Desarrollo de un sistema de predicción de riesgo en seguros de automóviles mediante técnicas de inteligencia artificial

UNIVERSIDAD COMPLUTENSE DE MADRID FACULTAD DE INFORM´ ATICA Desa ollo de un sis ema de p edicci´ on de iesgo en segu os de au om´ o iles median e ´ ecnicas de in eligencia a i icial Au o es: D´ amaso S´ anchez A enas y Edua do Rod ´ ıguez De Cas o Zalo˜ na. Tu o es: Jos´ e Ignacio Hidalgo P´ e ez y ´ Osca Ga nica Alc´ aza . TRABAJO FIN DE GRADO G ado en Ingenie ´ ıa In o m´ a ica 1 Ag adecimien os En p ime luga , ag adece a nues os di ec o es de p oyec o Jos´e Ignacio y ´ Osca , po da nos la opo unidad de ealiza el p oyec o con ellos y pode o ece nos conocimien o en un mundo que es an complejo y es a an en auge como es la in eligencia a i icial. Po habe es ado con inuamen e disponibles pa a posibles dudas y po es a siemp e a nues a disposici´on. Fue a de lo acad´emico, ag adece el a o ecibido el cual ha sido ejempla y en muchas ocasiones nos ha se ido como un g an impulso de mo i aci´on. Tambi´en ag adece a la uni e sidad, po habe nos acili ado odas sus ins alaciones a lo la go de es os a˜nos y po habe nos ayudado en odo lo que ha es ado a su alcance. Po o o lado, da las g acias an o a amilia es como amigos que nos han es ado ayudando du an e un a˜no complicado pa a noso os y que han sido capaces de anima nos a que sigamos adelan e a pesa de los momen os du os. 2 Resumen Es e abajo de in de g ado consis e en el desa ollo de una he amien a pa a calcula median e ´ecnicas de in eligencia a i icial el iesgo que ienen nue os clien es de su i un acciden e en sus eh´ıculos. P incipalmen e, es a aplicaci´on in o m´a ica es una ayuda a las asegu ado as pa a in en- a ajus a lo m´aximo posible los p ecios de los segu os. Las ´ecnicas u ilizadas en es e p oyec o han sido las edes neu onales y el Random o es . Todo el p oyec o ha sido implemen ado en Py - hon, an o la pa e de la in e az g ´a ica, con la que conseguimos que el so wa e enga una isi´on sencilla y amena, como la pa e donde se ealizan p edicciones. El so wa e puede se usado po dos dis in os pe iles. Un pe il ´ecnico pa a pe sonas expe as en es a ´a ea en el que pueden c ea su p opio modelo de p edicci´on usando las ca ac e ´ıs icas (Fea u es) que c ean m´as opo unas y un pe il uncional pa a usua ios que no ienen an o conocimien o ace ca de es as ecnolog´ıas. Pod ´an ca ga un modelo ya c eado y p edeci en base a ´el. En es e p oyec o, se ha conseguido ene un p oduc o con una in e az que cumple pe ec amen e con las uncionalidades del so wa e y en la pa e del uncionamien o, iene la capacidad de p edeci iesgos g acias a las ´ecnicas de in eligencia a i icial mencionadas an e io men e. Palab as cla e: So wa e, in eligencia A i icial, iesgo, edes neu onales, Random o es , Py - hon, p edicciones. 3 Abs ac This pape is aimed a he de elopmen o a ool ha , h ough A i icial In elligence, calcula- es new clien s’ isk o su e ing a ehicle acciden . The objec i e o his so wa e applica ion is o suppo insu ance companies in adjus ing p ices. Fo his p ojec , neu onal ne wo ks and Random Fo es echniques ha e been used. The whole p ojec has been implemen ed in Py hon, he g aphic in e ace, which allows a pleasan and simple usage o he applica ion, and he p edic o . So wa e is de eloped wi h wo di e en use p o iles in mind; a echnical p o ile, o expe s in his a ea who wish o c ea e hei own p edic ion model using hose Fea u es hey conside he mos app o- p ia e, and a unc ional p o ile o use s who don’ ha e a g ea knowledge on hese echnologies which will allow hem o upload an al eady exis en model and ob ain p edic ions based on i . In his p ojec , a p oduc wi h an in e ace ha pe ec ly ul ils he so wa e unc ionali ies has been achie ed. Mo eo e , wi hin he ope a ional pa o he p ojec , he so wa e has he capaci y o p edic ing isks h ough A i icial In elligence echniques. Keywo ds: So wa e, A i icial In elligence, isk, neu onal ne wo ks, Random o es , Py hon, p edic ions. ´ Indice gene al 1. In oducci´on 5 1.1. Desc ipci´on del p oblema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2. Ideadelp oyec o..................................... 5 1.3. Conclusi´on ........................................ 6 2. Plani icaci´on del abajo 7 3. Tecnolog´ıas u ilizadas 9 3.1. En o noWindows .................................... 9 3.2. Py hon .......................................... 9 4. F on -end de la aplicaci´on 12 4.1. Funcionalidad....................................... 15 4.2. C eaci´ondelmodelo ................................... 18 4.3. Ca gadelmodelo..................................... 21 4.4. Solici a Riesgo...................................... 23 5. Back-end de la aplicaci´on 27 5.1. RedesNeu onales..................................... 27 5.2. Random o es ...................................... 29 5.3. Nues aaplicaci´on .................................... 31 5.3.1. Lec u a, limpieza y a amien o de da os . . . . . . . . . . . . . . . . . . . 31 5.3.2. Clasi icado es................................... 35 6. An´alisis de los esul ados 39 7. Conclusiones 47 7.1. U ilidad .......................................... 47 7.2. Fu u asVe siones..................................... 47 7.3. Valo aci´ondelp oyec o ................................. 48 8. In oduc ion 49 8.1. Desc ip ion o he p oblem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 8.2. Ideao hep ojec .................................... 49 8.3. Conclusion ........................................ 50 9. Wo k Planning 51 10.Conclusions 52 10.1.U ili y........................................... 52 10.2.Fu u eVe sions...................................... 52 10.3.Assessmen o heP ojec ................................ 53 11.Con ibuci´on de cada miemb o 54 Bibliog a ´ıa 56 4 Cap´ı ulo 1 In oducci´on 1.1. Desc ipci´on del p oblema Hoy en d´ıa, en el mundo de las asegu ado as, el p ecio de los segu os es ´a basado en el an´alisis de los ac ua ios, lo cual en muchas ocasiones es muy cos oso. Aunque pa ezca i eal, pese a odas las ecnolog´ıas que enemos, no se u ilizan ´ecnicas in o m´a icas a anzadas pa a ayuda en es e an´alisis. Pa a hace nos una idea, ac ualmen e el p ecio de un segu o se calcula en base a la es ad´ıs ica de dos a iables i ales: la p obabilidad de que ocu a un imp e is o y el cos e medio que supond ´a soluciona lo. [1] El enca gado de ealiza es os c´alculos es el denominado “Ac ua io”. Como sabemos, no es ´acil calcula la p obabilidad de que ocu a un imp e is o y es po ello que muchas eces los segu os se basan en un pe il de clien e muy gen´e ico en ez de indi idualiza con el clien e conc e o que an a a a . Po o o lado, como bien sabemos, hoy en d´ıa, es ´a o almen e en auge las ´ecnicas elacionadas con la in eligencia a i icial como el machine lea ning, edes neu onales, e c. Es o es debido a que se es ´an consiguiendo esul ados muy posi i os en di