A les dues lliçons anteriors hem vist d'on ve la intel·ligència artificial i quines són les seves àrees. Ara toca respondre la pregunta que es fan la Marta i en Diego a NovaMarket: "per a què s'està fent servir això realment?". Recorrerem els principals sectors (salut, transport i logística, finances, comerç electrònic i màrqueting, indústria, atenció al client, educació, llar i oci) i, per a cada aplicació, identificarem quina tècnica hi ha al darrere (connectant amb el mapa d'àrees de la lliçó 01-02) i quins beneficis i riscos aporta. Al final ho aterrarem tot a NovaMarket: fixarem la seva llista de casos d'ús candidats, que serà el mapa de la resta del curs, i construirem un primer recomanador trivial en Python perquè vegis que la distància entre la idea i un prototip pot ser sorprenentment curta.

1. Com llegir una aplicació d'IA: problema, tècnica, benefici, risc
2. Salut
3. Transport i logística
4. Finances
5. Comerç electrònic i màrqueting
6. Indústria
7. Atenció al client
8. Educació
9. Llar i oci
10. Taula resum: sector, problema, tècnica, exemple
11. Els casos d'ús candidats de NovaMarket
12. Exemple en Python: un recomanador trivial

Abans de recórrer els sectors, convé fixar un esquema de lectura. Cada vegada que vegis una aplicació d'IA, fes-te quatre preguntes:

1. Quin problema resol? Gairebé sempre és una d'aquestes quatre coses: predir alguna cosa (demanda, fallada, risc), classificar alguna cosa (imatge, text, transacció), optimitzar alguna cosa (ruta, horari, preu) o interactuar amb persones (respondre, conversar, generar).
2. Quina tècnica hi ha al darrere? Fes servir el mapa de 01-02: machine learning, PLN, visió, robòtica, sistemes experts, cerca i planificació, agents, IA generativa. Moltes aplicacions en combinen diverses.
3. Quin benefici aporta? Estalvi de costos, més ingressos, més rapidesa, més seguretat, millor experiència.
4. Quin risc introdueix? Errors amb conseqüències, biaixos, opacitat, dependència, privacitat, impacte en l'ocupació. Aquests riscos es tracten a fons a la lliçó 02-04; aquí només els assenyalem.

Aquest esquema és el que farà servir la Marta per avaluar propostes a NovaMarket, i és el que aplicarem a cada sector.

• Diagnòstic per imatge: detecció de tumors en mamografies, retinopatia diabètica en fotografies de retina, fractures en radiografies. Tècnica: visió per computador (xarxes convolucionals). Benefici: segona opinió ràpida, cribratge massiu. Risc: falsos negatius, models entrenats amb poblacions que no s'assemblen a la local.
• Ajuda al diagnòstic i triatge: sistemes que, a partir de símptomes i anàlisis, suggereixen diagnòstics o prioritzen pacients a urgències. Tècnica: sistemes experts històricament (recorda MYCIN), avui combinats amb ML i raonament probabilístic. Risc: responsabilitat legal, excés de confiança del metge.
• Predicció de risc: probabilitat de reingrés hospitalari, de sèpsia, de complicacions. Tècnica: ML sobre historials clínics. Risc: biaixos històrics a les dades (per exemple, poblacions amb menys accés a la sanitat apareixen "més sanes").
• Descobriment de fàrmacs i plegament de proteïnes: AlphaFold (2020) va predir l'estructura 3D de gairebé totes les proteïnes conegudes. Tècnica: deep learning.
• Assistents per a professionals: transcripció de consultes, redacció d'informes. Tècnica: PLN i IA generativa.

• Navegació i càlcul de rutes: el GPS que tria el camí més ràpid en temps real. Tècnica: cerca en grafs (A* i variants) sobre el mapa de carrers, amb predicció de trànsit per ML. Benefici: temps i combustible.
• Optimització de rutes de repartiment: com repartir 200 paquets amb 8 furgonetes minimitzant quilòmetres i complint franges horàries. Tècnica: algorismes d'optimització (cerca local, heurístiques, programació matemàtica). Benefici: menys vehicles, menys emissions. Aquest és exactament un dels problemes d'en Diego.
• Previsió de demanda de transport: quants viatges hi haurà a cada zona de la ciutat durant la propera hora (VTC, bicicletes compartides). Tècnica: ML de sèries temporals.
• Conducció autònoma i assistents de conducció: frenada d'emergència, manteniment de carril, cotxes sense conductor en zones acotades. Tècnica: visió, sensors (lidar, radar), planificació, aprenentatge per reforç. Risc: accidents en situacions no vistes durant l'entrenament; responsabilitat.
• Manteniment predictiu de flotes i avions: anticipar avaries a partir de sensors. Tècnica: ML sobre sèries de sensors.

