Creació d'una API que utilitzi Deep Learning

Creació d’una API que utilitzi Deep Learning Juny 2018 Alumne: Ivan Martínez de la Torre Director: Emilio Avilés Ávila Ponent: Carme Quer Bosor Especialitat d’enginyeria del software Índex 1. Introducció 3 1.1. Context 3 1.2. Formulació del problema 3 1.3. Stakeholders 4 2. Estat de l’Art 5 2.1. Introducció 5 2.2. Neurones artificials 5 2.3. Com funcionen les xarxes neuronals artificials? 6 2.4. Com aprenen les xarxes neuronals artificials? 6 2.5. Tipus de xarxes neuronals 8 2.6. Deep Learning Frameworks 8 2.7. Conclusions 9 3. Abast 11 3.1. Fases i requisits del projecte. 11 3.2. Metodologia 12 3.3. Eines de seguiment 14 3.4. Mètode de validació 14 3.5. Aplicació de la metodologia 14 4. Planificació temporal 16 4.1. Delimitació temporal 16 4.2. Descripció de les tasques 16 4.2.1. Planificació del projecte 16 4.2.2. Anàlisi del software 17 4.2.3. Implementació del software 18 4.2.4. Programació web 19 4.2.4. Preparació final 19 4.3. Estimació temporal 19 4.4. Diagrama inicial de Gantt 21 4.5. Recursos utilitzats 22 4.5.1. Recursos humans 22 4.5.2. Recursos materials 24 4.5.3. Recursos software 26 4.6. Valoració d’alternatives i pla d’acció 28 5. Desenvolupament del projecte 30 5.1. Elecció del framework 30 5.2. Elecció del millors paràmetres 30 1 5.3. Selecció de les dades 33 5.3.1. Totes les dades 34 5.3.2. Dades individuals 34 5.3.3 Dades de les criptomonedes més antigues i importants 35 5.3.4 Conclusions 36 5.4. Creació de la web 36 5.4.1. Casos d’ús 36 5.4.2. Resultat de la web 37 6. Resultat de les prediccions 39 7. Autoavaluació del domini actual de la competència de sostenibilitat. 49 8. Pressupost 50 8.1. Estimació de costos 50 8.2. Control de gestió 52 8.3. Pressupost final 53 9. Informe de sostenibilitat 54 9.1. Estudi d’impacte ambiental 54 9.2. Estudi d’impacte econòmic 55 9.3. Estudi d’impacte social 56 9.4. Conclusions 56 10. Lleis i regulacions 58 11. Conclusions 59 11. Referències 60 2 1. Introducció 1.1. Context Aquest és un Treball Final de Grau (TFG) que es realitza en la modalitat B amb un conveni de cooperació educativa a l'empresa SlashMobility [1]. Com a tal, hi ha un director de l'empresa i un ponent de la universitat. En el meu cas, el director del projecte a SlashMobility és Emilio Avilés Ávila, i la ponent és la professora del departament d'Enginyeria dels Serveis i Sistemes d'Informació Carme Quer. SlashMobility va néixer al 2010 a Barcelona, capital mundial de la mobilitat i la innovació. És una empresa de solucions mòbils corporatives, la missió de la qual està centrada en accelerar la digitalització tecnològica de la societat mitjançant serveis mòbils 360º com: Formació, Disseny i Desenvolupament Software. Durant aquests anys s’ha convertit en una empresa de referència en el mercat del desenvolupament software d’aplicacions i en la formació en tecnologies mòbils. Actualment els +70 empleats, han desenvolupat +1000 solucions mòbils per a +150 empreses com: FCB, HP, Telefònica, Accenture, GFT, Santander, La Caixa, Desigual, Mango, Pronovias, Social Point, Letbonus, Habitaclia, Restalo, Gaesco, les quals han obtingut en el seu conjunt més de 10 milions d’euros de facturació, 100 milions de descàrregues, TOP 1 a les botigues globals principals, premis d’innovació, disseny i usabilitat. La facturació acumulada de Slashmobility supera els 6 milions d’euros, generant més de 40 milions de propostes i assessorant més de 350 companyies. Fins ara Slashmobility s’ha centrat en solucions mòbils, però amb el recent desenvolupament de la intel·ligència artificial i de l’arribada de noves tecnologies com Blockchain, ha començat a investigar possibles noves vies per oferir serveis als seus clients. 1.2. Formulació del problema Una de les línies d'investigació que interessa a Slashmobility és l'estudi de l'aplicació de les xarxes neuronals. Com a objectiu d’aquest projecte es buscava realitzar una prova de concepte del potencial de les xarxes neuronals en un repte difícil com és intentar predir l’evolució d’un mercat financer volàtil com és el mercat de les criptomonedes. Per tal de proposar una solució a aquest repte, s'ha desenvolupat una primera versió d'una xarxa neuronal artificial (Deep Learning) [2]. Les xarxes neuronals són un dels paradigmes més interessants als que s’ha enfrontat el món de la programació en les últimes dècades. La lògica convencional en el món de la programació és dir-li a un ordinador que és el que ha de fer descomposant els problemes en petites tasques que aquest és capaç de realitzar. En contrast amb aquesta idea, en les xarxes neuronals artificials no són els programadors qui li diuen a l’ordinador què ha de fer, sinó que l’ordinador aprèn a partir de les dades existents trobant les seves pròpies solucions al problema. 3 El projecte que s'ha fet com a part del treball es basa en programar i entrenar amb les dades de l’històric de l’evolució del mercat de les criptomonedes una xarxa neuronal artificial que sigui capaç de preveure'n l’evolució futura. En aquesta versió no s’inclouen dades externes com podrien ser noticies relacionades amb les criptomonedes, ni dades d’altres mercats financers. Però en versions futures si que s’afegiran per intentar realitzar prediccions més acurades. 1.3. Stakeholders En aquesta secció es definiran els principals actors en el projecte i les persones o entitats interessades en els resultats del projecte. En definitiva, totes les persones o organitzacions que tenen algun tipus de relació amb el projecte. SlashMobility L'empresa ha estat representada per Emilio Avilés Ávila que s’ha encarregat de supervisar el projecte. Slashmobility s'ha beneficiat i es beneficiarà del projecte coneixent una nova tecnologia que podrà servir en un futur per obrir noves vies de serveis als seus clients. Desenvolupador Normalment, els desenvolupadors del projecte no s’inclouen de forma explícita com a stakeholders ja que generalment només s’encarreguen de realitzar el projecte. Però, en aquest cas, com que el projecte forma part d’un TFG, el desenvolupador també forma part dels stakeholders ja que també s'ha beneficiat i es beneficiarà perquè li servirà per aprendre una nova tecnologia i alhora per completar el grau i obtenir el títol universitari. Usuaris Tot i que el projecte està destinat a fer proves de concepte, qualsevol usuari podrà utilitzar la API resultant i predir pel seu compte el mercat de les criptomonedes. Universitat La Universitat està interessada en que els seus alumnes siguin capaços de realitzar bons projectes realitzant seguiment per part dels professors. 