e sas p oblem´a icas. Pese a que muchas de las ´ecnicas u ilizadas lle an exis iendo mucho iempo, es aho a, cuando se es ´an aplicando en p oblemas eales. Es o es as´ı debido al g an aumen o en la capacidad de c´ompu o de las ´ul imas d´ecadas y a la acilidad que exis e a d´ıa de hoy en la escalabilidad de los da os g acias an o a la nube como al big da a. Es undamen al ene en cuen a que la in eligencia a i icial debe es a o almen e ligada a los da os y ice e sa. Viendo es a ca encia, nues o obje i o es acili a el an´alisis de los ac ua ios con una aplicaci´on in o m´a ica basada en ´ecnicas de in eligencia a i icial y que as´ı puedan adap a se de una mane a mucho m´as espec´ı ica al clien e. 1.2. Idea del p oyec o En es e p oyec o hemos ealizado una aplicaci´on in o m´a ica con el cual amos ayuda a las compa˜n´ıas de segu o a p edeci de mane a m´as ´op ima y con muchas m´as ga an ´ıas el iesgo de los clien es pa a que de es a mane a puedan es ipula los p ecios de sus a i as y as´ı sean m´as ajus adas e indi idualizadas pa a cada uno de los clien es. 5 CAP´ ITULO 1. INTRODUCCI ´ ON 6 Pa a ello, nos hemos basado en dis in as ´ecnicas de in eligencia a i icial. Los da os u iliza- dos pa a que nues os clasi icado es uncionen co ec amen e han sido acili ados po asegu ado as eales en o ma o “Excell” y donde g acias a ellos, hemos conseguido una mues a su icien e pa a ob ene un clasi icado . Toda la aplicaci´on es ´a implemen ada en Py hon3 y desa ollada en el en o no de jupy e no- ebook. La p edicci´on es a ´a undamen ada en a ios modelos de clasi icaci´on: 1. Redes neu onales 2. Random o es Las asegu ado as end ´an cie a libe ad a la ho a de con igu a el p og ama. De es a mane a, pod ´an da p io idad a cie as ca ac e ´ıs icas que pa a ellos sean m´as impo an es. Las asegu ado as pod ´an con igu a la aplicaci´on ´acilmen e g acias a nues a in e az, sin necesidad de en ende lo que hace el p og ama en su in e io . 1.3. Conclusi´on Como hemos comen ado, a las asegu ado as no les esul a nada sencillo calcula las a i as pa a sus clien es, es o es debido a que las p edicciones del iesgo de sus clien es es ´an basadas en el abajo de una pe sona en ez de en una aplicaci´on in o m´a ica. C eemos que es una ca encia no hace uso de ninguna de la g an a iedad de ecnolog´ıas que hay disponibles hoy en d´ıa.Po eso mismo, hemos is o una opo unidad pa a implemen a una he a- mien a inno ado a, pa a pode ap ende sob e nue os lenguajes de p og amaci´on que no hab´ıamos is o p e iamen e y pa a ap ende sob e un apasionan e mundo, la in eligencia a i icial. Con nues o p oduc o in en a emos ayuda a las asegu ado as acili ando una aplicaci´on que calcula dis in as p edicciones del iesgo de un clien e y de es a mane a, acili a el abajo a los ac ua ios que pod ´an basa se en ello pa a es ablece un p ecio. (Ve si´on inglesa de la in oducci´on en el cap´ı ulo 8) Cap´ı ulo 2 Plani icaci´on del abajo Con el in de consegui los obje i os, la plani icaci´on seguida ue la siguien e: 1. Es udio indi idual po pa e de los miemb os del equipo con el in de ene un conocimien o global ace ca del machine lea ning y las ´ecnicas u ilizadas en es e abajo. 2. Pues a en com´un po pa e de los miemb os del equipo y oma de decisiones ace ca de las ecnolog´ıas a usa jun o con los di ec o es del p oyec o. 3. Ins alaci´on y despliegue de la he amien a: Anaconda – Jupy e no ebook. (Pla a o ma de abajo). 4. An´alisis del abajo global a ealiza y di isi´on del mismo pa a pode i aba c´andolo pas´o a paso. 5. Dise˜no de los boce os iniciales ealizados po balsamiq pa a ene una isi´on inicial de la in e az. 6. Es udio ace ca de Py hon ya que es el lenguaje p incipal del p og ama. P o undizando en las ´ecnicas de in eligencia a i icial que debemos u iliza pa a nues a aplicaci´on. 7. Es udio de las ca ac e ´ıs icas a usa en el modelo de da os pa a comenza la limpieza de da os. 8. P og amaci´on de mane a indi idual con dos subobje i os p incipales: a. In e az g ´a ica (F on -end) b. Limpieza y a amien o de da os (Back-end) 9. Comienzo de c eaci´on de una ed neu onal b´asica con el in de p oba el a amien o de los da os. 10. Uni´on de los subobje i os pa a consegui ene una p ime a aplicaci´on uncional con la que ya se pueda comenza el es udio de los esul ados ob enidos. 11. Realizaci´on de p uebas con la ma iz de con usi´on de la ed neu onal pa a e alua el endi- mien o. 12. Mejo a ace ca de la in e az pa a que sea lo m´as comple a y amena posible. 13. Es udio p o undo ace ca del clasi icado Random o es . 14. Implemen aci´on del es o de clasi icado es (Random o es ). 15. P uebas del Random o es y co ecci´on de e o es. 16. In eg aci´on del algo i mo Random o es en la aplicaci´on inal. 17. P uebas de uncionamien o de la aplicaci´on inal y co ecci´on de posibles allos. 7 CAP´ ITULO 2. PLANIFICACI ´ ON DEL TRABAJO 8 Cabe des aca que la ealizaci´on de la memo ia se ue haciendo de o ma pa alela al desa ollo desc i o an e io men e. Comen a ambi´en, que alguna de es as a eas se ealiza on de mane a com´un po el equipo, y que o as, ue on abo dadas po un ´unico miemb o, seg´un lo aco dado en la plani icaci´on. (Ve si´on inglesa en cap´ı ulo 9) CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 15 Una ez que ya en´ıamos cla a una p ime a idea de como que ´ıamos que queda a la in e az, empezamos a implemen a la en el lenguaje Py hon. Pa a ello, usamos la biblio eca kin e la cual nos ha dado mucha acilidad a la ho a de c ea nume osos widge s debido a la amplia in o maci´on que hay ace ca de ella en In e ne . En la siguien e secci´on, amos a ense˜na nues a in e az eal e i emos explicando como se ´ıa una co ec a u ilizaci´on de nues a aplicaci´on. 4.1. Funcionalidad Nues o aplicaci´on iene 3 unciones p incipales: 1. C eaci´on del modelo: Funcionalidad pensada pa a c ea un modelo con las ca ac e ´ıs icas que el usua io c ea opo uno. Una ez c eado, el usua io pod ´a gua da aquellos modelos que cumplan sus necesidades pa a pos e io men e usa los. 2. Ca ga del modelo: Funcionalidad pensada pa a ca ga un modelo ya c eado y gua dado. El ´ul imo modelo ca gado se ´a el que u ilicemos a la ho a de p edeci el iesgo de un nue o clien e. 3. Solici a Riesgo: Funcionalidad pensada pa a calcula el iesgo de un nue o clien e. Es a uncionalidad se basa ´a en el ´ul imo modelo ca gado po pa e del usua io. En caso de que no se haya ca gado ning´un modelo con an e io idad no se pod ´a solici a iesgo pa a un nue o clien e. A con inuaci´on, en la igu a 4.1 podemos e nues a en ana de inicio. En ella, se pueden e es bo ones los cuales cada uno de ellos inicia cada una de las uncionalidades mencionadas an e io men e. En es e caso, la uncionalidad de solici a iesgo es a deshabili ada ya que no exis e ning´un modelo ca gado y po an o no se puede solici a el iesgo de un nue o clien e. CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 16 Figu a 4.1: Ven ana