Arribem a l'última lliçó del curs. A 08-03 vam cartografiar cap a on avança el camp; toca ara l'altra meitat del mapa: el que encara no funciona bé. Els reptes oberts del deep learning no són notes a peu de pàgina: són la raó que existeixi feina qualificada en aquest sector, perquè on hi ha problemes sense resoldre hi ha professionals necessaris. Veurem els reptes tècnics que la recerca persegueix, els reptes —més mundans però més decisius— de portar models a producció en empreses reals, el mapa de sortides professionals, i com convertir el portfolio TecnoMarket que has construït en un portfolio teu. I tancarem com es tanca un curs: recapitulant el viatge complet i marcant els passos següents.

1. Reptes tècnics oberts del camp
2. Del prototip al producte: els reptes d'adopció
3. El mapa d'oportunitats professionals
4. Com construir un portfolio real a partir de TecnoMarket
5. El viatge complet: recapitulació del curs
6. Passos següents: tres rutes d'especialització
7. Comiat

Cap d'aquests problemes no està resolt; tots els has fregat ja en versió petita durant el curs. Aquesta és la bona notícia: els reptes de frontera són versions grans de coses que ja entens.

Els models aprenen la distribució de les seves dades d'entrenament i es degraden —de vegades en silenci— quan el món se'n surt. Ja ho vas viure en versió quotidiana: la deriva conceptual de 06-05 (els hàbits de compra canvien i el predictor de demanda envelleix) és exactament aquest problema a càmera lenta; les fotos casolanes de 08-01 (el classificador entrenat amb fotos d'estudi) en són la versió instantània. La recerca busca models que detectin "això no s'assembla al que vaig veure" i s'abstinguin o s'adaptin; avui, la resposta pràctica continua sent la que vam construir: monitoratge de deriva, conjunts de validació congelats i cues de revisió humana.

La frontera presumeix de datasets planetaris, però la majoria dels problemes reals tenen poques dades etiquetades, i brutes. Les armes actuals les coneixes: transfer learning (05-03), augment de dades (05-04), autosupervisat sobre dades sense etiquetar (08-03). El problema obert: aprendre de debò amb pocs exemples, com fa una persona a qui n'hi ha prou de veure una cafetera per reconèixer-les totes.

Un model generatiu produeix sortides plausibles, no veritables. Ho vas veure néixer al teu propi generador de 07-02: inventava característiques de productes amb total fluïdesa, i per això vam imposar revisió humana obligatòria. Als LLMs (05-05, 08-03) el problema escala: text segur de si mateix, gramaticalment impecable i factualment fals. Mitigacions actuals: RAG (ancorar la generació en documents reals, 08-03), ajust perquè el model expressi incertesa, verificació posterior. Solució de fons: encara no existeix — és potser el problema obert més car del moment, perquè limita el desplegament de generatius en tot allò que exigeix exactitud.

Els models són fràgils davant d'entrades dissenyades per enganyar-los. A nivell conceptual, dues famílies:

• Atacs d'evasió: pertorbacions minúscules i imperceptibles que canvien la predicció (l'adhesiu que fa que un classificador vegi una altra cosa).
• Adversaris adaptatius: el cas TecnoMarket és el detector de frau de 07-03 — els defraudadors no són estàtics: proven, observen quines transaccions es bloquegen i adapten el seu comportament fins a semblar normals. Contra un adversari que aprèn, un model entrenat amb el frau d'ahir sempre va un pas endarrere. Per això l'antifrau real és un cicle continu (reentrenar amb casos nous, revisar llindars, mantenir revisors humans que detectin patrons inèdits), no un model que s'entrena una vegada.

A 08-01 vam veure eines (saliència, SHAP) i salvaguardes (revisió humana). Però entendre de debò per què una xarxa de milions de paràmetres decideix el que decideix continua obert: les explicacions actuals són aproximacions útils, no garanties. Mentrestant, la norma professional és la que vam adoptar: com més gran l'impacte de la decisió, menor l'autonomia del model.

La tensió de 08-02/08-03 com a problema obert: la frontera avança a base d'escala, i l'escala costa diners, energia i concentració de poder. Cada avenç en eficiència (quantització, destil·lació) alleuja el símptoma; la pregunta oberta és si hi haurà camins cap a la capacitat sense l'escala.