4 2. Estat de l’Art Abans de començar el projecte el primer que es va fer és estudiar en quin estat de coneixement es troba actualment el món del Machine Learning, en concret, del Deep Learning. Per poder analitzar aquest coneixement, es van seguir les explicacions de Kirill Eremenko [3] i Hadelin de Ponteves [4], instructors d’un curs altament valorat a la plataforma de cursos online Udemy [5]. També es va estudiar l’estat de l’Art dels frameworks més comuns en el món del Deep Learning ja que com una de les tasques del projecte es va haver de seleccionar un d'aquests frameworks. Aquesta selecció es va fer agafant com a criteri la senzillesa del framework en línies de codi i la facilitat de trobar informació relacionada amb el seu ús. 2.1. Introducció Primerament explicarem com varem afrontar l’estudi del Deep Learning. Es va començar estudiant què eren les neurones artificials, veient com aprenen i els algoritmes que usen. A continuació començarem parlant de les neurones (artificials). Després parlarem de com funcionen les xarxes neuronals artificials i de com aprenen. També parlarem dels diferents tipus de xarxes neuronals que hi trobem. I finalment, en la darrera secció comentarem els frameworks que s’utilitzen més comunament per resoldre aquest tipus de paradigmes. 2.2. Neurones artificials Les neurones són el bloc més bàsic de les xarxes neuronals artificials. L’objectiu del Deep Learning és emular una neurona real i per fer-ho primer s’ha de conèixer que és una neurona. En la imatge següent (2.2.a), podem veure un esquema senzill d’una neurona: 2.2.a: Imatge d’una neurona real. (extret de [6]) 2.2.b: Imatge d’una neurona artificial. (extret de [6]) Les neurones tenen dues parts diferenciables, les dendrites i l’axó. Ambdós serveixen per per comunicar-se amb altres neurones. Les dendrites són les encarregades d’obtenir informació provinent d’altres cèl·lules mentre que la funció de l’axó és transmetre la informació generada per la neurona a altres neurones. Ara que tenim una visió general de com funciona una neurona real, podem intentar definir com hauria d’actuar una neurona artificial. Per fer-ho ens ajudarem de la imatge anterior (2.2.b). Com podem observar, una neurona artificial hauria de ser capaç de rebre informació (inputs) i generar un resultat 5 (output) tal i com ho fan les neurones reals amb les seves dendrites i el seu axó. A efectes de programació, els inputs seran les nostres variables independents [6] a partir de les quals la nostra neurona generarà una variable dependent [7]. Cada neurona artificial té assignada una funció d’activació on suma els inputs que obté multiplicats per un pes específic. Cal esmentar que una neurona no té perquè tenir en compte tots els inputs que rep i pot utilitzar-ne només un subconjunt determinat. Els inputs han d’haver estat normalitzats i estandaritzats. 2.3. Com funcionen les xarxes neuronals artificials? Una xarxa neuronal està formada per un conjunt de neurones. Fixant-nos en la imatge de més abaix (2.3), podem veure l’esquema més senzill d’una xarxa neuronal. Per una banda tornem a tenir els inputs i l’output i per altra banda tenim una capa de neurones (hidden layer a la imatge) on cada neurona treballa amb uns inputs determinats. Amb els outputs de les neurones es calcula el resultat. 2.3: Imatge d’una xarxa neuronal artificial. (extret de [6]) L'esquema exemple de la figura 2.3 fa referència a prediccions de preus de cases. Per una banda tenim els inputs (metres quadrats, nombre d’habitacions, distància al centre de la ciutat i anys d’antiguitat) i per l’altra banda tenim l’output (preu). Com hem comentat en la secció anterior, cada neurona treballa amb certs inputs, per exemple, la primera neurona treballa amb els metres quadrats de la casa i amb la distància envers el centre de la ciutat. Això vol dir que la xarxa neuronal ha trobat una correlació entre aquestes dues variables que influeix en el preu final de la casa. Aquest exemple es tracta d’una xarxa neuronal simple i a l'hora de la veritat no només hi ha una capa de neurones, sinó que n’hi han moltes, de manera que unes treballen amb els outputs de les altres fins que s’arriba a calcular l’output final. 2.4. Com aprenen les xarxes neuronals artificials? Quan un conjunt de inputs arriba a la xarxa neuronal, cada neurona de la primera capa calcula la seva funció (amb els inputs assignats a aquesta i els seus pesos). Els outputs de la primera capa passen a la segona i així fins que obtenim el output final. Un cop tenim 6 l’output final, es calcula la desviació (diferència entre el valor real i el valor predit per la neurona)[8] del marge d’error de la predicció envers al resultat real i a partir d’aquesta desviació, la xarxa reajusta els pesos assignats als diferents inputs. Si es troba una nova manera de calcular possibles resultats, s’afegeix noves neurones a la xarxa. A continuació, explicarem més en detall com funcionen els algoritmes de Stochastic Gradient Descent [9] i de Backpropagation [10]. Stochastic Gradient Descent Abans de tot, parlarem del Normal Gradient Descent [11]. Aquest algoritme consisteix en agafar totes les entrades de dades i fer-les passar per la xarxa neuronal. Després sumar totes les desviacions generades per cada entrada, calcular el mínim fent zig zag com podem veure a la imatge 2.4.a i actualitzar després els pesos dels inputs. 2.4.a: Batch gradient descent en funció convexa. 2.4.b: Batch gradient descent en funció no convexa. (extret de [6]) (extret de [6]) Aquest algoritme té un problema, i ve representat per la imatge 2.4.b, el normal gradient descent (o Batch gradient descent) només és fiable si la funció que segueix la desviació és convexa ja que sinó podem arribar a mínims parcials, i en el món real les funcions no acostumen a ser convexes. A partir d’aquesta observació, va sorgir l’anomenat Stochastic Gradient Descent, on en comptes de passar tota la base de dades alhora, es passa fila per fila i en ordres aleatoris. Després de passar cada fila, es calcula la desviació d’aquesta fila i s’actualitzen els pesos dels inputs. En el cas del Batch, sempre obtendríem el mateix resultat, però en el Stochastic sempre seran diferents. També, una de les diferències és que l’Stochastic és més ràpid que el Batch ja que no carrega tantes dades. Per últim, comentar que existeix una solució intermèdia anomenada Minibatch Gradient Descent. Aquesta solució és una barreja de les dues explicades on el que es fa és formar paquets de files de 5, 10, 100… (a definir pel programador) i actualitzar els pesos dels inputs desprès de cada paquet. Backpropagation Fins ara hem parlat diversos cops sobre que els pesos dels inputs s’han de reajustar, és en aquest moment on entra en acció l’algoritme de Backpropagation. Backpropagation és un algoritme complex i avançat que ens permet actualitzar tots els pesos de manera simultània. Sense aquest algoritme, els pesos s’haurien d’ajustar manualment i independentment i seria difícil saber quin pes està provocant l’error en la desviació. Gràcies al backpropagation 7 podem saber quin o quins pesos estan afectant a l’error i ajustar-los tots alhora, no entrarem més en detall ja que les matemàtiques que hi han al darrera són bastant complexes. 2.5. Tipus de xarxes neuronals La xarxa neuronal més bàsica consisteix en el què s’ha explicat fins ara. No obstant, existeixen dues evolucions més complexes per tal de resoldre problemes més específics que una xarxa neuronal artificial normal no pot. Aquestes dues evolucions són: ● Xarxes neuronals convolucionals: aquest tipus de xarxes utilitzen funcions convolucionals per poder reconèixer imatges, elaborar sistemes de recomanació i processat del llenguatge. ● Xarxes neuronals recurrents: aquest tipus de xarxes modifiquen les connexions bàsiques entre neurones habilitant cicles entre elles simulant, així, la memòria a curt plaç que tenen les xarxes neuronals humanes. Aquests tipus de xarxes s’utilitzen per intentar predir valors que depenen de cicles de temps. 