de inicio. En p ime luga , amos a explica el men´u que enemos desa ollado y el cual es a ´a ope a i o con inuamen e en la pa e supe io de odas las en anas. Figu a 4.2: Men´u de la aplicaci´on. CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 17 Como podemos e en la igu a 4.2, nues o men´u cons a de es pa es, las cuales mos amos a con inuaci´on. Sali →Ven ana eme gen e que nos p egun a si deseamos sali . En caso a i ma i o, es a ´as poniendo pun o y inal a la ejecuci´on de la aplicaci´on. Figu a 4.3: Ven ana Eme gen e: Sali . Ayuda →Ven ana eme gen e que in o ma que exis e una memo ia ace ca de la aplicaci´on donde se puede consul a cualquie duda. Figu a 4.4: Ven ana Eme gen e: Ayuda. CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 18 Ace ca de →Ven ana eme gen e que in o ma sob e los c eado es de la aplicaci´on. Figu a 4.5: Ven ana Eme gen e: Ace ca de. Una ez is a la en ana inicial y el men´u amos a i ense˜nando cada una de las dis in as uncionalidades de nues a aplicaci´on. Adem´as, i emos ense˜n´andolas en el o den l´ogico que se debe segui a la ho a de usa la. 4.2. C eaci´on del modelo Es a uncionalidad consis e en c ea un nue o modelo con las ca ac e ´ıs icas que el usua io conside e opo unas. Cuando que emos c ea un modelo, lo p ime o que debemos hace es selecciona los da os con los que que emos en ena nues as ´ecnicas de in eligencia a i icial. Figu a 4.6: Ven ana ca ga de da os. Una ez que hemos seleccionado los da os a ca ga , la aplicaci´on nos p egun a ´a ace ca de las ca ac e ´ıs icas que deseamos ene en cuen a pa a el modelo. CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 19 Figu a 4.7: Ven ana pa a elegi las ca ac e ´ıs icas del modelo. Po o o lado, pa a los pe iles mas expe os, nues a aplicaci´on pe mi e la con igu aci´on ma- nual de algunos de los pa ´ame os undamen ales de una ed neu onal. Es deci , el usua io pod ´a modi ica con acilidad an o el n´ume o de capas que desea en su ed neu onal como el n´ume o de nodos en cada una de ellas. En caso de que el usua io sea menos expe imen ado pod ´a ob ia es e apa ado y en onces la ed neu onal coge ´a la con igu aci´on po de ec o, es capas de 100 nodos en cada una de ellas. Figu a 4.8: Ven ana pa a modi ica los pa ´ame os de la ed neu onal. Una ez elegidas an o las ca ac e ´ıs icas del modelo que deseamos como los pa ´ame os de la ed neu onal, nos sald ´a una en ana de con i maci´on in o m´andonos ace ca de las ca ac e ´ıs icas que end ´a el modelo. Si con i mamos con el bo ´on “C ea Modelo”, es a emos c eando nues o nue o modelo. CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 20 Figu a 4.9: Ven ana de con i maci´on. Una ez seleccionado el bo ´on de c ea modelo, nos apa ece ´a una en ana donde apa ece ´an los dis in os esul ados que han conseguido nues os clasi icado es. Figu a 4.10: Ven ana de esul ados al c ea el modelo. Si dichos esul ados no cumplen nues as necesidades, pod emos e ocede y c ea o o modelo con ca ac e ´ıs icas di e en es. Es e p oceso debe hace se a ias eces has a consegui unos esul a- dos que cuad en con el obje i o que se es ´a buscando. En caso con a io, si los esul ados ob enidos cuad an con el obje i o, pod emos gua da el modelo pa a en un momen o de e minado, ca ga el modelo y a ende a clien es con ´el. Cuando gua damos el modelo, si odo ha ido bien, nos debe sali una en ana eme gen e in- dic´andonos que la ope aci´on ha sido un ´exi o. CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 21 Figu a 4.11: Ven ana eme gen e de ´exi o al gua da un modelo. Al gua da el modelo, en la u a donde se es ´e ejecu ando el sc ip se nos gua da ´an los di e en es modelos (uno po cada uno de los clasi icado es) y un a chi o . x donde pod emos comp oba la in o maci´on que cons i uye dicho modelo. Dichos a chi os es a ´an da ados con el in de que sean ´aciles de encon a . Figu a 4.12: A chi os gua dados. T as odo es o, ya enemos un modelo o almen e c eado a gus o del usua io y lis o pa a se ca gado po pa e de la aplicaci´on. 4.3. Ca ga del modelo Cuando usamos la uncionalidad de ca ga el modelo, la aplicaci´on nos pedi ´a a ios a chi os, uno po cada clasi icado (Se han gene ado al c ea modelo). Si odo ha ido bien, nos apa ece ´a una en ana eme gen e in o m´andonos que se ha ca gado co ec amen e. CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 22 Figu a 4.13: Ven ana eme gen e de ´exi o al ca ga un modelo. Al pulsa en la en ana eme gen e, nos lle a ´a a una nue a en ana donde podemos e los esul ados ob enidos po pa e de los modelos ca gados. Figu a 4.14: Ven ana donde se mues an los esul ados de un modelo ca gado. Una ez que hemos ca gado un modelo, la aplicaci´on es ´a lis a pa a pode solici a el iesgo de un nue o clien e. Po ello, en nues a en ana inicial se nos habili a ´a la uncionalidad de Solici a iesgo a di e encia de como es aba en la igu a 4.1 al p incipio del odo. CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 23 Figu a 4.15: Ven ana inicial con solici a iesgo habili ado. Ademas, nues a aplicaci´on gene a un iche o . x con un his ´o ico de los modelos ca gados. De es a mane a, podemos sabe cuando hemos ca gado cada uno de los modelos y la u a donde es ´an. A con inuaci´on, en la igu a 4.16 mos amos el con enido que end ´ıa el log his ´o ico. Figu a 4.16: Fiche o log his ´o ico de modelos ca gados. 4.4. Solici a Riesgo Es a uncionalidad si e pa a gene a la p edicci´on del iesgo que end ´a un nue o clien e. Pa a pode u iliza es a uncionalidad, debemos habe ca gado un modelo en alg´un momen o (Aunque uese en o a sesi´on). El ´ul imo modelo ca gado siemp e se ´a la base a la ho a de gene a las p edicciones pa a el nue o clien e. Si solici amos iesgo, lo p ime o que nos apa ece ´a es la en ana de la igu a 4.17, donde podemos e el ´ul imo modelo ca gado y las ca ac e ´ıs icas del mismo. CAP´ ITULO 4. FRONT-END DE LA APLICACI ´ ON 24 Figu a 4.17: Ven ana de in o maci´on al solici a iesgo. En caso de que es e no sea el modelo deseado, podemos cambia lo de dos mane as dis in as: bien ca gando o o modelo ya c eado o bien c eando uno nue o. En cambio, si nos gus a el modelo y que emos u iliza lo pa a solici a el iesgo de un nue o clien e, el usua io debe ´a ellena un o mula io con los da os del clien e. Dicho o mula io cons a de dos pa es y p egun amos odo ipo de da os necesa ios pa a hace una buena p edicci´on. Figu a 4.18: Ven ana del o mula io(1aPa e). CAP´ ITULO 5. BACK-END DE LA APLICACI ´ ON 31 5.3. Nues a aplicaci´on En es ´a secci´on, amos a con a con m´aximo de alle como hemos implemen ado la pa e back- end. Comenza emos explicando como hemos ealizado el a amien o inicial de los da os y inali- za emos explicando la implemen aci´on p opia de los clasi icado es. 5.3.1. Lec u a, limpieza y a amien o de da os An es de en a en la p opia ma e ia, amos a in en a deja cla o el concep o de da a ame ya que a a se muy impo an e. Da a F ame Un da a ame, es el nomb e que la biblio eca panda ha dado a un ma co de da os. Es e ma co de da os es una ma iz donde las ilas son los alo es de los da os y las columnas las dis in as ca ac e ´ıs icas. Es e conjun o de da os se ´a la en ada de las dis in as ´ecnicas y las p edicciones sald ´an en base a ´el. Po ello, debe a a se co ec amen e pa a pode acili a el abajo lo m´aximo posible a las dis in as ´ecnicas de p edicci´on. Es as son las p incipales ope aciones de a amien o que hay ealiza pa a ene un buen da a ame: 1. Limpieza de da os y ellenado de huecos. P epa amos los da os de mane a co ec a pa a pode los a a . 