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

La Realidad Aumentada (AR) es una tecnología que permite superponer elementos virtuales sobre el entorno físico en tiempo real, enriqueciendo la percepción del usuario mediante dispositivos inteligentes. En los últimos años, la AR ha evolucionado rápidamente y ha dado lugar a numerosas aplicaciones en campos como la educación, el comercio, el entretenimiento y, especialmente, los videojuegos. Entre las aplicaciones más innovadoras de esta tecnología se encuentran las experiencias multijugador, que combinan la interacción en entornos reales con la sincronización entre varios usuarios, permitiendo compartir una misma escena aumentada desde distintos dispositivos. En este contexto, el objetivo del presente Trabajo de Fin de Máster es desarrollar una aplicación de Realidad Aumentada multijugador que permita visualizar un circuito virtual sobre una superficie real y conducir un coche a través de él. La aplicación permitirá que más de un jugador participe en la misma carrera, permitiendo que otros se conecten a una sesión y compitan entre sí. Cada jugador controlará un coche virtual, diferenciado por colores, y se implementarán controles táctiles para simular la conducción. Esta propuesta combina aspectos técnicos como la detección de planos, el uso de raycasting, el control físico de objetos y la sincronización en red entre dispositivos.

L'explosiu creixement dels grans models de llenguatge (LLMs) i les seves exigències computacionals han convertit les High-Performance computing (HPC) en components essencials per a un entrenament eficient. Aquesta tesi analitza l'escalabilitat de l'entrenament del model XLM-RoBERTa-base al supercomputador MareNostrum 5 (MN5), enfocant-se al domini clínic de cardiologia dins del projecte europeu DataTools4Heart (DT4H). Mitjançant tècniques de paral·lelisme de dades i model sharding, es va dur a terme una avaluació del temps d'entrenament, speedup, eficiència, throughput i overhead en diferents configuracions de GPU (fins a 32 GPUs), explorant també optimitzacions com l'ús de diferents numerical precisions i optimitzadors. Els resultats demostren una escalabilitat gairebé lineal dins d'un node i un bon rendiment multinode, aconseguint eficiències superiors al 85% amb 32 GPU. L'estudi valida la hipòtesi de relació inversa entre el nombre de GPU i el temps d'entrenament, identificant la comunicació entre nosaltres com a principal limitant a grans escales. A més, es presenten les eines Rocket i Cosmos, desenvolupades per agilitzar la gestió de dades i experiments a MN5. Les troballes permeten establir bones pràctiques per a l'entrenament de LLM a HPC i han estat clau per a la creació eficient dels models multilingües CardioBERTa en el marc del projecte DT4H.

Este Trabajo de Fin de Máster presenta el diseño, desarrollo e implementación de una aplicación full-stack destinada a la evaluación estructurada de Modelos de Lenguaje de Gran Escala (LLMs), con énfasis en la transparencia, la trazabilidad y la eficiencia del proceso evaluativo. El proyecto se construye sobre un sólido marco teórico que abarca desde los fundamentos arquitectónicos de los LLMs hasta las métricas contemporáneas más avanzadas, incluyendo tanto evaluaciones automáticas basadas en LLM-as-a-Judge como heurísticas de comparación directa. El sistema desarrollado, articulado mediante un backend en FastAPI y un frontend interactivo en SvelteKit, permite importar interacciones desde fuentes históricas (webui.db), realizar evaluaciones manuales y automáticas, aplicar filtros dinámicos, visualizar métricas, y exportar resultados enriquecidos. La arquitectura está diseñada de forma modular, escalable y extensible, contemplando desde el inicio su integración con herramientas como Opik y la incorporación de múltiples modelos en el futuro. A nivel técnico, el proyecto demuestra competencias avanzadas en ingeniería de software, evaluación de modelos de IA y experiencia de usuario. A nivel personal, representa un hito en mi formación como profesional en ingeniería electrónica, consolidando y aumentando mis habilidades prácticas y teóricas de forma integrada. El enfoque adoptado prioriza la reproducibilidad, la eficiencia y la interpretación de los resultados, con especial atención a los aspectos éticos y de sostenibilidad asociados al despliegue de tecnologías generativas. En definitiva, este TFM no sólo construye una herramienta funcional, sino que propone un marco metodológico replicable para la evaluación responsable de LLMs, sentando bases sólidas para futuras investigaciones, integraciones o despliegues reales en entornos sensibles o regulados. Un hito en mi trayectoria profesional que recordaré con mucho cariño de ahora en adelante.