2.6. Deep Learning Frameworks En aquesta secció comentarem els diferents frameworks que podem trobar actualment per implementar solucions de Deep Learning. Aquests frameworks son TensorFlow [12], Theano [13], Keras [14], Torch [15] i Caffe [16]. A continuació anirem comentant-los un per un: TensorFlow TensorFlow és una llibreria open source per a computació numèrica que utilitza gràfics de flux de dades. Els diferents nodes del graf representen operacions matemàtiques, mentre que les arestes representen matrius multidimensionals de dades (tensors) que flueixen entre nodes. Aquesta arquitectura flexible ens permet desplegar computació en una o més unitats centrals de processament (CPU) o unitats de process gràfic (GPU) en un ordinador, servidor o dispositiu mòbil sense reescriure codi. TensorFlow va ser desenvolupat per investigadors i enginyers que treballaven per a Google’s Machine Intelligence Research amb l’objectiu de portar el Machine Learning i el Deep Learning més enllà. Theano Theano és una llibreria open source de Python que ens permet definir, optimitzar i avaluar expressions matemàtiques que utilitzen matrius multidimensionals. Les característiques principals de Theano són: ● Bona integració amb NumPy. ● Ús transparent de GPU. ● Diferenciació simbòlica eficient. ● Possibilitat d'optimitzacions en velocitat i estabilitat. 8 ● Eines de seguiment: pel que fa a les eines de seguiment, l’ús d’aquestes ha estat del 100% ja que s’han utilitzat tant Jira, com Bitbucket, com Asana. Tot i que Asana ha estat en menor mesura. ● Mètode de validació: en aquesta secció es definien les reunions bisetmanals i diàries ja comentades. Pel que fa als correus electrònics, sempre han estat disponibles i les respostes han estat molt ràpides. 15 4. Planificació temporal 4.1. Delimitació temporal El projecte ha tingut una durada d’uns quatre mesos aproximadament. Aquest període es va iniciar amb el començament de l’assignatura GEP a finals de febrer i ha finalitzat al juny amb la defensa del TFG. La defensa del TFG, com hem comentat, està situada temporalment a finals de juny, però la planificació va intentar que el projecte finalitzés a principis de juny per tal de preparar la defensa adequadament. No obstant, la planificació també ha tingut en compte els possibles imprevistos que podien sorgir i ha deixat marges de temps en les tasques per poder afrontar-los. Si aquestos imprevistos són nombrosos, el temps reservat per a la defensa del projecte es veuria reduït. En la secció següent es defineixen les diferents tasques que formen part de la planificació. 4.2. Descripció de les tasques En aquesta secció es defineixen les diferents tasques que apareixen al diagrama de Gantt de la secció 4.4. Abans però, cal recordar que aquest projecte es realitza seguint una metodologia àgil (SCRUM) que permet que les planificacions variïn segons com avanci el projecte i, per tant, la planificació original no s’ha complert al 100%, i s’indiquen els canvis que han anat sorgint. 4.2.1. Planificació del projecte És una de les fases més importants del treball ja que aquí és on es van definir tots els aspectes del projecte en quan a què i com es realitzaria, des de l’abast i els seus objectius finals fins a la seva planificació detallada, el seu pressupost i un estat de l’art inicial. Aquesta fase va estar formada bàsicament per les diferents entregues de GEP i un cop finalitzada seria molt més fàcil per al projecte fer-li el seguiment i implementar-lo. Aquesta fase va estar inicialment pensada per a que durés des del 25 de febrer fins al 9 d’abril i en global s’ha complert adequadament, tot i que algunes de les tasques sí que han patit variacions de temps respecte la planificació inicial. Les diferents tasques que inclou aquesta fase són: Abast Aquesta tasca té una durada de 7 dies (des del 25/02/18 fins el 05/03/18). Durant aquests dies es defineixen el context, l’abast, i la metodologia a seguir en el projecte. L’objectiu final és que siguem capaços de saber què i com farem el projecte. Aquesta tasca es va realitzar seguint la planificació inicial. 16 Planificació temporal Aquesta tasca té una durada de 7 dies (des del 05/03/18 fins el 13/03/18). Durant aquests dies es defineix la planificació del projecte, amb el seu diagrama de Gantt i les corresponents descripcions de les tasques que hi apareixen. També es defineixen els recursos que s’haurien d’utilitzar per dur a terme el projecte. Aquesta tasca va sortir de la planificació inicial i es va finalitzar amb un dia de retard, per tant, la tasca va durar 8 dies (des del 05/03/18 fins el 14/03/18). Pressupost i sostenibilitat Aquesta tasca té una durada de 5 dies (des del 13/03/18 fins el 19/03/18). Durant aquests dies es realitzen una anàlisi de la sostenibilitat i una estimació dels costos del projecte. Aquesta tasca va sortir de la planificació inicial i es va finalitzar amb 2 dies de retard, per tant, la tasca va durar 7 dies (des del 14/03/18 fins el 22/03/18). Presentació preliminar Aquesta tasca té una durada de 5 dies (des del 19/03/18 fins el 25/03/18). Durant aquests dies s’elabora una presentació oral de tres minuts enregistrada en vídeo. En aquesta gravació s’exposen els continguts de les fases anteriors. Aquesta tasca va sortir de la planificació inicial i es va finalitzar amb 1 dia de retard, per tant, la tasca va durar 6 dies (des del 22/03/18 fins el 29/03/18). Entrega especialitat Aquesta tasca té una durada de 6 dies (des del 25/03/18 fins el 01/04/18). Durant aquests dies es reflexiona i es justifica la tria de les competències tècniques del projecte i l’adequació del mateix a les característiques de l’especialitat. Aquesta tasca va modificar la planificació inicial i es va finalitzar amb 4 dies d’antelació, per tant, la tasca va durar 2 dies (des del 29/03/18 fins el 01/04/18). Document final Aquesta tasca té una durada de 7 dies (des del 01/04/18 fins el 09/04/18) i es realitzarà conjuntament amb l’anterior. L’objectiu és millorar els lliuraments realitzats fins aleshores amb els comentaris tant dels professors de GEP com de la ponent i generar un document únic final que inclogui tots els anteriors. Aquesta tasca es va realitzar seguint la planificació inicial. 