2. C eaci´on y a amien o de ea u es (Ca ac e ´ıs icas) a pa i de los da os. 3. Eliminaci´on de ea u es no impo an es (Fea u es ex ac ion) Es as ases, sin duda ha sido uno de los mayo es queb ade os de cabeza que hemos enido con inuamen e a la ho a de ealiza el p oyec o. Es a pa e del p oyec o es la que pos e io men e, cuando expliquemos los clasi icado es deno- mina emos “p ep ocesado”. Es una pa e impo an ´ısima pa a cualquie so wa e de ap endizaje au om´a ico ya que sin ella los da os no es a ´ıan bien a ados, y po an o, los clasi icado es jam´as pod ´an unciona co ec amen e. Sin mas dilaci´on, comenzamos a explica como lo hemos implemen ado: Pa a la limpieza y el a amien o de da os p incipalmen e hemos usado la biblio eca po exce- lencia pa a es e ipo de abajos como es Panda [4]. Lo p ime o que hay que ealiza , es ca ga el conjun o de da os que enemos. En nues o caso, como ya dijimos al p incipio de es e documen o, los da os nos los die on en o ma o Excell. Po ello, u ilizamos la siguien e unci´on de panda. Figu a 5.3: Lec u a de da os. CAP´ ITULO 5. BACK-END DE LA APLICACI ´ ON 32 No malmen e los da os que se manejan en p oblemas eales no es ´an limpios y po ello, al igual que u imos que hace noso os, es ecuen e ene que ellena con 0’s aquellos da os que ienen con NULL o ac´ıos. Figu a 5.4: Relleno de da os. A la ho a de decidi que columnas se ´ıan las adecuadas y cu´ales son desp eciables pa a nues os clasi icado es lo p ime o que hicimos ue jun a nos con los di ec o es del p oyec o y decidi lo. T as a ias con e saciones, llegamos a la conclusi´on que cie as columnas no nos iban apo a nada a la ho a de p edeci y es po ello que decidimos elimina las. Las columnas que conside amos impo an es pa a p edeci es a ´an disponibles en la in e az y debe se el expe o quien debe c ea los modelos en base a las que ´el desee. Figu a 5.5: Eliminaci´on de columnas. Los clasi icado es, no en ienden de le as sino que necesi an que el da a ame sea complemen e num´e ico. Po ello, en a ias de las columnas es impo an e hace un hash pa a pasa de e minadas cadenas a alo es num´e icos. Podemos dis ingui dos g andes ipos de columnas (ca ac e ´ıs icas): 1. Columnas donde no exis e g an a iedad de alo es y se suelen epe i . Pa a ellas, nues a mane a de ope a es hace un map y pasa cada cadena a un alo num´e ico. 2. Columnas donde exis e mul i ud de alo es. En es as columnas, nues a mane a de ope a es hace un anking pa a coge los g upos de alo es que m´as se epi an y los que no se epi an ag upa los en un g upo denominado “o os”. Columnas sin a iedad A con inuaci´on, mos amos un ejemplo de c´omo se ealiza es e hash. Lo que hacemos es cambia de e minadas cadenas que se epi en a un n´ume o en e o. En el ejemplo de la igu a 5.6 emos como ans o mamos la columna “Asis enciaViajeP e- mium“ con el siguien e p ocedimien o: donde apa ezca “PagoAnual”pasa ´a a se un 1, mien as que donde apa ezca “PagoSemes al”pasa ´a a se un 2. Figu a 5.6: Cambio de cadena a alo num´e ico (Columnas sin a iedad). CAP´ ITULO 5. BACK-END DE LA APLICACI ´ ON 33 Es e p oceso no solo se ha hecho con es a ca ac e ´ıs ica sino que ambi´en lo hemos enido que u iliza con o as. Columnas con a iedad A con inuaci´on, amos a explica como hemos ealizado el mapeo en una ca ac e ´ıs ica donde exis en mul i ud de alo es. Pa a explica lo, nos basa emos en el mapeo que hemos ealizado a la ca ac e ´ıs ica “ma ca”. Si bien es cie o que exis en muchos alo es de ma ca en el conjun o de da os, hay de e minadas ma cas que se epi en ecuen emen e. Po ello, lo que hicimos ue selecciona aquellas ma cas que se epe ´ıan ecuen emen e y asigna cada una de ellas a un n´ume o di e en e. Pa a el es o de ma cas, las cuales sal´ıan en los da os de mane a muy pun ual las asignamos a un mismo n´ume o a odas ellas. Es e n´ume o, se pod ´ıa iden i ica como un g upo denominado “o os”. En el ejemplo de la igu a 5.7 podemos e como lo hemos implemen ado. Figu a 5.7: Cambio de cadena a alo num´e ico (Columnas con a iedad). Es e p oceso no solo se ha hecho con es a ca ac e ´ıs ica sino que ambi´en lo hemos u ilizado con o as ca ac e ´ıs icas como son modelo de coche, co eo elec ´onico del clien e, e c. Es os p ocesos es impo an e ene los cla os ya que hay que hace los epe idas eces pa a pode o ece a los clasi icado es un da a ame o almen e num´e ico. CAP´ ITULO 5. BACK-END DE LA APLICACI ´ ON 34 Pa a el a amien o de las columnas con echas como pueden se echa de nacimien o, echa de ca ne de conduci , e c. lo que hacemos es queda nos solo con el a˜no ya que el mes y el d´ıa conside amos que no es su icien emen e ele an e a la ho a de p edeci . Po ello, en las echas an solo nos queda emos con el a˜no. Figu a 5.8: T a amien o de echas. Po ´ul imo, comen a que es muy ecomendable escala los da os [16] ya que es o puede hace que se mejo en no ablemen e las p edicciones ya que es o hace que el conjun o de da os es ´en en un mismo ango y de es a mane a los clasi icado es pod ´an asimila las semejanzas de mane a mucho mas sencilla. En el conjun o de da os que nos p opo ciona on hay una g an a iedad de ipos de da os con di e sas magni udes. Despu´es de in o ma nos sob e el machine lea ning nos dimos cuen a que es una p ´ac ica que se ecomienda epe idamen e po que puede ene un g an impac o en cie os algo i mos. El impac o se debe a que, como hemos comen ado, la g an a iedad de magni ud en las ca ac- e ´ıs icas hace que el peso que ienen en el algo i mo puede se di e en e aunque en ealidad enga que se el mismo. Po ejemplo, si u i´e amos dos ca ac e ´ıs icas en las cuales se ep esen a el peso de obje os y en una se ep esen a a en kilog amos y o a en g amos el algo i mo pod ´ıa asigna le un peso, en el p edic o , mucho m´as g ande a mil g amos que a un kilog amo cuando el alo eal es el mismo. En onces, lo que hace el escalado es uni ica odos los alo es pa a que no ocu an las si uacio- nes como la que hemos pues o de ejemplo. CAP´ ITULO 5. BACK-END DE LA APLICACI ´ ON 35 La mane a de escala un da a ame es la que se puede e en la igu a 5.9. Figu a 5.9: Escala da os. 5.3.2. Clasi icado es En es a secci´on, empeza emos con ando las dis in as ases po las que debe pasa cualquie clasi icado y acaba emos con ando como hemos implemen ado los clasi icado es, en nues o