L'estadística incòmoda del sector: una gran part dels projectes de ML mai no arriba a producció, i no per culpa dels models. L'equip de TecnoMarket ho sap perquè ho ha recorregut sencer, i la seva experiència resumeix els obstacles reals:

• Les dades reals estan brutes. Els datasets del curs (MNIST, CIFAR-10, Fashion-MNIST) venien nets i etiquetats. El catàleg real de TecnoMarket té fotos girades, categories inconsistents, ressenyes amb spam i transaccions amb camps buits. En projectes reals, la neteja i preparació de dades consumeix la major part del temps — i és on els cursos acostumen a callar i els professionals es guanyen el sou.
• El model és el 20 %; l'enginyeria, el 80 %. Mira el que va envoltar cada model del curs: l'API de desplegament i la validació congelada (06-05), el monitoratge de deriva (06-05), la cua de revisió humana (03-04), els llindars de negoci en euros (07-03), l'auditoria ètica (08-01). Tot això és enginyeria i procés, no model.fit(). El fitxer del model és la peça petita d'un sistema gran.
• El manteniment no s'acaba mai. Un model desplegat és un compromís permanent: deriva, reentrenaments, auditories, dependències que s'actualitzen, persones que roten. El "deute tècnic en ML" té formes pròpies i traïdores: dependències ocultes entre dades i model (canvies com es calcula una columna i el model es degrada sense avisar), pipelines d'experiments convertits en producció sense refactoritzar, llindars màgics que ningú no recorda per què valen 0,7 (per això vam documentar el percentil de 07-03 i la seva matriu en euros: perquè el perquè sobrevisqui al qui).
• L'èxit es mesura en negoci, no en accuracy. La lliçó de la matriu de confusió en euros de 07-03: un model "pitjor" en mètriques pot ser millor en diners, i viceversa. Els projectes que prosperen són els que tradueixen les seves mètriques a l'idioma de qui decideix.

La conseqüència professional és enorme: les empreses no necessiten només gent que entreni models; necessiten sobretot gent que sàpiga portar-los i mantenir-los en producció. Això reordena el mapa de sortides professionals, que és el punt següent.

El sector s'ha especialitzat. Els rols principals, què fan i quina part del curs els correspon:

Notes honestes sobre el mapa:

• Les fronteres són poroses: en un equip petit com el de TecnoMarket, una persona cobreix diversos rols; en una de gran, cada rol és un departament.
• El rol amb més demanda insatisfeta acostuma a ser el del mig: perfils que entenen el model i l'enginyeria i el negoci. Aquest curs t'ha entrenat deliberadament en aquesta intersecció.
• No cal ser investigador: la immensa majoria de l'ocupació del sector és a aplicar bé el que ja existeix, no a inventar arquitectures.

Tens cinc projectes funcionant (mòdul 7). Tal qual, són exercicis de curs; amb feina dirigida, són un portfolio que obre entrevistes. La diferència és en tres moviments:

1. Fes-los teus canviant les dades. Un entrevistador reconeix CIFAR-10 i Fashion-MNIST a deu metres. Substitueix-los per datasets públics reals d'un domini que t'interessi (repositoris de dades obertes: portals de dades governamentals, Kaggle, Hugging Face Datasets, UCI). Idees directes per projecte:

2. Ensenya'ls com un professional. Reprèn els hàbits d'entorn i eines de 06-04: un repositori net per projecte, amb README que expliqui el problema, les dades, les decisions (i els fracassos!), les mètriques contra baseline, i com reproduir-ho (dependències fixades, llavors, instruccions). Un notebook desordenat sense README diu "estudiant"; un repo reproduïble amb decisions justificades diu "company d'equip".

3. Afegeix la capa que gairebé ningú no afegeix. Tria un o dos projectes i porta'ls fins on va arribar TecnoMarket: API d'inferència (06-05), petita auditoria per subgrups (08-01), anàlisi de cost d'errors (07-03). Aquesta capa —sistema, no només model— és exactament el que l'apartat d'adopció diu que escasseja, i diferencia el teu portfolio del 90 % restant.