4.2.2. Anàlisi del software Durant aquesta fase es pren la majoria de decisions sobre el projecte. Decisions com quin tractament s’aplica a les dades de la base de dades de les criptomonedes o quin framework s’escolleix d’entre els definits a l’estat de l’art. També es fa un estudi extensiu sobre la matèria del TFG, en aquest cas, el Deep Learning. Aquesta fase estava inicialment pensada per a que durés des del 9 d’abril fins el 3 de maig, però degut a l’avançament d’algunes tasques, la fase va acabar el 20 d’abril. Les diferents tasques que inclou són: 17 Investigació sobre Deep Learning Aquesta tasca té una durada de 7 dies (des del 09/04/18 fins el 17/04/18). Durant aquests dies es realitzen cursos sobre Machine Learning i Deep Learning i s’entra en el detall dels algoritmes que apliquen les xarxes neuronals. També s’aprèn a programar i entrenar una xarxa neuronal. Aquesta tasca es va realitzar amb antelació i per tant no es van necessitar de dies per dur-la a terme. Aquesta investigació es va dur a terme durant la primera fase en hores no planificades per fer-ho. Anàlisi de la base de dades Aquesta tasca té una durada de 7 dies (des del 17/04/18 fins el 25/04/18). Durant aquests dies es realitza un estudi de la base de dades del mercat de les criptomonedes i es decideix quines dades són útils per a la xarxa neuronal i com es tracten per tal que siguin vàlides pels algoritmes. També es realitza el tractament de dades, normalitzant-les per afavorir l’execució dels algoritmes. Aquesta tasca es va realitzar en 2 dies (des del 09/04/18 fins el 12/04/18). no seguint així la planificació inicial. Elecció del framework Aquesta tasca té una durada de 7 dies (des del 25/04/18 fins el 03/05/18). Durant aquests dies es realitzen proves de concepte de tots els frameworks explicats a l’estat de l’art i s’escolleig aquell que millor s’adapta als interessos de la xarxa neuronal que hem de desenvolupar. Degut a la gran comunitat i la senzillesa del codi ens decantem per utilitzar Keras i TensorFlow. Aquesta tasca es va realitzar seguint la planificació inicial i va durar 7 dies (des del 12/04/18 fins el 20/04/18). 4.2.3. Implementació del software Aquesta és la fase que inclou tota la càrrega pràctica del projecte. Aquí s’implementa, s’entrena i es posa a prova la xarxa neuronal. També és la fase que més inconvenients pot generar per la falta d’experiència en la matèria. Aquesta fase estava inicialment pensada per a que durés des del 3 de maig fins el 27 del mateix mes, però l’entrenament de la xarxa neuronal no va ser tan acurat com esperàvem i es va haver d’iterar entre entrenament i posada a prova fins obtenir resultats satisfactoris, aquesta prolongació va fer que la fase durés des del 20/04/18 fins el 21/05/18). Les diferents tasques que inclou són: Programació de la xarxa neuronal Aquesta tasca té una durada de 7 dies (des del 03/05/18 fins el 11/05/18). Durant aquests dies es programa la xarxa neuronal seguint els coneixements apresos i el framework escollit en la fase anterior. Aquesta tasca es va realitzar seguint la planificació inicial i va durar 7 dies (des del 20/04/18 fins el 28/04/18). Entrenament de la xarxa neuronal Aquesta tasca té una durada de 7 dies (des del 11/05/18 fins el 19/05/18). Durant aquests dies s’entrena la xarxa neuronal seguint els coneixements apressos en la fase anterior i amb 18 les dades extretes de la base de dades del mercat de les criptomonedes. Aquesta tasca es va realitzar seguint la planificació inicial i va durar 7 dies (des del 28/04/18 fins el 06/05/18). Posada a prova de la xarxa neuronal Aquesta tasca té una durada de 7 dies (des del 19/05/18 fins el 27/05/18). Durant aquests dies es posa a prova la xarxa neuronal comparant els resultats que la xarxa neuronal prediu per al primer trimestre del 2018 amb els valors reals d’aquest. Aquesta tasca va durar més del planificat inicialment degut a que les prediccions no eren gaire acurades i es va haver d’iterar l’entrenament de la xarxa neuronal amb posades a prova fins aconseguir prediccions més acurades. Al final aquesta iteració va ocupar 14 dies (des del 06/05/18 fins el 21/05/18). 4.2.4. Programació web Aquesta fase no estava prevista inicialment, però arribats al punt de finalització de la fase anterior amb un marge de 6 dies i restant només la memòria final, es va optar per programar una petita web per mostrar els resultats obtinguts per la xarxa neuronal en front de les dades reals. Aquesta fase va durar 7 dies (des del 21/05/18 fins el 28/05/18) i només inclou una tasca, la programació de la web. 4.2.4. Preparació final Aquesta fase consisteix en unificar tota la documentació generada de forma ben estructurada i preparar la defensa del TFG. Es realitza un cop acabada la fase d’implementació, i inicialment anava a durar des del 27 de maig fins la data de la presentació final del projecte. Al final, aquesta fase va començar un dia tard però es va finalitzar correctament (des del 28/05/18 fins el 26/06/18). 4.3. Estimació temporal A continuació trobem un resum de les tasques del projecte amb les hores planificades inicialment i les hores que s’han utilitzat. Es pot observar que les hores de la fase de planificació del projecte i de preparació final tenen la meitat de dedicació que la resta ja que durant aquestes fases no s’utilitzen hores d’empresa per realitzar-les Fase Tasca Hores planificaci ó Hores reals Planificació del projecte Abast 28 28 Planificació temporal 28 32 Pressupost i sostenibilitat 20 28 Presentació preliminar 20 24 Entrega especialitat 24 8 19 Document final 28 28 Anàlisi del software Investigació sobre Deep Learning 56 0 Anàlisi de la base de dades 56 16 Elecció del framework 56 56 Implementació del software Programació de la xarxa neuronal 56 56 Entrenament de la xarxa neuronal 56 56 Posada a prova de la xarxa neuronal 56 112 Programació Web 0 56 Preparació final 28 28 Total 512 528 4.3.a. Taula comparativa d’estimació en hores per tasca i hores reals. [creació pròpia] 20 4.4. Diagrama inicial de Gantt 4.4.a. Diagrama de Gantt. [creació pròpia] 21 4.5. Recursos utilitzats En aquest capítol es defineixen els recursos planificats i els que s’han utilitzat per realitzar el projecte, ja siguin humans, materials o software. 4.5.1. Recursos humans Durant la realització del treball es necessiten diferents rols per dur a terme cadascuna de les tasques. Aquests rols són: ● Cap de projecte (C): Un cap de projecte, project manager o encarregat de projecte, és la persona que té la responsabilitat total del planejament i l'execució fins a l'acabament de qualsevol projecte. ● Analista (A): L’Analista és la persona que realitza les funcions d’anàlisi funcional i tècnica d’un projecte. Amb els seus coneixements es fixa la pila tecnològica i els requeriments funcionals. ● Programador (Pg): És un especialista en informàtica que és capaç d'elaborar sistemes informàtics, així com d’implementar-los, utilitzant un o més llenguatges de programació. ● Provador (Pv): És la persona que posa a prova un software amb l’objectiu de comprovar el seu funcionament i augmentar la seva qualitat. A la taula següent observem el grau d’implicació dels diferents rols en el projecte segons el nombre d’hores que es van planificar que dedicaríen a cada tasca: Fase Tasca C (hores) A (hores) Pg (hores) Pv (hores) Hores Planificació del projecte Abast 20 8 - - 28 Planificació temporal 20 8 - - 28 Pressupost i sostenibilitat 10 10 - - 20 Presentació preliminar 10 10 - - 20 Entrega especialitat 14 10 - - 24 Document final 20 8 - - 28 Anàlisi del Investigació sobre 6 25 25 - 56 22 software Deep Learning Anàlisi de la base de