caso: Redes neu onales y Random o es . Lo p ime o que debemos sabe es que los clasi icado es consis en en que dado unos pa ´ame- os de en ada (el da a ame a ado), de uel en un esul ado o almen e p obabil´ıs ico. Pa a ello, los algo i mos deben pasa po dis in as ases pa a in en a ga an iza la mayo e icacia posible. El a amien o de es os clasi icado es cons a de 3 ases p incipales m´as una ase de p ep ocesa- do. A con inuaci´on, las explicamos: •P ep ocesado Consis e en el a amien o del da a ame desc i o en la secci´on an e io . En nues o caso, u imos que abaja mucho en es e apa ado ya que los da os que nos p opo ciona on no es aban como necesi ´abamos. •1oFase: En enamien o En es a ase u iliza emos un 70 % de los da os ob enidos. En ella, en enamos el clasi icado pa a que pueda ap ende a p edeci de mane a co ec a. Es a ase cons a de dos p incipales pa es: 1. Con igu aci´on del clasi icado 2. Ob enci´on del modelo Los esul ados ob enidos en es a ase end ´an una p obabilidad de se co ec a pseudoalea o ia. Debemos ene en cuen a que soluciones e ´oneas ambi´en apo a an in o maci´on ´u il. CAP´ ITULO 5. BACK-END DE LA APLICACI ´ ON 36 •2oFase: Validaci´on En es a ase u iliza emos un 15 % de los da os ob enidos. Seleccionamos de ellos cual a a se la ´ac ica a u iliza pa a que el clasi icado uncione de la mejo mane a posible. •3oFase: Tes En es a ase u iliza emos el 15 % de los da os que nos al aban po u iliza . En es e momen o lo que hacemos es pone a p ueba nues o clasi icado pa a e si p edice de mane a co ec a. A con inuaci´on, exponemos como hemos implemen ado cada uno de los clasi icado es: Red neu onal Pa a implemen a la ed neu onal hemos u ilizado la biblio eca de Py hon sklea n la cual es la biblio eca po excelencia pa a la mayo ´ıa de los expe os. Lo p ime o que enemos que ene cla o es sabe que columna que emos p edeci . En nues o caso, se a a de la columna “sinies o”. Figu a 5.10: Columna a p edeci . Al p edeci es a columna, pod emos sabe los po cen ajes que iene un nue o clien e en cada de uno de los siguien es alo es: Sin Sinies o Reclamaci´on Culpa Pa a un uso co ec o de la ed neu onal, lo p ime o que debemos hace es epa i sus da os pa a las dis in as ases (en ena , es ) como hemos explicado an e io men e. En nues o caso, amos a u iliza un 30 % de los da os pa a el es pe o es o puede a ia . Pa a e como se hace es a di isi´on debemos e el ejemplo de la igu a 5.11 Figu a 5.11: Di isi´on de los da os. Una ez que ya hemos epa ido el conjun o de da os, debemos c ea y en ena nues o clasi- icado . En p ime luga , nos c eamos el ipo de clasi icado que que emos. En es e caso, una ed neu onal, pa a ello debemos in oca al m´e odo MLPClassi ie () [10]. CAP´ ITULO 5. BACK-END DE LA APLICACI ´ ON 37 Pos e io men e con el m´e odo i () [17] en enamos nues a ed pa a que sea capaz de p edeci con buenos esul ados. Figu a 5.12: En enamien o de la ed neu onal. Pa a sabe que p ecisi´on nos p opo ciona nues a ed neu onal, es deci , pa a sabe que po - cen aje de acie o iene nues a ed debemos llama al m´e odo sco e() de la biblio eca sklea n. Es muy com´un mi a la p ecisi´on que ha enido nues a ed neu onal an o a la ho a del es (da os desconocidos) como a la ho a del en enamien o (da os conocidos). En la igu a 5.13 podemos e como se implemen a. Figu a 5.13: P ecisiones de es y de en enamien o. Sin duda, el po cen aje que m´as nos debe in lui a la ho a de e si la ed neu onal es a en e- nada co ec amen e y e si p edice bien es la p ecisi´on del es ya que es la que e al´ua si la ed neu onal se adap a bien a nue os da os. A eces, una ed neu onal p edice muy bien pa a los da os de en enamien o pe o en cambio, pa a da os nue os p edice mucho peo . Es e p oblema ocu e cuando se ha p oducido un sob e- ajus e y se debe soluciona . Po ul imo, lo que debemos hace es llama al m´e odo de sklea n p edic (). Es e m´e odo se ´a el que nos p opo cione la in o maci´on que es amos buscando, es deci , los po cen ajes de cada uno de los alo es posibles de la columna a p edeci . Figu a 5.14: M´e odo pa a p edeci . Es muy ´u il, pa a comp oba los esul ados, analiza los y pode hace p uebas ene en cuen a la ma iz de con usi´on [15], la cual nos da in o maci´on pa a e que al unciona nues o clasi icado . Pa a e como se implemen a una ma iz de con usi´on debemos e la igu a 5.15. Figu a 5.15: Ma iz de con usi´on. CAP´ ITULO 5. BACK-END DE LA APLICACI ´ ON 38 Cabe des aca , que una ed neu onal no es algo ´apido de implemen a ya que exis en di e sos pa ´ame os de la ed como son el nume o de capas, algo i mo que usa, e c. que hay que i a iando e i p obando has a encon a el mejo uncionamien o de la misma. Random o es El clasi icado Random o es se c ea de mane a muy pa ecida al p oceso de c eaci´on de la ed neu onal y se debe pasa po los mismos pasos mencionados en la secci´on an e io . Lo ´unico que a ´ıa en es e caso es el ipo de clasi icado a c ea . Mien as que en la secci´on an e io c e´abamos una ed neu onal, aho a debemos c ea un clasi icado Random o es . Pa a ello, debemos implemen a lo como indica la igu a 5.16 Figu a 5.16: C eaci´on Random o es . Es o no signi ica que con sabe un clasi icado ya no necesi es o ma e en los dem´as ya que la di icul ad de es os clasi icado es eside en la con igu aci´on de los mismos la cual es o almen e independien e. Cap´ı ulo 6 An´alisis de los esul ados A se since os, lo cie o es que no hemos conseguido los esul ados espe ados pa a nues os clasi icado es. Las posibilidades que hemos pensado que ocasionan una mala p edicci´on de nues os clasi ica- do es son las siguien es: La mues a de da os es insu icien e. Los da os no ienen su icien e co elaci´on pa a que el clasi icado saque conclusiones. Nues o an´alisis de los da os y/o La pa ame izaci´on de los clasi icado es no ha sido del odo co ec a. Pa a e si ealmen e es culpa nues a o son los da os de en ada, amos a ealiza unas p uebas donde amos a p edeci con un conjun o de da os sin ´e icos po noso os mismos. Adem´as, es os da os se ´an mucho m´as sencillos y solo di e encia emos si el clien e end ´ıa acciden e o no. Ejecuci´on de las p uebas con da os sin ´e icos Es as p uebas han sido implemen adas con una ed neu onal de diez capas y con cien nodos po cada una de ellas y po el clasi icado Random o es . Se ha c eado un conjun o de da os de mil indi iduos. La mane a de ope a se ´a empeza con pocas columnas e i a˜nadiendo poco a poco pa a pode obse a que cambios a su iendo la p e- dicci´on. A la ho a de en ena los clasi icado es, lo ha emos de dos o mas: 1. Con da os sin escala : Los da os no su en ning´un cambio a los eales. 