten a les necessitats específiques de determinades oposicions. Això evidencia la necessitat de desenvolupar una solució tecnològica adaptada a aquest context concret. Aquest projecte té com a objectius principals, d'una banda, dissenyar i implementar una aplicació web que doni resposta a les necessitats específiques de les persones opositores, i, de l'altra, adquirir coneixements pràctics sobre l'ús d'Appian, una plataforma low-code que facilita la creació de solucions empresarials de manera àgil i eficient. Ambdós objectius són inseparables, ja que el desenvolupament de l'aplicació serveix com a mitjà per aprofundir en l'aprenentatge de la tecnologia, alhora que aquest coneixement és essencial per dur a terme la implementació amb èxit. L'aplicació té com a finalitat optimitzar la gestió del pla d'estudis, el seguiment del progrés personal, la realització de proves tipus test, l'organització dels entrenaments físics i l'establiment d'una pauta nutricional adequada al context. Amb aquesta eina, es pretén millorar notablement l'eficiència, la motivació i el control dels estudis de les persones opositores.

En el actual contexto de cambio y alta competitividad, la gestión eficiente del tiempo, los contenidos y los recursos personales es clave para alcanzar objetivos académicos exigentes, como el acceso a una plaza pública mediante oposiciones. En este ámbito, la planificación, la organización de los temarios, el seguimiento del progreso y una buena gestión global son elementos fundamentales para optimizar el estudio e incrementar las posibilidades de éxito. A pesar del avance de las tecnologías digitales, muchas personas opositoras siguen utilizando métodos manuales o herramientas genéricas que no se ajustan a las necesidades específicas de determinadas oposiciones. Esto pone de manifiesto la necesidad de desarrollar una solución tecnológica adaptada a este contexto concreto. Este proyecto tiene como objetivos principales, por un lado, diseñar e implementar una aplicación web que responda a las necesidades específicas de las personas opositoras y, por otro, adquirir conocimientos prácticos sobre el uso de Appian, una plataforma low-code que facilita la creación de soluciones empresariales de forma ágil y eficiente. Ambos objetivos son inseparables, ya que el desarrollo de la aplicación sirve como medio para profundizar en el aprendizaje de la tecnología, al mismo tiempo que dicho conocimiento es esencial para llevar a cabo la implementación con éxito. La aplicación tiene como finalidad optimizar la gestión del plan de estudios, el seguimiento del progreso personal, la realización de pruebas tipo test, la organización de entrenamientos físicos y el establecimiento de una pauta nutricional adecuada al contexto. Con esta herramienta se pretende mejorar notablemente la eficiencia, la motivación y el control del estudio por parte de las personas opositoras.

Viajuntos is a mobile application aimed at facilitating the organization and management of social events. Born from the improvement of the pre-existing app SociaOut, the project enhances usability and incorporates new functionalities that enable users to create, join, and manage events easily. It promotes social connection by allowing interaction between users, even those who do not know each other, and supports features such as participant tracking and user behavior reporting.

Viajuntos és una aplicació mòbil multiplataforma dissenyada per facilitar l'organització i gestió d'esdeveniments socials. Parteix de la millora de l'aplicació existent SociaOut, afegint noves funcionalitats i millorant la seva usabilitat. L'aplicació permet als usuaris crear, unir-se i gestionar esdeveniments, interactuar amb altres persones (fins i tot si no es coneixen) i reportar comportaments inadequats.