Este Trabajo de Final de Máster aborda el problema de la redundancia en las restricciones de denegación o denial constraints (DCs) descubiertas automáticamente a partir de datos. Nuestro estudio experimental revela que los algoritmos de descubrimiento actuales suelen generar cientos de restricciones, con más del 70% de ellas siendo redundantes en promedio. Este volumen masivo de DCs descubiertas hace que su interpretación y aplicación sean inviables en la práctica. Para abordar este problema, proponemos un enfoque innovador que utiliza un razonador automático de lógica de primer orden para identificar y eliminar todas las restricciones redundantes generadas por los algoritmos de descubrimiento de DCs, proporcionando una herramienta efectiva para permitir a los expertos extraer conocimiento relevante de los datos.

The lack of contextual information limits the ability of clinical examinations to provide a complete diagnosis in patients with hypertension or diabetes. This study aims to: (i) develop a mobile application that facilitates self-reporting of dietary and/or medication intake or other health-relevant data; (ii) include capabilities for evaluating the application and the notification system, incorporating Experience Sampling methods to: (a) analyze trends in reporting; and (b) ensure the application is functioning correctly. This study encompasses the design and development of the application from the initial concept to the final prototype, including the ability to conduct future experimental testing. The application integrates a simple user interface, visual graphics, and databases that allow users to record their eating habits in real time. Additionally, personalized notifications are implemented that adapt to user behavior, seeking to encourage active engagement rather than automated responses. Ease of use and personalization are central pillars of the design, which was defined with the goal of more effective adoption in diverse populations. High-performance technologies have been used; We chose Kotlin as the foundation of the application due to its robustness and compatibility with the Android environment. MySQL was used to efficiently structure information related to user self-reports, and MongoDB integrated a connection with the university's existing API system. In conclusion, this research can be used to verify the validity and effectiveness of using mobile applications as support tools for chronic disease management. The combination of an accessible interface, intuitive graphics, and dynamic data collection methods is designed to enhance the usefulness of Experience Sampling for obtaining accurate and contextual information. This approach can be integrated into broader medical monitoring systems, although further study is needed to evaluate its long-term impact on larger patient groups.

Context. El ràpid creixement dels models de llenguatge (Language models), particularment en la generació de codi, requereix recursos computacionals substancials, cosa que genera preocupacions sobre el consum d'energia i l'impacte ambiental. Optimitzar la inferència dels models de llenguatge per millorar l'eficiència energètica és crucial, i els models de llenguatge petits (Small Language Models) ofereixen una solució prometedora per reduir la demanda de recursos. Objectiu. El nostre objectiu és analitzar l'impacte dels runtime engines i dels execution providers d'aprenentatge profund en el consum d'energia, el temps d'execució i la utilització de recursos computacionals des del punt de vista dels enginyers de programari que realitzen inferències en el context dels models de llenguatge petits de codi. Mètode. Hem realitzat un pipeline experimental orientat a tecnologia, de diverses etapes, utilitzant dotze models de llenguatge petits de generació de codi per investigar el consum d'energia, el temps d'execució i la utilització de recursos computacionals en diferents configuracions. Resultats. Han sorgit diferències significatives entre les configuracions. Les configuracions amb l'execution provider CUDA han superat les configuracions amb l'execution provider CPU tant en consum d'energia com en temps d'execució. Entre les configuracions, TORCH combinat amb CUDA ha demostrat la major eficiència energètica, aconseguint estalvis d'energia des del 37.99% fins al 89.16% en comparació amb altres configuracions. De manera similar, runtime engines optimitzats com ONNX amb l'execution provider CPU han aconseguit estalvis d'energia des del 8.98% fins al 72.04% dins de configuracions basades en CPU. A més, TORCH combinat amb CUDA ha mostrat una utilització eficient dels recursos computacionals. Conclusions. L'elecció de la configuració de servei impacta significativament en l'eficiència energètica. Encara que es necessita més recerca, recomanem les configuracions esmentades anteriorment com les més adequades als requisits dels enginyers de programari per millorar l'eficiència del servei en termes d'energia i rendiment.