2. Con da os escalados: Los da os su en una ans o maci´on pa a que odos es ´en en un mismo ango de alo es. Es una p ´ac ica que se ecomienda y que suele mejo a el endimien o del clasi icado . En nues o caso eal no hab´ıa mucha mejo a, pe o pod emos obse a que si es bene icioso pa a nues os da os. De los mil indi iduos que hemos c eado, ha emos el siguien e epa o: 500 indi iduos end ´an en e 25 y 28 a˜nos con un coche de 20.000 a 30.000 kW de po encia. Todos ellos, di emos que end ´an acciden e. 500 indi iduos end ´an en e 35 y 70 a˜nos con un coche de 500 a 10.000 kW de po encia. Ninguno de es os indi iduos su i ´a un acciden e. 39 CAP´ ITULO 6. AN ´ ALISIS DE LOS RESULTADOS 40 Es os da os se ´an cons an es a lo la go de las p uebas e i emos a˜nadiendo m´as columnas seg´un ayamos a anzando siemp e y cuando ayan uncionando co ec amen e. Las columnas que ayamos a˜nadiendo se ´a pa a complica la p edicci´on ya que los da os se ´an m´as alea o ios y end ´an menos elaci´on. P uebas Red neu onal A con inuaci´on, mos a emos los esul ados ob enidos en cada una de las p uebas: •P ueba 1 Tan solo usamos las dos columnas explicadas an e io men e. Figu a 6.1: P ime a p ueba (RN) con los da os sin escala . Como podemos e en la igu a 6.1 los esul ados son casi pe ec os y an solo hay 11 indi iduos que nues a ed neu onal p edice mal. Cap´ı ulo 7 Conclusiones 7.1. U ilidad Hoy en d´ıa, sea cual sea la emp esa y sea cual sea el ´ambi o, si quie e es a ac ualizada y quie e se una emp esa pun e a necesi a ene aplicadas ´ecnicas a anzadas in o m´a icas. La in eligencia a i icial, hoy en d´ıa es ´a o almen e me ida en el me cado y es ´a en pleno auge. Muchas de las mayo es emp esas del mundo ya es ´an in i iendo mucho dine o y iempo en ealiza p oyec os con ´ecnicas como las usadas en es a aplicaci´on. Po lo que, pod ´ıamos deci que es e abajo de in de g ado pod ´ıa se un p oyec o o almen e eal. Adem´as, en el mundo de los segu os con la can idad de asegu ado as y de da os sob e los clien es que ienen, conside amos que se pueden hace g andes p edicciones muy po en es y que pod ´ıa hace que las emp esas aho a an mucho dine o. Po ello, pensamos que hemos ealizado un p oduc o que pod ´ıa se muy ´u il. Hay que ene en cuen a, que nues o p oduc o no solo puede se ´u il en asegu ado as, sino que la idea base del p oyec o, cambiando cie as p opiedades p opias de es e p oyec o, se pod ´ıa ex ende en cualquie o o ´ambi o, eniendo as´ı una idea de p oduc o bas an e po en e. Haciendo e e encia al ´ambi o de las asegu ado as, pensamos que hemos acili ado mucho el papel del ac ua io, y no solo lo hemos acili ado, sino que c eemos que de es a mane a es a emos ajus ando mucho m´as el iesgo que iene un clien e ya que enemos en cuen a ac o es que no se pod ´ıan ene en cuen a sino se es u ie an u ilizando es as ´ecnicas. 7.2. Fu u as Ve siones En nues o p oyec o, al se un mundo an amplio se pod ´ıan hace nume osas e siones u u- as que no hemos conseguido implemen a las o bien po mo i os ´ecnicos o bien po al a de iempo. A con inuaci´on, hacemos un desglose de posibles mejo as u u as: 1. Inclui una in e az m´as so is icada y elabo ada. 2. Mos a di ec amen e cual debe ´ıa se el p ecio del segu o del clien e. 3. Da opciones pa a que el usua io pueda e la in e az en o os idiomas. 4. Ob ene da os de los posibles clien es a a ´es de sus edes sociales. 5. Mos a adem´as del iesgo ac ual que iene un clien e, cu´al se ´a la e oluci´on de un clien e a lo la go de los a˜nos. 47 CAP´ ITULO 7. CONCLUSIONES 48 6. Mos a g ´a icas y un es udio de las p edicciones. Es as ideas son solo algunas de ellas, pe o como hemos dicho an e io men e se pod ´ıan hace mul i ud. 7.3. Valo aci´on del p oyec o Pa a noso os, es e p oyec o ha sido un g an e o el cual pensamos que hemos conseguido su- pe a . Decimos que ha sido un g an e o, ya que se basaba en una ecnolog´ıa que nunca hab´ıamos u ilizado como es Py hon. Lo cie o es que el p oblema no lo u imos a la ho a de comp ende el lenguaje ya que no es di ´ıcil y adem´as exis e mucha can idad de documen aci´on sob e ´el, sino en las ´ecnicas de in eligencia a i icial u ilizadas las cuales no son sencillas de comp ende ni de ea- liza . Fue aqu´ı donde con inuamen e nos d´abamos con a concep os complicados y que no ´e amos capaces de implemen a co ec amen e. Adem´as, como bien hemos explicado a lo la go de es a memo ia, es as ´ecnicas no dan un e- sul ado exac o, ni hay un esul ado “co ec o”. Po an o, es muy di ´ıcil llega a sabe cu´al es el mejo esul ado y se necesi a mucho ensayo-e o pa a sabe qu´e modelo de p edicci´on es el co ec o. Fue a de lo ´ecnico, es e p oyec o ambi´en nos ha ayudado a sabe o ganiza un abajo cos oso y la go lo cual es impo an e a la ho a de a on a el mundo p o esional. Como au oc ´ı ica, pensamos que los clasi icado es debe ´ıan saca mejo es esul ados y as´ı pode ene una aplicaci´on mucho m´as iable. Tambi´en es cie o, que en g an medida nues os clasi icado- es no uncionan como nos gus a ´ıa ya que el conjun o de da os que enemos no su icien e y como bien hemos ido explicando a lo la go del documen o, los da os son i ales pa a una buena p edicci´on. Dejando de lado el p´a a o an e io , pensamos que hemos conseguido en ende los concep os de es as ecnolog´ıas y hemos llegado a ealiza hi os que al p incipio del mismo nos pa ec´ıan muy complicados. Es o nos ha dado un g an empuj´on a la ho a de a on a el mundo labo al y nos ha hecho es a o gullosos del abajo ealizado du an e odo el a˜no. (Ve si´on inglesa en el cap´ı ulo 10) Cap´ı ulo 8 In oduc ion 8.1. Desc ip ion o he p oblem Nowadays, insu ance companies base hei p ices es ima ion in he ac ua y’s analysis, bu his can be e y cos ly. E en hough i may look un eal, all he echnology and ad anced compu e echniques ha we ha e access o a e no used in his analysis. To ge an idea, he p ice o an insu ance is calcula ed based on he s a is ics o wo a iables: he p obabili y ha an un o eseen e en occu s, and he a e age cos esol ing i would ake. [1] The pe son who ca ies ou hese calcula ions is known as “Ac ua y”. As we know, i is no easy o calcula e he p obabili y ha an un o eseen e en occu s, which is he eason why mos o he imes, insu ances a e based on a e y gene al clien ’s p o ile ins ead o being based on each speci ic clien . Mo eo e , di e en echnologies ela ed o A i icial In elligence a e g owing nowadays, such as machine lea ning, neu onal ne wo ks, e c. This happens because e y posi i e esul s a e being achie ed in he acing o di e en p oblems. E en hough lo s o hese echniques ha e exis ed om a long ime ago, i is in he cu en ime when hey a e being applied o eal p oblems sol ing. The eason why his happens is because o he huge g owing o calcula ion capaci y in he las decades, and he da a scalabili y acili y ha he cloud and big da a ha e c ea ed. I is e y impo an o bea in mind ha A i icial In elligence mus be comple ely linked o da a, and ice e sa. In iew o his lack, ou aim is o acili a e he analysis o he ac ua ies h ough a compu e so wa e based on A i icial In elligence echniques, and allow hem o adap hei wo k o each speci ic clien . 