dades 6 40 10 - 56 Elecció del framework 6 30 20 - 56 Implementació del software Programació de la xarxa neuronal 6 10 40 - 56 Entrenament de la xarxa neuronal 6 10 40 - 56 Posada a prova de la xarxa neuronal 6 5 5 40 56 Preparació final 14 14 - - 28 Total 144 188 140 40 512 4.5.1.a. Taula estimació hores segons rols. [creació pròpia] A la taula següent observem el grau d’implicació dels diferents rols en el projecte segons el nombre d’hores que s’han dedicat a cada tasca: Fase Tasca C (hores) A (hores) Pg (hores) Pv (hores) Hores Planificació del projecte Abast 20 8 - - 28 Planificació temporal 22 10 - - 32 Pressupost i sostenibilitat 14 14 - - 28 Presentació preliminar 12 12 - - 24 Entrega especialitat 5 3 - - 8 Document final 20 8 - - 28 Anàlisi del software Investigació sobre Deep Learning 0 0 0 - 0 Anàlisi de la base de dades 2 10 4 - 16 Elecció del framework 6 30 20 - 56 23 Implementació del software Programació de la xarxa neuronal 6 10 40 - 56 Entrenament de la xarxa neuronal 6 10 40 - 56 Posada a prova de la xarxa neuronal 12 5 45 50 112 Programació Web 6 5 45 - 56 Preparació final 14 14 - - 28 Total 145 139 194 50 528 4.5.1.b. Taula d’hores reals segons rols. [creació pròpia] 4.5.2. Recursos materials Durant la realització del treball s’han utilitzat diferents recursos materials per desenvolupar i implementar el projecte. Els recursos materials que s’han identificat són: ● Ordinador portàtil (O): És un dels recursos materials més importants i serveix per implementar el codi del projecte, per escriure la memòria del treball i realitzar les validacions. ● Servidor (S): És on s’allotja el projecte i roman en funcionament. ● Espai d’oficina (EO): És el lloc on es duu a terme moltes de les hores dedicades al projecte i està situat a les oficines de l’empresa. ● Espai de l’habitatge (EH): És el lloc de la residencia personal on es duru a terme la resta d’hores que no formen part de les hores d’empresa dedicades al projecte. ● Pantalla (P): És l’element addicional de l’espai d’oficina on es pot connectar el portàtil per treballar més còmodament. A la taula següent es defineix l’ús de cada recurs segons la planificació inicial i per tasca descrita prèviament: Fase Tasca O S EO EH P Planificació del projecte Abast Sí No No Sí No Planificació temporal Sí No No Sí No Pressupost i sostenibilitat Sí No No Sí No 24 ●Epochs: És el nombre de vegades que es passen les dades a la xarxa neuronal per tal d’entrenar-la. ●Batch: És el nombre d’entrades que entren a la xarxa paral·lelament. Per a escollir els valors dels diferents paràmetres es van realitzar els passos següents : Primer es va decidir utilitzar només les dades del bitCoin per realitzar els ajustaments dels paràmetres. L’objectiu d’aquesta decisió era reduir el temps d’entrenament de la xarxa neuronal. A continuació es van fixar tots els valors i es van realitzar proves d’entrenament modificant els paràmetres un per un. El primer valor a provar era el nombre de capes per el que passaran les dades. Es van realitzar proves amb 2, 4 i 8 capes. El resultat va ser: 5.2.a 8 capes (R^2 de 63%) [creació pròpia] 5.2.b. 2 capes (R^2 de 40%) [creació pròpia] 5.2.c 4 capes (R^2 de 72%) [creació pròpia] 31 Com es pot observar a les gràfiques 5.2.a,5.2.b i5.2.c els resultats han estat de 63%, 40% i 72% de R^2 per a 8, 2 i 4 capes respectivament. Amb aquestes dades deduïm que el millor nombre de capes per aquest problema concret és 4. A més a més, si ens fixem en les tendències de les línies de les prediccions (línies taronges), l’intent que més ha captat la tendència real (línies blaves) ha estat amb 4 capes de neurones. Per a la resta de paràmetres es va utilitzar un avaluador que proporciona el framework Keras per triar la millor combinació de paràmetres. Aquesta funcionalitat permet definir els valors a provar i executa totes les combinacions. Keras retorna la combinació amb l’R^2 més elevat. Els valors que es van provar van ser: Paràmetre Valors Nombre de dies 30, 60, 120 Optimitzador Adam, RMSprop Nombre de neurones 50, 100, 200 Epochs 50, 100, 200, 500 Batch 12, 25, 32, 56 5.2.d Taula de valors analitzats. [creació pròpia] El resultat del avaluador més el paràmetre anterior va ser: Paràmetre Valor final Nombre de dies 60 Optimitzador Adam Nombre de neurones 50 Epochs 100 Batch 32 Capes de neurones 4 5.2.e Taula de millors valors. [creació pròpia] Un cop es van obtenir els paràmetres més òptims segons l’avaluador de Keras, es va predir la criptomoneda bitCoin amb l’objectiu de comprovar que l’R^2 obtingut era suficientment bo. A la gràfica 5.2.f es pot observar aquesta predicció que va donar un R^2 de 72%. Donat que l’avaluador només es queda amb la millor combinació que troba no hem pogut conèixer els R^2 de la resta de combinacions. La possibilitat de provar totes les combinacions manualment es va descartar ja que el pròpi avaluador va trigar més de 3 dies sencers en realitzar-les totes. Tot i així els resultats són coherents i a continuació s’explica el perquè de cadascun: 32 ● Nombre de dies: amb un nombre petit de dies la xarxa no té suficients variables per trobar correlacions entre elles. En canvi, massa dades fan que els pesos de les variables quedin tan repartits que no es creen tendències. És per això que l’avaluador va donar un resultat intermig en el nombre de dies. ● Optimitzador: es van provar els dos optimitzadors que proporciona Keras per a les xarxes neuronals recurrents. El resultat no ha estat analitzat ja que no s’ha entrat en detall en el funcionament d’ambdòs optimitzadors. ● Nombre de neurones: en aquest cas el resultat va ser millor per a capes amb menys neurones ja que fixen menys els càlculs que es realitzen i donen més marge per a posibles increments o decrements de tendències. ● Epochs: un altre cop un valor intermig va sortir com a paràmetre més òptim. En aquest cas és degut a que moltes iteracions de les dades donen menys marges per increments o decrements sobtats de tendències. En canvi, poques iteracions fan que les prediccions siguin poc acurades ja que no s’han analitzat suficient les dades. ● Batch: en aquest paràmetre creiem que qualsevol valor hagués donat un resultat similar ja que només afecta al nombre de dades que entren paral·lelament a la xarxa. 5.2.f Paràmetres òptims (R^2 de 72%) [creació pròpia] 5.3. Selecció de les dades Un cop el model de xarxa neuronal havia quedat definit es va procedir a seleccionar la millor combinació de dades. Per aquesta part, es va decidir provar a entrenar la xarxa neuronal de diferent maneres: ● Utilitzar totes les dades de totes les criptomonedes ● Entrenar una xarxa neuronal per cada criptomoneda amb les seves dades. ● Seleccionar un subconjunt de les criptomonedes en funció de l’antiguitat d’aquesta. 33 5.3.1. Totes les dades En aquesta prova es va entrenar la xarxa neuronal amb totes les dades de totes les criptomonedes disponibles. El resultat no va ser gaire bo ja que hi han moltes criptomonedes molt noves que no tenen cap recorregut i alteren les tendències. Com podem veure a la gràfica 5.3.1, Les prediccions són bastant caòtiques generant massa alts i baixos que s’escapen massa de les dades reals. Un exemple important és la dada del 11 de gener on hi trobem una diferència de gairebé 10000 $ entre la predicció i el valor real, aquest marge d’error és massa gran com per donar com a bona la predicció. 