La industria de los semiconductores enfrenta grandes desafíos durante las crisis, donde las fluctuaciones de la demanda desestabilizan las cadenas de suministro y amplifican el efecto bullwhip. Esta tesis evalúa el uso de modelos avanzados de aprendizaje automático, como N-HiTS, XGBoost y LightGBM, junto con métodos tradicionales como Exponential Smoothing o ARIMA, para predecir estas fluctuaciones utilizando datos macroeconómicos externos y específicos de la industria. Los resultados muestran que N-HiTS supera a otros modelos en escenarios de crisis gracias a su capacidad para capturar patrones complejos. Sin embargo, los modelos basados en Gradient Boosting Decision Trees, como XGBoost y LightGBM, aunque tienen un rendimiento inferior a N-HiTS, ofrecen mejor interpretabilidad. Exponential Smoothing sigue siendo efectivo en períodos estables. Las variables externas presentan fuertes correlaciones con la variable objetivo, lo que permite predicciones precisas pero no implica causalidad.

El objetivo es desarrollar un traductor automático para textos de manga (japonés) y manhwa (coreano) al inglés, usando LLMs preentrenados o realizando aprendizaje por transferencia. Se abordarán desafíos específicos de traducción de cómics, como el manejo del contexto visual y textual, y la adaptación cultural de los diálogos, empleando técnicas avanzadas de PLN y Deep Learning para mejorar la precisión y coherencia de las traducciones, integrando la comprensión visual para mejorar la fidelidad.

Con la reciente aparición de la IA generativa somos capaces de generar, con facilidad, imágenes realistas y convincentes a partir de datos de entrada (conocidos como prompt), los cuales pueden ser imágenes, texto o incluso sonidos. Esto plantea desafíos éticos y preocupantes sobre su uso malintencionado. Como la creación de imágenes falsas y engañosas para la desinformación, el fraude o la difamación. Un mecanismo para identificar si una imagen ha sido generada o no por IA es añadir metadatos de procedencia a dichas imágenes. Los propios modelos de IA pueden ayudar en este proceso de identificación. Este proyecto analizará las propuestas de estandarización existentes, planteará posibles mejoras, identificará casos de uso e implementará herramientas para demostrar su viabilidad.

Provenance, the documentation of a data's origin, creation and modification history, plays a crucial role in ensuring data quality and trustworthiness in healthcare. Current standards and models for managing provenance in eHealth systems have limitations in their ability to capture the complexity of healthcare data in a clear and straightforward way, especially when addressing privacy, security, and compliance challenges. This thesis introduces an enhanced provenance model that extends from existing standards such as FHIR, incorporating new components tailored to the needs of medical data. These additions, such as covering data relationships, consent tracking, data quality, event triggers, and security; address gaps in existing models to improve traceability, accountability, and interoperability across the eHealth systems. Additionally, this thesis addresses critical concerns about safeguarding the integrity of provenance data while ensuring patient privacy and regulatory compliance. Through case studies with real-world implementation examples and performance considerations, the new model aims to be a better reference for managing provenance in healthcare data.

Actualmente, la piña es una de las frutas tropicales más consumidas a nivel mundial. Sin embargo, luego de la pandemia y los efectos por el cambio climático, se han presentado complicaciones tanto para su cultivo como para su exportación. Con ello, es importante que los agricultores implementen prácticas nuevas que les permita mejorar su gestión de cultivos y que estas sigan siendo respetuosas con el medio ambiente. En este escenario, es necesario contar con software y herramientas tecnológicas que permitan mejorar la gestión de sus cultivos en todos los procesos. La presente tesis tiene como objetivo principal desarrollar un software para la identificación y ubicación de piñas en cultivos mediante la captura de imágenes con drones y el uso de deep learning. Los métodos utilizados actualmente para desempeñar esta tarea o se realizan de manera manual o no logran una precisión considerable tanto en el conteo como en la ubicación de los frutos de piñas. Con el fin de alcanzar este objetivo, la tesis se divide en 6 capítulos. El primer capítulo nos explica los antecedentes del proyecto. Nos explica el estado actual de la producción de la piña a nivel mundial y local. También, nos muestra el estado del arte para el reconocimiento de frutos y gestión de cultivos. El segundo capítulo se centra en la gestión del proyecto, donde se describen las tareas, se estima un presupuesto cercano a los 30 mil euros y se hace un primer informe de sostenibilidad. En los capítulos 3 y 4 se hacen el diseño e implementación del proyecto. Se explica como se obtienen las imágenes para el dataset y como se prepara el mismo. Además, se muestra el entrenamiento del modelo YOLOv8 con nuestro dataset y se muestran los resultados. Finalmente, en los últimos dos capítulos se presenta el informe final de sostenibilidad social, económica y ambiental, y las conclusiones y trabajos futuros de la presente tesis.

