Plataforma web per a una IA generadora de melodies musicals
Bibliographic record
Abstract
[ES] Este proyecto consiste en el desarrollo e implementación de una plataforma web diseñada para dar acceso al usuario a una IA generadora de melodías musicales. A pesar de que este proyecto se presente como un trabajo académico, tiene también una proyección comercial, ya que la plataforma web desarrollada permite acceder a los diversos proyectos de IA desarrollados en el Laboratorio Quosséça. Este laboratorio, el cual es dirigido por el profesor Gilles Pesant, se encuentra en la Universidad Politécnica de Montreal (Canadá), y está especializado en IA y programación mediante restricciones. En el laboratorio existían diversos proyectos enfocados en la generación de melodías musicales mediante algoritmos de IA, pero no tenían alcance a un público general, quedándose recluidos en el ámbito académico. Así nació la necesidad de crear una plataforma web desde la que cualquier usuario externo pudiese acceder a estos proyectos, pudiese entrenar el algoritmo seleccionado con sus propios ficheros MIDI, pudiese seleccionar las restricciones a aplicar a la futura melodía generada y posteriormente reproducirla. La metodología empleada para el desarrollo de la plataforma web ha sido una metodología en cascada. El frontend de la plataforma se ha desarrollado en HTML, CSS, el framework Bootstrap y JavaScript. El backend relacionado con la lógica de la plataforma se ha realizado mediante el framework Flask y Python, mientras que el correspondiente al almacenamiento de datos se ha realizado mediante el framework .NET de C# (creación de una API REST). Como resultado final, se ha logrado crear una plataforma web responsive dotada de todas las funcionalidades necesarias posibles para generar melodías musicales a través de los proyectos desarrollados en el Laboratorio Quosséça.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 0.013 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".