5.3.1 Predicció amb entrenament de totes les dades (R^2 de 47%) [creació pròpia] 5.3.2. Dades individuals En aquesta prova es va entrenar una xarxa neuronal per cada criptomoneda. El resultat va ser bastant bo ja que cada moneda aprèn de les seves tendències pròpies. Com es pot veure a la gràfica 5.3.2, la tendencia que segueix la línea de la predicció s’aproxima bastant a la línia de les dades reals i el marge d’error es troba al voltant dels 2000 $. Tot i que el marge d’error és alt la predicció de la tendència és acurada. 34 5.3.2 Predicció amb les dades de la pròpia criptomoneda (R^2 de 72% per al bitCoin) [creació pròpia] 5.3.3 Dades de les criptomonedes més antigues i importants En aquesta prova s’utilitzen les dades de les criptomonedes més antigues i importants per entrena la xarxa neuronal. Aquestes criptomonedes han estat bitCoin i Ethereum. El resultat ha estat molt bo ja que són les dues criptomonedes que més afecten al mercat financer de les criptomonedes degut que han ocupat entre les dues més del 80% del mercat. Com es pot observar a la gràfica 5.3.3, la tendència de les prediccions és molt acurada, és a dir, detecta que el valor puja i baixa quan ha de fer-ho. El marge d’error volta els 1000 $, en comparació amb les proves anteriors aquest és el millor marge d’error. 5.3.3 Predicció amb les dades de bitCoin i Ethereum (R^2 de 83%) [creació pròpia] 35 5.3.4 Conclusions Un cop realitzades totes les proves anteriors es decideix a utilitzar només les dades de bitCoin i Ethereum per entrenar la xarxa neuronal. Aquesta decisió es fixa per la resta del projecte ja que no es creu que es puguin millorar més les prediccions amb les dades en disposició. 5.4. Creació de la web Degut a que el projecte base es finalitza amb un petit marge de temps es decideix implementar una web que mostri els resultats obtinguts per la xarxa neuronal. Aquesta web es tracta d’una web simple sense disseny que té com a objectiu mostrar informació. La web es programa en Angular 5 més Bootstrap 4 degut al coneixement que es té sobre aquests frameworks. Aquesta web conté: ● Un selector de les deu criptomonedes més importants actualment. ● Una secció per posar a provar la xarxa neuronal envers les dades reals mitjançant prediccions a valors únics. ● Una secció per poder predir qualsevol data futura. 5.4.1. Casos d’ús A continuació es defineixen els casos d’ús de les funcionalitats que podran utilitzars els usuaris: ● Prova de prediccions: ○ Nom: Prova de prediccions ○ Responsabilitat: Un usuari podrà consultar les prediccions a valor únic que realitza la xarxa neuronal. ○ Precondicions: L’usuari indica una criptomoneda de les top 10 del mercat criptofinancer. ○Postcondicions: Se li mostrarà a l’usuari un gràfic comparatiu entre els valors reals i els valors predits per la xarxa. També se li mostrarà l’R^2 obtingut. ○Excepcions: La criptomoneda indicada no existeix o no consta en les dades amb que s’ha entrenat la xarxa neuronal. ○Funcionament: La funcionalitat crida al model de Keras i realitza les prediccions al moment. Per provar la xarxa s’agafen els últims 60 dies més els valors reals fins al 25 de març de 2018. ● Prediccions futures: ○ Nom: Prediccions futures ○ Responsabilitat: Un usuari podrà consultar les prediccions de la xarxa neuronal fins a una data concreta. 36 ○ Precondicions: L’usuari indica una criptomoneda de les top 10 del mercat criptofinancer. ○Postcondicions: Se li mostrarà a l’usuari un gràfic amb els valors predits per la xarxa neuronal. ○Excepcions: La criptomoneda indicada no existeix o no consta en les dades amb que s’ha entrenat la xarxa neuronal. ○Funcionament: La funcionalitat crida al model de Keras i realitza les prediccions al moment. S’agafen els últims valors dels 60 dies anteriors per predir el primer dia. Després es comencen a utilitzar els valors resultats de les prediccions per realitzar les següents fins arribar al dia indicat per l’usuari. 5.4.1 Diagrama de casos d’ús [Creació pròpia] 5.4.2. Resultat de la web El resultat de la programació de la web es mostra en format de captures de pantalla de totes les vistes: ● Pàgina principal: 5.4.2.a Pàgina principal de la web [creació pròpia] 37 ● Secció de prediccions de valors únics: 5.4.2.b Secció de prediccions de valor únic. [creació pròpia] ● Secció de prediccions futures: 5.4.2.c Secció de prediccions futures. [creació pròpia] 38 6. Resultat de les prediccions En aquest capítol es mostren els resultats de totes les prediccions de valors únics i la comparativa amb les prediccions futures. bitCoin 6.a Prediccions a valor únic bitCoin (R^2 de 83%) [creació pròpia] 6.b Prediccions futures bitCoin (fins el 25 de juny de 2018) [creació pròpia] En la gràfica 6.a podem observar que el marge d’error entre els valors reals i els valors predits no supera els 1000 $ per a valors que es mouen entre els 8000 $ i els 18000 $. A la 39 gràfica 6.b es pot observar que l’error acumulat de les prediccions fa que s’estableixi un límit de valors en 30000 $. Per últim es pot veure que l’R^2 d’aquesta predicció és del 83%. Ethereum 6.c Prediccions a valor únic Ethereum (R^2 de 84%) [creació pròpia] 6.d Prediccions futures Ethereum (fins el 25 de juny de 2018) [creació pròpia] En la gràfica 6.c podem observar que el marge d’error entre els valors reals i els valors predits no supera els 100 $ per a valors que es mouen entre els 500 $ i els 1400 $. A la gràfica 6.d es pot observar que l’error acumulat de les prediccions fa que s’estableixi un límit de valors en 1250 $. Per últim es pot veure que l’R^2 d’aquesta predicció és del 84%. 40 NEM 6.q Prediccions a valor únic NEM (R^2 de 89%) [creació pròpia] 6.r Prediccions futures NEM (fins el 25 de juny de 2018) [creació pròpia] En la gràfica 6.q podem observar que el marge d’error entre els valors reals i els valors predits no supera els 0.2 $ per a valors que es mouen entre els 0.3 $ i els 1.8 $. A la gràfica 6.r es pot observar que l’error acumulat de les prediccions fa que s’estableixi un límit de valors en 1.6 $. Per últim es pot veure que l’R^2 d’aquesta predicció és del 89%. 47 IOTA 6.s Prediccions a valor únic IOTA (R^2 de 91%) [creació pròpia] 6.t Prediccions futures IOTA (fins el 25 de juny de 2018) [creació pròpia] En la gràfica 6.s podem observar que el marge d’error entre els valors reals i els valors predits no supera els 1 $ per a valors que es mouen entre els 1 $ i els 4.1 $. A la gràfica 6.t es pot observar que l’error acumulat de les prediccions fa que s’estableixi un límit de valors en 8 $. Per últim es pot veure que l’R^2 d’aquesta predicció és del 91%. 