Aquest treball de fi de màster es centra en el desenvolupament del GLiDe (Integrated Gamified Learning Dashboard Environment), una versió millorada del Learning Dashboard existent per tal de millorar el procés d'aprenentatge en assignatures d'enginyeria del software mitjançant l'addició de tècniques d'interacció avançades i elements de gamificació. En el cas concret d'aquest treball de fi de màster, aquest projecte introdueix el mòdul d'Interacció Avançada per millorar la implicació i l'eficàcia dels usuaris mitjançant la incorporació d'elements relacionats amb la interacció, la personalització i les visualitzacions avançades de dades. El projecte segueix una metodologia Waterfall però incorpora principis Agile, especialment per a la fase de desenvolupament. Inclou un Systematic Literature Review que estudia l'estat de l'art del disseny del dashboards i analitza els mètodes d'avaluació a dur a terme. El desenvolupament d'un producte mínim viable (MPV) i les seves futures ampliacions tenen com a objectiu millorar l'experiència d'aprenentatge i aconseguir la implicació dels estudiants.

El Learning Dashboard és una innovadora eina educativa que es va posar en marxa a la Universitat Politècnica de Catalunya (UPC) durant el curs acadèmic 2021-2022. Des d'aleshores, algunes assignatures obligatòries de diferents centres docents de la UPC relacionats amb l'enginyeria informàtica han utilitzat aquesta eina perquè els estudiants i els professors respectius puguin seguir el seu progrés de desenvolupament en projectes d'enginyeria del software basats en equip. Durant tot aquest temps, el Learning Dashboard ha demostrat ser en general positiu i ha continuat evolucionant afegint-hi noves funcionalitats útils. Tot i això, encara no ha assolit el seu màxim potencial principalment perquè els professors no n'incentiven l'ús, els estudiants no reconeixen plenament la seva utilitat i la mateixa eina no aconsegueix mantenir l'interès dels estudiants. En aquest sentit, la solució comporta inventar una nova versió del Learning Dashboard per oferir als estudiants una experiència atractiva i valuosa que en potenciï l'ús, anomenada GLiDe (Integrated Gamified Learning Dashboard Environment). Aquest projecte capdavanter, finançat parcialment per la UPC, inclou la renovació de la interfície gràfica d'usuari i la introducció d'elements de gamificació, essent aquest darrer l'objectiu principal d'aquest Treball de Fi de Màster (TFM). La incorporació d'elements de gamificació atractius i alineats amb els objectius docents de les assignatures esdevindrà inevitablement incentius clars que recompensaran el progrés d'aprenentatge dels estudiants, creant en última instància una experiència atractiva, estimulant i, eventualment, productiva. Aquest TFM empra principalment la metodologia Waterfall (és a dir, gestió, anàlisi, disseny, implementació i avaluació) per dur a terme la feina a causa de les limitacions de temps que imposa la regulació acadèmica, però també s'apliquen de manera efectiva els valors i principis de l'Agile Manifest, concretament durant les fases de disseny i implementació. En particular, aquest TFM implica una revisió exhaustiva de l'estat de l'art que examina els impactes, els elements i les implementacions de la gamificació en el context de l'educació en enginyeria del software. Això es combina amb la comprensió del context de fons sobre el funcionament del Learning Dashboard i les expectatives dels estudiants que ja l'han utilitzat en relació amb la gamificació. Després es proposa una solució teòrica completa que inclou tots els aspectes trobats, assegurant la comprensió del domini, el compliment dels requisits de les parts interessades i la priorització correcta del desenvolupament. A més, es desenvolupa i s'avalua una proposta usable amb l'ajut dels estudiants. Cal assenyalar que la composició de tota aquesta extensa investigació, anàlisi rigorosa i desenvolupament innovador, no només permet incorporar elements de gamificació al Learning Dashboard amb èxit, sinó que també contribueix de manera significativa a aquest camp.