Projecte llegit
Títol: Disseny i avaluació d'una arquitectura web asíncrona per a la inferència concurrent de models d'Intel·ligència Artificial
Estudiants que han llegit aquest projecte:
TORRES CABRERA, FREDDY JOEL (data lectura: 08-07-2026)- Cerca aquest projecte a Bibliotècnica
TORRES CABRERA, FREDDY JOEL (data lectura: 08-07-2026)Director/a: ROYO VALLÉS, DOLORS
Departament: DAC
Títol: Disseny i avaluació d'una arquitectura web asíncrona per a la inferència concurrent de models d'Intel·ligència Artificial
Data inici oferta: 03-07-2025 Data finalització oferta: 03-03-2026
Estudis d'assignació del projecte:
- GR ENG SIS TELECOMUN
- GR ENG TELEMÀTICA
| Tipus: Individual | |
| Lloc de realització: EETAC | |
| Paraules clau: | |
| Aplicació web, API web, Intel.ligència Artificial, Concurrència | |
| Descripció del contingut i pla d'activitats: | |
| Aquest projecte té com a objectiu desenvolupar una aplicació web interactiva que permeti als usuaris formular una mateixa consulta a diversos models d'intel·ligència artificial (com ara ChatGPT, DeepSeek i LLaMA) de manera simultània, a través de les seves respectives APIs web. Les respostes s'organitzaran per fils de conversa independents, cosa que permetrà fer una comparació estructurada de les sortides generades per cada sistema.
El sistema constarà d'una interfície d'usuari clara i intuïtiva, un backend que gestioni la concurrència i el consum de les APIs, i una capa d'emmagatzematge opcional per guardar l'historial de les interaccions. Això permetrà l'anàlisi qualitativa i quantitativa de les capacitats de cada model conversacional sobre un mateix context. En una segona fase, es contempla com a ampliació opcional la gestió de sessions, que permetria recuperar consultes anteriors, continuar converses, i personalitzar l'experiència de l'usuari. |
|
| Overview (resum en anglès): | |
| The main objective of this Bachelor's Thesis is the design, development, and evaluation of an asynchronous web application to measure the performance of multiple generative artificial intelligence (AI) models, such as GPT, DeepSeek, and Llama. Currently, the industry is rapidly integrating these tools, but often sidelines the rigorous analysis of their telematic performance. This project addresses this need through a platform that allows professionals to objectively compare the efficiency, latency, and bandwidth of these models under real network conditions, overcoming the limitations of commercial chat interfaces.
To achieve these objectives, a microservices-based architecture has been designed. On the one hand, a server-side orchestrator (backend) has been implemented using FastAPI, which leverages asynchronous requests to prevent system bottlenecks and allow simultaneous queries. On the other hand, an analytical user interface has been developed to monitor technical metrics. Using this software, a benchmarking process has been executed to evaluate three scenarios: local execution or Edge Computing, paid cloud services, and free cloud alternatives, subjecting them to different workloads. The test results validate the system's robustness and allow for clear network diagnostics to be drawn. It has been empirically demonstrated that local execution guarantees privacy but suffers from crashes due to a lack of Video RAM (VRAM) under operational stress. In contrast, commercial cloud infrastructures have demonstrated high stability, processing data quickly and compensating for external latency. Furthermore, a cache system has been integrated to reduce the processing of repeated queries, optimizing energy consumption. Ultimately, a functional engineering tool has been developed that facilitates the sustainable integration of AI into current networks. |
|