8.2. Idea o he p ojec In his p ojec , we ha e de eloped a so wa e aimed a suppo ing insu ance companies in achie ing a mo e op imal and secu e p edic ion o he clien s’ isk, so ha he es ima ed p ices o hei a es can be mo e adequa e o each clien . To do so, we ha e used di e en A i icial In elligence echniques. The da a we ha e used o make ou so e s wo k co ec ly we e p o ided by ac ual insu ance companies in “Excell” o ma . These da a made ou sample consis en enough o ge a so e . 49 CAP´ ITULO 8. INTRODUCTION 50 The whole so wa e is implemen ed in Py hon3 and de eloped in Jupy e No ebook en i on- men .. The p edic ion will be based on di e en classi ica ion models: 1. Neu onal ne wo ks 2. Random o es The insu ance companies will ha e some disc e ion in deciding how o con igu e he p og am. In such way, hey will be able o gi e p io i y o hose cha ac e is ics ha hey conside he mos impo an ones. They will be able o do so in an easy way hanks o ou in e ace, which allows i s usage wi hou he necessi y o unde s anding wha he p og am does in o de o calcula e he p edic ions. 8.3. Conclusion As i has been men ioned, i is no easy o he insu ance companies o calcula e a es o hei clien s, due o he ac ha hei clien s’ isk p edic ions a e based on one pe son’s wo d ins ead o using a compu e so wa e. In ou opinion, no using he wide a ie y o ools a ailable is a lack nowadays. This is he eason why we ha e conside ed ha implemen ing an inno a i e ool was a g ea oppo uni y o lea ning mo e abou p og amming languages ha we had ne e wo ked wi h, as well as o lea ning abou an amazing issue, he A i icial In elligence. Wi h ou p oduc , we will y o help insu ance companies by p o iding a ool ha is able o calcula e di e en isk p edic ions o a clien , and, his way, acili a ing he ac ua ies’ wo k who would be able o ake hese p edic ions as indica o s o es ablishing a es. Cap´ı ulo 9 Wo k Planning In o de o achie e ou goals, ou planning o he p ojec was as ollows: 1. Indi idual s udy o each membe o he g oup in o de o achie e a global unde s anding o machine lea ning and he di e en echniques ha ha e been used in his p ojec . 2. Sha ing o in o ma ion and ideas, and decisions aking ega ding he echnologies ha we e going o be used wi h he o he membe s o he g oup and he di ec o s and p ojec . 3. Ins alla ion and deploymen o he ool: Anaconda – Jupy e no ebook. (Wo k Pla o m). 4. Analysis o he wo k ha had o be done and di ision o he p ojec among he membe s o he g oup. 5. Design o he i s d a s wi h balsamiq ha allowed an ini ial ision o he in e ace. 6. S udy o Py hon, he main language o he p og am, del ing in he di e en A i icial In e- lligence echniques ha we had o use o ou so wa e. 7. S udy o he ea u es ha had o be used in he da a model o s a wi h he da a cleansing. 8. Indi idual p og amming wi h wo main sub-aims: a. G aphic in e ace ( on -end) b. Cleansing and ea men o he da a (back-end) 9. Knowledge o a basic neu onal ne wo k knowledge wi h he aim o es ing he da a ea men . 10. Me ging o he wo sub-aims o ge a i s unc ional so wa e ha we could s a using o s udying he esul s ob ained. 11. Making o es s wi h he con usion ma ix o he neu onal ne wo k o e alua e he e iciency o he ool. 12. Imp o emen o he in e ace o make i as comple e and use - iendly as possible. 13. Deep s udy o Random o es so e . 14. Implemen a ion o he o he so e s (Random o es ). 15. Random o es es s and e o s sol ing. 16. In eg a ion o he Random o es algo i hm in he inal so wa e. 17. Final so wa e unc ioning es s and co ec ion o possible mis akes. I is wo h men ioning ha his memo y was w i en a he same ime he de elopmen desc i- bed abo e was aking place. Besides, i is impo an o highligh ha some o hese asks we e done by he whole g oup, bu some o he s we e done indi idually, as i was speci ied in he planning. 51 Cap´ı ulo 10 Conclusions 10.1. U ili y Nowadays, e e y company, no ma e he ield i is specialized on, mus use compu e echni- ques in o de o be upda ed. A i icial In elligence is comple ely in eg a ed in oday’s ma ke , and i keeps g owing e en mo e. Many di e en well-known companies a e in es ing a lo o money and ime in ca ying ou p ojec s wi h echniques simila o he ones used in his so wa e. The e o e, we could say ha his p ojec could pe ec ly be an ac ual p ojec . Besides, in he insu ance ield, he e a e lo s o companies and da a abou hei clien s. This is why e y powe ul p edic ions, ha would sa e a lo o money and ime o he companies, could be ca ied ou . I is impo an o highligh as well ha ou p oduc could be e y use ul o o he companies di e en om insu ance companies. I could be easily implemen ed o o he ields by aking he base o he p ojec and changing he ea u es. In ela ion o he insu ance companies, we could s a e ha we ha e eased he ole o he ac- ua y; no only eased i , bu ge ing mo e accu a e p edic ions o isk o each clien , since we ha e aken in o accoun many ea u es ha couldn’ ha e been conside ed o he wise. 10.2. Fu u e Ve sions In ou p ojec , lo s o u u e e sions could be done, since i is a huge a ea o s udy. Howe e , due o echnical o ime es ic ions, we ha en’ been able o implemen hem. He eunde , u u e possible imp o emen s a e lis ed: 1. Including a mo e sophis ica ed and elabo a ed in e ace. 2. Showing di ec ly he a e he clien ’s insu ance should ha e. 3. Gi e he use he op ion o using he in e ace in di e en languages. 4. Ob aining da a abou possible clien s om hei social ne wo ks. 5. Showing, apa om he eal isk a clien has, he e olu ion his clien will su e along he passing o ime. 6. Showing g aphics and a s udy o he p edic ions. These a e only some ideas, al hough lo s o hings could be done in ela ion o his p ojec . 52 CAP´ ITULO 10. CONCLUSIONS 53 10.3. Assessmen o he P ojec Fo us, his p ojec has been a pe sonal challenge ha we hink we ha e been able o deal wi h. We conside i a g ea challenge because i is based on a echnology we had ne e used be o e, such as Py hon language. The p oblem was no unde s anding he language, since i is no com- plica ed and i is a e y documen ed language, bu using A i icial In elligence echniques ha a e no easy o unde s and no o use. In addi ion, as we ha e explained along his pape , hese echniques don’ p o ide an exac esul , and “co ec ” esul s don’ exis ei he . This is he eason why i is e y di icul o know which is he bes esul and a lo o es -e o is needed o know which is he co ec p edic ion model. Apa om he echnical pa , h ough his p ojec we ha e lea ned how o o ganise a big p ojec , which is a e y impo an skill o he labou ma ke . As a sel -c i icism, we would say ha so e s could ob ain be e esul s, and ha he so wa- e would be much mo e eliable in such way. I is ue ha ou so e s don’ wo k as good as we would like because we didn’ ha e enough da a, which is a basic elemen o ob ain a good p edic ion. Finally, we hink ha we ha e unde s ood hese echnologies and we ha e ob ained esul s ha we conside ed e y di icul be o e s a ing he p ojec . This is a g ea suppo o en