Mira ara enrere. Això és el que has recorregut, mòdul a mòdul, amb TecnoMarket com a fil:

• Mòdul 1 — Què és el deep learning, la seva història (de la neurona artificial a l'hivern de la IA i d'allà als transformers), les seves aplicacions, i el teu entorn de treball a punt. TecnoMarket era només una idea: una botiga amb dades sense explotar.
• Mòdul 2 — Els fonaments de debò: perceptró, activacions, propagació cap endavant i cap enrere, pèrdues i optimitzadors, i la teva primera xarxa completa reconeixent dígits MNIST. Vas aprendre el mecanisme que tota la resta reutilitza.
• Mòdul 3 — Les CNN: convolucions, pooling, arquitectures clàssiques, i la primera decisió d'enginyeria madura del curs: el llindar de confiança amb cua de revisió humana, que ens va acompanyar fins a la checklist ètica.
• Mòdul 4 — Les RNN i LSTM: el sentiment de les ressenyes amb encaminament i la predicció de demanda mesurada contra baselines honestos — la disciplina de "compara't amb alguna cosa simple" que va reaparèixer a cada projecte.
• Mòdul 5 — Les tècniques avançades: GAN (i la pregunta ètica que vam deixar sembrada), autoencoders i les seves representacions, transfer learning, regularització, i l'atenció i els transformers que van tancar l'arc històric obert a 01-02.
• Mòdul 6 — Del quadern al món: TensorFlow i PyTorch, entorns reproduïbles, i el desplegament complet — API, validació sobre conjunt congelat, monitoratge de deriva, checklist.
• Mòdul 7 — Els cinc projectes del portfolio: el classificador CIFAR-10 (~82-85 %), el generador de descripcions amb temperatura i revisió humana, el detector de frau amb la seva matriu de confusió en euros i la seva decisió a tres bandes, la DCGAN de Fashion-MNIST amb el seu bucle d'entrenament artesanal, i el fine-tuning de MobileNetV2 (~91 %) que va batre la teva pròpia CNN i et va ensenyar la lliçó estratègica del transfer learning.
• Mòdul 8 — La dimensió professional completa: auditar biaix i governar contingut sintètic (08-01), entendre l'impacte en ocupació, economia i ambient (08-02), llegir les tendències amb criteri (08-03), i aquest mapa final de reptes i oportunitats.

Dit d'una altra manera: vas començar sense saber què era una neurona artificial i acabes sabent construir, avaluar, desplegar, auditar i defensar davant d'un comitè un sistema de deep learning complet. Això no és "haver fet un curs"; és una competència professional de partida.

A partir d'aquí, el camí es bifurca segons el que més t'hagi agradat. Tres rutes clares, cadascuna amb els seus temes següents típics:

Ruta 1: Visió per computador (si vas gaudir els mòduls 3, 5 i els projectes 07-01/07-04/07-05)

• Detecció d'objectes i segmentació (localitzar i delimitar, no només classificar).
• Models de difusió en profunditat i visió amb transformers.
• Edge AI: models en mòbil i dispositius (l'arc MobileNet fins al final).
• Cursos/temes típics: visió per computador avançada, processament d'imatge, desplegament en dispositius.

Ruta 2: NLP i LLMs (si vas gaudir el mòdul 4, 05-05 i el projecte 07-02)

• Transformers en profunditat: tokenització, embeddings, fine-tuning de models de llenguatge oberts.
• Enginyeria d'aplicacions amb LLMs: RAG, agents, avaluació de sistemes generatius.
• Els reptes d'aquesta lliçó en primera línia: al·lucinacions i avaluació factual.
• Cursos/temes típics: processament del llenguatge natural, LLMs aplicats, recuperació d'informació.

Ruta 3: MLOps i enginyeria de ML (si vas gaudir el mòdul 6 i el "80 % d'enginyeria")

• Pipelines de dades i entrenament reproduïbles; versionatge de dades i models.
• Monitoratge, testing de models, desplegament continu i a escala.
• Infraestructura: contenidors, orquestració, optimització d'inferència.
• Cursos/temes típics: MLOps, enginyeria de dades, arquitectura de sistemes al núvol.