48 7. Autoavaluació del domini actual de la competència de sostenibilitat. Per començar, faré una anàlisi sobre el coneixement actual que tinc sobre la competència de sostenibilitat basant-nos en l’enquesta que se’ns ha demanat [17]. A gran trets, l’enquesta avalua tres aspectes sobre les sostenibilitats ambiental, econòmica i social: nivell de coneixement de les problemàtiques de l’àrea, capacitat d’identificar-les en els projectes i capacitat de proposar solucions en els projectes que les tinguin en compte. Sobre el nivell de coneixement de les problemàtiques, crec que, tot i que no és el més avançat, hem adquirit els coneixements suficients al llarg de les diferents matèries del grau. Sobretot en casos com el meu on he participat en assignatures optatives com ASMI (Aspectes Socials i Mediambientals de la Informàtica) que tracta en gran mesura aquests aspectes. On crec que hi ha la meva major manca de coneixements és en l'identificació de les problemàtiques relacionades amb la sostenibilitat en els projectes. Això pot ser degut a que durant els cursos de grau on s'ha tractat se'ns ha fet analitzar de manera teòrica les implicacions d’una implementació però ha sigut poc habitual que se’ns demani que afegim identificadors de sostenibilitat per tal d’analitzar-los. És interessant aquesta enquesta ja que ens fa pensar i avaluar aquests aspectes que normalment no tenim en compte. Per últim, crec que el meu punt més fort és la capacitat de proposar solucions sostenibles per als reptes. Tot i que a primera vista no té gaire sentit pel comentat en el punt anterior, si ho analitzem detingudament si que el té. Durant el grau aprenem a ser capaços de trobar solucions als problemes que apareixen a diari i per tant, si abans de realitzar un projecte ens parem a analitzar la seva sostenibilitat hauríem de ser capaços de trobar aquelles solucions que millor s’hi adaptin. A mode de conclusió, puc dir que el meu punt feble és dissenyar identificadors de sostenibilitat en els projectes amb l’objectiu que indiquin el grau de sostenibilitat que té i el meu punt fort és trobar solucions sostenibles a les problemàtiques dels projectes. 49 8. Pressupost Una vegada planificat el projecte, es va fer un estudi dels costos que comportaria la realització del mateix per poder fer-ne un pressupost i planificar les despeses. També es van analitzar les possibles desviacions que podien sorgir en el pressupost. Al llarg d’aquest capítol podem veure la comparativa entre els pressuposts planificats i les despeses reals. 8.1. Estimació de costos Per poder realitzar una estimació adequada es van definir els elements següents: Costos directes A continuació podem observar una taula que mostra les hores dedicades per cada rol i el cost per hora segons la planificació inicial. No s’afegeixen costos de software ja que tots són gratuïts. Rol Hores Cost/hora [18] Total Cap de projecte 144 28,75 € 4140 € Analista 188 16,75 € 3149 € Programador 140 15,00 € 2100 € Provador 40 15,00 € 600 € Total 9989 € 8.1.a. Estimació de costos directes segons cada rol. [creació pròpia] A continuació podem observar una taula que mostra les hores reals dedicades per cada rol i el cost per hora. No s’afegeixen costos de software ja que tots són gratuïts. Rol Hores Cost/hora [18] Total Cap de projecte 145 28,75 € 4170 € Analista 139 16,75 € 2330 € Programador 194 15,00 € 2910 € Provador 50 15,00 € 750 € Total 10160 € 8.1.b. Costos directes reals segons cada rol. [creació pròpia] 50 Costos indirectes A continuació veurem la taula que mostra les despeses generades indirectament pel projecte segons la planificació inicial. Nom Temps Cost Total Electricitat 512 hores 0,17 / hora € 87,04 € Transport (T-Jove) [19] 3 mesos 105 € 105 € Servidor [20] 3 mesos 16,28 € / mes 48,84 € Internet + telèfon [21] 3 mesos 33,06 € / mes 99,18 € Aigua 3 mesos 18,28 € / mes 54,84 € Lloguer + assegurança 3 mesos 800 € / mes 2400 € Total 3035,78 € 8.1.c. Estimació de costos indirectes segons cada recurs. [creació pròpia] A continuació veurem la taula que mostra les despeses reals generades indirectament pel projecte. Nom Temps Cost Total Electricitat 528 hores 0,17 / hora € 89,76 € Transport (T-Jove) [19] 3 mesos 105 € 105 € Servidor [20] 0 16,28 € / mes 0 € Internet + telèfon [21] 3 mesos 33,06 € / mes 99,18 € Aigua 3 mesos 18,28 € / mes 54,84 € Lloguer + assegurança 3 mesos 800 € / mes 2400 € Total 2748,78 € 8.1.d. Costos indirectes reals segons cada recurs. [creació pròpia] Amortitzacions A continuació avaluem les diferents reduccions en els valors dels productes segons les amortitzacions. L’amortització relativa fa referència als mesos que durarà el projecte que serà un trimestre (33% / 4 = 8,25%).: 51 Nom Preu (€) Amortització anual Amortització relativa Amortització (€) Portàtil Hp pavilion [22] 999,90 33% 8,25% 83,32 Monitor Dell [23] 150,04 33% 8,25% 12,50 Total 1140,94 95,82 8.1.e. Estimació d’amortitzacions. [creació pròpia] En el cas de les amortitzacions el cost real i el cost planificat has estat els mateixos. 8.2. Control de gestió Els valors calculats fins ara no permetien cap desviació ni cap error, ja que es suposa que tot sortirà exactament com s’ha planejat. Si el projecte s’acabés abans del previst, la resta d’hores planificades es dedicarien a millorar la feina realitzada o a incloure noves funcionalitats. Altrament, si el projecte necessités més hores trobaríem que el pressupost calculat no és suficient. Desviació del temps Com hem comentat anteriorment, si en l’última iteració del projecte no s’assoleixen els objectius especificats, es consideraria dedicar més hores al desenvolupament d’aquest. Per tenir un cert marge en el pressupost es van calcular que aquestes hores addicionals podien arribar a ser fins un 10% de les hores planificades. Això resultaria en un augment d’unes 51 hores com a màxim que farien afegir al pressupost 768 euros. Avaria en l’ordinador o pantalla Un dels possibles imprevistos que podien sorgir i afectar al pressupost era una avaria en el portàtil on es realitzava el projecte. En aquest cas, s’hauria d’haver comprat un de nou i recalcular l’amortització de nou. Suposant que aquest imprevist hagués aparegut a meitat de la planificació, hagués implicat una amortització de un mes i mig que es traduïa en 41,66 euros addicionals. En cas que l’avaria s’hagués produït en la pantalla el cost addicional hagués estat 6,25 euros. Contingència Per últim, per assegurar cobrir altres despeses que no s’haguessin pogut planificar, es va aplicar un percentatge de contingències al cost total del projecte, així s’assegurava un compliment molt més fiable del pressupost que en cap cas es superaria. Es va decidir que el marge de contingències fos del 5%. 52 8.3. Pressupost final Un cop s’havien tingut en compte tots els costos i imprevistos, el pressupost final planificat inicialment que vam obtenir va ser: Nom Cost (€) Costos directes 9989 Costos indirectes 3035,7 Amortitzacions 95,82 Imprevistos 774,25 Contingències 695 Total 14589,77 8.3.a. Estimació total dels costos. [creació pròpia] Les despeses totals reals del projecte han estat: Nom Cost (€) Costos directes 10160 Costos indirectes 2748,78 Amortitzacions 95,82 Imprevistos 774,25 Contingències 695 Total 14473.85 8.3.b. Total dels costos reals. [creació pròpia] 53 9. Informe de sostenibilitat En aquest capítol es fa una reflexió sobre com el nostre projecte ha afrontat la problemàtica de la sostenibilitat. Per fer-ho, s’analitza la matriu de sostenibilitat. 