e ing he labou ma ke , since we a e p oud o he wo k we ha e de eloped along he yea . Cap´ı ulo 11 Con ibuci´on de cada miemb o •Apo aci´on D´amaso S´anchez A enas An´alisis y ap endizaje de la ecnolog´ıa Cuando se comenz´o el p oyec o, lo p ime o que hubo que hace , como se aco d´o en la p ime a euni´on ue in o ma se ace ca de posibles ecnolog´ıas y en o nos que pod´ıamos usa . Es a in o maci´on p incipalmen e se sac´o leyendo en di e sos o os de In e ne y iendo ´ıdeos de expe os en la ma e ia. La ecnolog´ıa a usa ue una elecci´on muy aco ada ya que Py hon y R son los lenguajes po excelencia en es e ipo de p oyec os. Po lo an o, hab´ıa que elegi uno de los dos pa a ealiza p oyec o. Fue D´amaso el que jun o a los di ec o es y la ap obaci´on de Edua do oma on la decisi´on de hace lo en Py hon ya que es un lenguaje que iene mucho in e ´es en el mundo labo al y que es ´a muy demandado hoy en d´ıa. Adem´as, se analiz´o el lenguaje y imos que pod ´ıa cumpli con c eces odos los equisi os pa a hace nues o p oyec o de machine lea ning. Una ez elegido el lenguaje y el en o no de abajo, se comenz´o a pensa que biblio ecas deb´ıamos usa . En es e caso, D´amaso ue el que as in o ma se po In e ne decidi´o hace la in e az con la biblio eca de Py hon Tkin e [3]. El mo i o p incipal ue la can idad de documen- aci´on y acilidades que apo aba dicha biblio eca. Una ez analizado las ecnolog´ıas que ´ıbamos a usa , ya es aba odo lis o pa a empeza a desa- olla . Desa ollo En el inicio del desa ollo de la aplicaci´on, cuando a´un no se hab´ıa comenzado, con el in de ene algo uncional lo an es posible, D´amaso comenz´o a desa olla la in e az g ´a ica mien as Edua do comenzaba con la pa e back-end. A la pa que D´amaso iba desa ollando la in e az, iba o m´andose ace ca del back-end de la aplicaci´on pa a despu´es abaja en pa alelo jun o a Edua do. Una ez que la in e az ya e a lo su icien emen e comple a como pa a pode ene algo uncio- nal, D´amaso comenz´o a abaja de mane a pa alela jun o con Edua do en la pa e back-end del p oyec o. T as un la go pe iodo abajando de mane a pa alela, cuando ya se es aban haciendo las p ue- bas pa a e las p edicciones ob enidas po las edes neu onales, D´amaso comenz´o a o ma se c´omo se ´ıa el desa ollo sob e el clasi icado Random o es . Una ez que la pa e de las edes neu onales es aba apun o de inaliza , y mien as Edua do daba los e oques inales a la in e az, D´amaso comenz´o a desa olla la pa e del Random o es . 54 CAP´ ITULO 11. CONTRIBUCI ´ ON DE CADA MIEMBRO 55 Cuando la pa e de las edes neu onales y la in e az g ´a ica ya es aban inalizadas, ambos miemb os del equipo se cen a on en implemen a el Random o es y comp oba que los esul- ados en´ıan sen ido.De es a mane a, in en aban pode pone pun o inal a la pa e back-end del p oyec o. Una ez que odo es aba desa ollado, ambos miemb os del equipo dedica on odo su iempo a ealiza p uebas y a co egi allos. Ges i´on de e siones Las dis in as e siones que se iban desa ollando an o po pa e de Edua do como po pa e de D´amaso se iban ges ionando usando un eposi o io en Gi hub pa a que con inuamen e ambos u i´e amos acceso a odo, al igual que los di ec o es. Documen aci´on La pa e de la documen aci´on se ealiz´o du an e odo el p oyec o de mane a pa alela al desa- ollo po ambos miemb os del equipo. Al inal del p oyec o, an es de en ega nada, se hizo una e isi´on de oda la documen aci´on y se soluciona on e o es. La memo ia se iba iendo con los di ec o es del p oyec o pa a pode ob ene un eedback con- inuo y de es a mane a pode i co igiendo e o es. •Apo aci´on Edua do Rod ´ıguez De Cas o Zalo˜na An´alisis y ap endizaje de la ecnolog´ıa Al inicio del cu so, al igual que D´amaso, Edua do en´ıa que in o ma se ace ca de las ecno- log´ıas y en o nos. A pesa de que ambos se in o ma on pa alelamen e de ambas cosas, inalmen e ue Edua do el que m´as se in o mo ace ca de los posibles en o nos y el que jun o a los di ec o es del p oyec o y con la ap obaci´on de D´amaso, decidie on elegi jupy e no ebook como en o no de implemen aci´on. Pos e io men e, cuando ya se sab´ıa la ecnolog´ıa y el en o no a u iliza , ue Edua do el que m´as es ue zo inicial puso en in o ma se sob e el a amien o del da a ame mien as que D´amaso es aba m´as cen ado en la pa e de la in e az. g ´a ica. Edua do hab´ıa cu sado la asigna u a de “Mine ´ıa de Da os” en a˜nos an e io es y es po eso que en´ıa m´as conocimien os ace ca del ema y le cos ´o menos abajo inicial en ende algunos con- cep os. Po ello, inicialmen e ue Edua do quien comenz´o a desa olla el back-end de la aplicaci´on. Desa ollo Como hemos comen ado en el caso de D´amaso an e io men e, Al comenza el p oyec o y con la idea de ene algo uncional cuan o an es, Edua do comenz´o a ealiza el back-end de la aplica- ci´on g acias a los conocimien os que hab´ıa adqui ido en la asigna u a op a i a “Mine ´ıa de da os” mien as D´amaso es aba m´as cen ado en la pa e del on -end. Po ello, comenz´o a a a el da a ame y a pensa c´omo se iban a implemen a las edes neu onales. Ob iamen e, a la ez que iba desa ollando, iba ense˜nando a D´amaso pa a que ambos u ie an conocimien o y pudie an abaja en pa alelo. Una ez que D´amaso ya ob u o el conocimien o, du an e un buen pe iodo, ambos miemb os del equipo es u ie on abajando de mane a pa alela en el a amien o del da a ame y en la implemen aci´on de las edes neu onales. CAP´ ITULO 11. CONTRIBUCI ´ ON DE CADA MIEMBRO 56 Como bien sabemos, pa a sabe si una p edicci´on se es a haciendo bien, hay que hace mucho ensayo-e o y po eso en es a ´epoca del p oyec o se necesi a on euniones cons an emen e pa a pode habla con los di ec o es del p oyec o has a que llegamos a unas edes neu onales que p e- dec´ıan de mane a acep able. Una ez que ya en´ıamos una aplicaci´on uncional, aunque no de ini i a. Edua do se cen ´o en co egi allos de la in e az e in en a hace la lo m´as amena y p ´ac ica posible. Po ´ul imo, cuando an o las pa es de las p uebas con las edes neu onales como las de la in e az g ´a ica es aban ealizadas, Edua do jun o con D´amaso desa olla on y inaliza on la pa e del clasi icado Random o es . Una ez que odo es aba desa ollado, ambos miemb os del equipo dedica on odo su iempo a ealiza p uebas y a co egi los posibles allos. Ges i´on de e siones Las dis in as e siones que se iban desa ollando an o po pa e de Edua do como po pa e de D´amaso se iban ges ionando usando un eposi o io en Gi hub pa a que con inuamen e ambos u i´e amos acceso a odo, al igual que los di ec o es. Documen aci´on La pa e de la documen aci´on se ealiz´o du an e odo el p oyec o de mane a pa alela al desa- ollo po ambos miemb os del equipo. Al inal del p oyec o, an es de en ega nada, se hizo una e isi´on de oda la documen aci´on y se soluciona on e o es. La memo ia se iba iendo con los di ec o es del p oyec o pa a pode ob ene un eedback con- inuo y de es a mane a pode i co igiendo e o es.