Les tres rutes comparteixen un mateix consell de mètode, que és el mètode d'aquest curs: aprèn construint un projecte real de punta a punta, amb baselines, mètriques i desplegament, i suma'l al portfolio. I sigui quina sigui la ruta, emporta't les tres disciplines transversals que vam practicar fins al final: compara't sempre amb un baseline, mantén un humà a les decisions d'alt impacte, i passa la checklist ètica abans de desplegar.

• Confondre els reptes oberts amb motius de paràlisi. Que la interpretabilitat o les al·lucinacions no estiguin resoltes no impedeix desplegar amb responsabilitat: significa desplegar amb les salvaguardes que vas aprendre (revisió humana, monitoratge, llindars per impacte).
• Presentar-se a entrevistes amb els datasets del curs tal qual. MNIST i CIFAR-10 demostren que vas seguir un curs; un dataset real amb decisions documentades demostra que saps treballar.
• Triar especialització per salari en comptes de per afinitat. Els tres camins estan ben pagats i ho continuaran estant; la constància que exigeix especialitzar-se només surt de treballar en el que t'agrada. Usa la taula de rols: quins mòduls vas gaudir és el millor predictor.
• Deixar d'estudiar en acabar el curs. Aquest camp es renova cada pocs anys (ho vas veure a 08-03). La rutina petita i sostinguda —un parell d'hores setmanals, un projecte sempre entre mans— val més que un afartament anual.
• Subestimar el que ja saps. La síndrome de l'impostor és endèmica en aquest camp perquè sempre hi ha alguna cosa nova que no coneixes. Referència objectiva: ets capaç de construir, desplegar i auditar els cinc sistemes del mòdul 7. Molts professionals en actiu no han fet mai les cinc coses.
• Consell final de mètode: quan dubtis entre estudiar alguna cosa nova o aprofundir en el que tens, tria gairebé sempre aprofundir. Un projecte dut fins a producció ensenya més que tres de començats.

Sis mesos després del desplegament, el recall del detector de frau de 07-03 ha caigut del 83 % al 61 % sense que cap alarma saltés: els defraudadors van aprendre a fraccionar compres grans en diverses de petites des de comptes nous. Redacta un breu postmortem: (a) quin repte tècnic d'aquesta lliçó es va materialitzar i per què el monitoratge de deriva de 06-05 no el va detectar a temps?; (b) proposa tres mesures correctores de naturalesa diferent (dades/model, procés, persones); (c) què li diu aquest cas a l'equip sobre la idea de "model acabat"?

Autoavaluació guiada, per fer per escrit de debò: (a) ordena els mòduls del curs del que més vas gaudir al que menys; (b) amb la taula de rols i les tres rutes, identifica la teva ruta i el teu rol més probables; (c) defineix el teu primer projecte postcurs: quin projecte TecnoMarket usaràs de base, amb quin dataset públic real, i quina "capa professional" (API, auditoria de subgrups o anàlisi de cost) hi afegiràs; (d) fixa un termini realista en setmanes.

Com a tancament integrador: la direcció de TecnoMarket et demana un pla de ML per a l'any vinent en una pàgina. Ha d'incloure: un projecte nou justificat per tendències madures (08-03), el pla de manteniment dels cinc models existents (aquesta lliçó: deriva, reentrenaments, auditories), els rols humans necessaris (08-02) i les salvaguardes ètiques (08-01). Redacta'l en 8-12 línies: és l'examen final no oficial del curs.

Solució 1. (a) Es va materialitzar el repte de robustesa davant d'un adversari adaptatiu: els defraudadors van observar el comportament del sistema i van modificar el seu patró fins a caure dins d'allò "normal". El monitoratge de deriva de 06-05 vigila canvis en la distribució d'entrada, però el fraccionament produeix transaccions individualment normals (imports petits, comptes nous: res d'estrany per separat) — l'anomalia és en el patró agregat entre transaccions, que ni el model ni el monitor miraven; a més, el recall real només es coneix quan el frau es confirma setmanes després, així que la mètrica arriba sempre amb retard. (b) Dades/model: afegir variables agregades per client i per targeta en finestres temporals (nombre de compres en 24 h, suma d'imports, edat del compte) perquè el patró fraccionat sigui visible al model, i reentrenar amb els casos nous etiquetats. Procés: afegir al monitoratge mètriques de negoci amb retard (frau confirmat per setmana, en euros — la matriu de 07-03 com a sèrie temporal) amb alarma pròpia, i un cicle fix de "red team" intern que intenti burlar el model abans que els defraudadors. Persones: reforçar la franja de revisió humana per a comptes nous i garantir un canal pel qual els revisors escalin patrons inèdits (van ser humans, no mètriques, els qui ho podrien haver vist abans). (c) Que "model acabat" no existeix contra un adversari que aprèn: l'antifrau és un cicle permanent de mesurament, adaptació i vigilància humana — la versió extrema de la lliçó general del manteniment.