9.1. Estudi d’impacte ambiental En aquesta secció es realitza un estudi sobre les conseqüències ambientals que pot suposar aquest projecte. Durant la fase de planificació del projecte es va realitzar una estimació sobre l’impacte ambiental del treball. Per a aquesta estimació es va argumentar que es reutilitzarien servidors propis de l’empresa per tal de no tenir que afegir-ne de nous. A la taula següent podem observar l’estimació de l’impacte ambiental: Nom Hores Cost/hora (kW/hora) Total (kW) 1 Persona en rutina habitual 512 0,1 51,2 Pantalla 512 0,03 15,36 Portàtil 512 0,125 64 Servidor 512 0,125 64 Total 194,56 9.1.a. Estimació de l’impacte ambiental. [creació pròpia] Durant la realització del projecte es va decidir no utilitzar un servidor i mantenir tot el desenvolupament en local per tal d’evitar fer ús i així reduir l’impacte ambiental. El resultat d’aquesta decisió es veu reflectit en la taula real d’impacte ambiental: Nom Hores Cost/hora (kW/hora) Total (kW) 1 Persona en rutina habitual 528 0,1 52,8 Pantalla 528 0,03 15,84 Portàtil 528 0,125 66 Servidor 0 0,125 0 Total 134,64 9.1.b. Impacte ambiental real. [creació pròpia] 54 En cas de realitzar el projecte de nou creiem que l’únic recurs del que es pot prescindir es la pantalla perquè només amb la del portàtil es pot treballar encara que sigui més incomode fer-ho amb una de sola. Avui dia la majoria de reptes basats en mercats financers es resolen mitjançant regressions lineals o múltiples. Per implementar aquestes tècniques s’utilitza software que, tot i que és un software diferent al utilitzat en aquest projecte, ambientalment tenen el mateix impacte. Per tant, la solució utilitzada per a la realització del projecte no aporta cap millora envers les altres disponibles. Durant la vida útil del projecte s’utilitzarà un servidor petit per tal de donar accés al púbic. Aquest servidor serà una instància EC2 d’Amazon, el motiu d’aquesta elecció es fonamenta en el compromís d’Amazon amb la sostenibilitat [24]. No obstant, si el nombre d’usuaris que accedeixen escala ràpid s’haurà de pensar en solucions més complexes en Amazon. Això faria augmentar el nombre de recursos a utilitzar i la petjada ecològica es veuria perjudicada. En canvi, si l’us fos inexistent, Amazon permet eliminar les instàncies creades, eliminant així qualsevol ús de recursos. 9.2. Estudi d’impacte econòmic Al capítol 8s’expliquen els recursos que es van estimar inicialment que utilitzaríem i els recursos que al final s’han utilitzat en el desenvolupament. Les xifres de l’ambit dels recursos humans estan pensades per a un projecte real, però tractanse d’un TFG el projecte ha estat molt més econòmic que no pas si l’hagués fet una empresa pel seu compte ja que qui ha realitzat tot el disseny, planificació i implementació ha esta un becari que costa 8 euros l’hora. Aquest fet ens estalvia al voltant de 5936 € ja que els sous dels diferents rols són més elevats. No obstant, tant els pressuposts estimats com els reals s’han fet basant-se en rols, per tant, aquesta quantitat no es comptarà com a estalvi. Una de les decisions que es van prendre per minimitzar l’impacte econòmic va ser no utilitzar cap servidor i realitzar tota la implementació en entorns locals. Aquest fet ens estalvia al voltant de 50 €. El pressupost estimat s’ha ajustat bastant als valors reals, la diferència ha estat menor que la quantitat que s’havia destinat per a imprevistos i com a contingència. És a dir, el nostre pla d’acció contra imprevistos ha funcionat i no ens hem sortit de l’estimació. Avui dia la majoria de reptes basats en mercats financers es resolen mitjançant regressions lineals o múltiples. Per implementar aquestes tècniques s’utilitzen softwares gratuïts que són més fàcils d’entendre i d’implementar que no pas el software que hem fet servir en aquest projecte. En l’àmbit econòmic s’han hagut de dedicar més hores en programar que no pas si haguéssim fet cap altra solució. Aquestes hores es tradueixen en valors econòmics i per tant, realitzar aquest projecte ha estat més car en comparació a realitzar una solució basada en regressions. La avantatge que tenim econòmicament respecte les altres solucions és el coneixement adquirit, que permetrà, a partir d’ara, oferir un nou servei als clients de l’empresa, un servei de xarxes neuronals com a eina per resoldre reptes. 55 Durant la vida útil del projecte estimem que el cost que tindrà serà el preu que ens demani Amazon per l’ús de la seva instància EC2. Aquest cost inicialment estará al voltant dels 20 €/mes. No obstant, si l’ús comença a escalar ràpidament s’haurà de pensar en solucions més complexes d’Amazon, que faria augmentar el nombre de recursos que s’utilitzarien i també els costos. En canvi, si ningú fa ús del resultat del projecte es pot eliminar l’instància d’Amazon eliminant també el cost d’aquesta. 9.3. Estudi d’impacte social Durant la realització del projecte s’han adquirit un gran nombre de coneixements sobre què són les xarxes neuronals, com funcionen, com es comuniquen les neurones, quins tipus de xarxes existeixen, … Aquests coneixements són la principal aportació que es rep del desenvolupament del projecte. La realització del projecte ha fet que es plantegin certes sortides professionals més enfocades al Machine Learning i el Deep Learning. Aquestes sortides són cada cop més demanades en el món de la l’intel·ligència artificial. La solució al problema base de les criptomonedes no aporta cap millora de qualitat de vida a la societat. Però haver adquirit tot el coneixement que hem adquirit obre portes per oferir serveis que millorin en un futur la qualitat de vida de la societat. Per altra banda, aquest projecte satisfà la necessitat de SlashMobility d’obrir noves vies de servei als seus clients, que es beneficiaran d’aquest fet. El projecte podria generar alguna dependència als addictes d’inversions ja que si confien el suficient en els resultats poden arribar a fer grans inversions en criptomonedes que després perdin si les prediccions no son correctes. La solució implementada en aquest projecte compleix alguns dels reptes proposats. Per una banda compleix l’objectiu d’aprendre el suficient de Deep Learning com per a oferir nous serveis als clients. Per altra banda, les prediccions són parcialment satisfactòries ja que en algunes de les criptomonedes s’han obtingut R^2 elevats. El problema principal d’aquestes prediccions és que es realitzen sobre valors únics, és a dir, sempre i quan tots els valors anteriors siguin informació real s’obté l’R^2 esmentat. Però en el cas que les prediccions es realitzin sobre valors resultats d’altres prediccions s’obtenen valors massa erronis ja que s’acumulen els marges d’error de les prediccions anteriors. 9.4. Conclusions En els estudis de les seccions anteriors d’aquest capítol s’ha realitzat una anàlisi basada en la matriu de sostenibilitat. Per acabar amb aquest capítol, a continuació es puntuen els resultats i s’obtenen els totals per a cada àmbit: PPP Vida útil Riscos Total 56 63