Solució 2. No hi ha solució única: és la teva autoavaluació. Criteris de correcció per a tu mateix: la ruta triada ha de ser coherent amb els teus mòduls favorits (si el teu top va ser el mòdul 6 i tries visió "perquè sona millor", revisa el tercer error comú); el projecte definit ha de cabre en el termini (un classificador afinat amb auditoria de subgrups són 2-4 setmanes realistes de temps parcial; "construir un LLM" no és un primer projecte); i el resultat ha d'acabar en un repositori públic reproduïble, perquè l'objectiu de l'exercici és el primer maó del portfolio propi, no un pla que es quedi en paper.

Solució 3. Un pla sòlid s'hauria d'assemblar a això (una versió, no l'única): "Projecte nou: cerca visual del catàleg (multimodalitat, tendència madura segons el nostre radar de 08-03), en pilot intern el primer semestre, construïda sobre embeddings d'un model preentrenat — la nostra via contrastada de transfer learning. Manteniment: els cinc models actuals queden sota monitoratge de deriva més mètriques de negoci amb retard; reentrenaments disparats per llindar (política B de 08-02) amb revalidació sobre conjunts congelats i reauditoria de biaix per subgrups a cada cicle; pressupost explícit d'un 60 % del temps de l'equip per a manteniment — assumim que el model és el 20 % del sistema. Persones: es consoliden els rols de revisor de cua humana i editor de contingut IA amb formació interna; s'incorpora un perfil MLOps. Salvaguardes: cap decisió d'alt impacte sense franja de revisió humana; tot contingut generat, marcat i revisat; checklist ètica de 08-01 obligatòria a cada desplegament, amb revisió de compliance/legal — aquest pla no constitueix assessorament legal i el seu encaix regulatori serà validat per professionals." Si la teva versió conté aquests quatre blocs amb decisions concretes i justificades, has integrat el curs sencer en una pàgina.

Fi del trajecte. Vas començar aquest curs preguntant-te què és el deep learning; l'acabes sabent què fa per dins una xarxa neuronal (mòduls 1-2), com veuen les CNN (mòdul 3), com processen seqüències les RNN i LSTM (mòdul 4), com generen les GAN, comprimeixen els autoencoders i atenen els transformers (mòdul 5), com s'entrena, es guarda i es desplega tot això amb eines professionals (mòdul 6), i ho vas demostrar construint cinc sistemes reals per a TecnoMarket (mòdul 7) que després vas aprendre a auditar, contextualitzar i projectar cap al futur (mòdul 8). L'equip de dades de TecnoMarket que vam imaginar a la primera lliçó ja existeix: ets tu.

Queden reptes oberts —models que fallen fora del seu món, generatius que inventen, adversaris que s'adapten, caixes negres a mig obrir— i això és exactament el que t'ha d'alegrar: un camp resolt no necessitaria ningú de nou. El teu següent moviment està definit: tria la teva ruta (visió, NLP/LLMs o MLOps), converteix un projecte TecnoMarket en un projecte teu amb dades reals i capa professional, i mantén la rutina petita de continuar aprenent. Emporta't les tres disciplines del curs —baselines honestos, humans a les decisions importants, ètica abans de desplegar— i tindràs una cosa més valuosa que qualsevol tècnica concreta: criteri.

Ha estat un llarg viatge des d'aquella primera neurona. Gràcies per recórrer-lo fins al final. Ara deixa de llegir i ves a entrenar alguna cosa. El camp t'està esperant.