• Detecció de frau en targetes i pagaments: marcar en mil·lisegons una transacció sospitosa (import inusual, país diferent, patró de compres estrany). Tècnica: ML de classificació i detecció d'anomalies. Benefici: pèrdues evitades. Risc: bloquejar pagaments legítims (falsos positius) i molestar el client. NovaMarket pateix exactament aquest problema a la seva botiga.
• Scoring de crèdit: decidir si es concedeix un préstec i a quin tipus. Tècnica: ML (sovint models interpretables per exigència regulatòria) i motors de regles. Risc: discriminació indirecta (el model aprèn biaixos històrics), obligació legal d'explicar la decisió.
• Trading algorísmic: sistemes que compren i venen en microsegons. Tècnica: ML, optimització. Risc: inestabilitat de mercat (flash crashes).
• Compliment normatiu i blanqueig de capitals: detectar patrons de moviments sospitosos. Tècnica: anàlisi de grafs, ML, regles.
• Assistents i anàlisi de documents: llegir contractes, extreure clàusules, respondre consultes. Tècnica: PLN i IA generativa.

És el sector més proper a NovaMarket, així que ens hi aturarem una mica més:

• Sistemes de recomanació: "els clients que van comprar això també van comprar...", "recomanat per a tu", l'ordre de la pàgina d'inici. A les grans plataformes de comerç i vídeo, una part molt important de les vendes o visualitzacions prové de les recomanacions. Tècnica: ML (filtratge col·laboratiu, models de contingut, xarxes neuronals). Benefici: més vendes per client, descobriment del catàleg. Risc: bombolles de recomanació (sempre el mateix), recomanar productes inapropiats.
• Previsió de demanda i gestió d'estoc: quantes unitats comprar i a quin magatzem tenir-les. Tècnica: ML de sèries temporals. Benefici: menys ruptures d'estoc i menys capital immobilitzat. Risc: fallades en esdeveniments inèdits (una pandèmia, una campanya viral).
• Preus dinàmics: ajustar preus segons demanda, competència i estoc. Tècnica: ML i optimització. Risc: percepció d'injustícia per part del client, guerres de preus.
• Cerca al catàleg: entendre que "carregador per al mòbil de la meva filla" busca carregadors USB-C. Tècnica: PLN.
• Anàlisi d'opinions (ressenyes, xarxes socials): saber quins productes generen queixes per l'enviament i quins per la qualitat. Tècnica: PLN (classificació de sentiment i de temes).
• Segmentació de clients i predicció d'abandonament: agrupar clients per comportament i anticipar qui deixarà de comprar. Tècnica: ML no supervisat i supervisat.
• Generació de contingut: descripcions de producte, imatges de campanya, correus personalitzats. Tècnica: IA generativa. Risc: errors a les descripcions, contingut genèric.
• Publicitat programàtica: decidir en mil·lisegons quin anunci mostrar i quant pujar. Tècnica: ML de predicció de clic.

• Control de qualitat visual: càmeres que detecten peces defectuoses a la línia de producció. Tècnica: visió per computador. Benefici: inspecció del 100 % de les peces en lloc de mostreig.
• Manteniment predictiu: predir quan fallarà una màquina a partir de vibracions, temperatura i consum. Tècnica: ML de sèries temporals i detecció d'anomalies. Benefici: menys aturades no planificades.
• Robòtica industrial i col·laborativa: braços que acoblen, robots mòbils que mouen material als magatzems (picking). Tècnica: robòtica, visió, planificació. Els grans operadors logístics fan servir milers de robots als seus centres; NovaMarket ho té a la seva llista "a mitjà termini".
• Optimització de la producció i l'energia: programar torns i màquines, reduir el consum energètic d'una planta o d'un centre de dades. Tècnica: optimització, aprenentatge per reforç.
• Bessons digitals: simulacions d'una fàbrica alimentades amb dades reals per provar canvis abans d'aplicar-los.

• Assistents conversacionals (chatbots i voicebots): responen preguntes freqüents, informen de l'estat d'una comanda, tramiten gestions senzilles. Tècnica: PLN i IA generativa, integrades com a agents que consulten sistemes interns. Benefici: atenció 24/7, reducció de la càrrega de l'equip humà. Risc: respostes inventades ("al·lucinacions"), frustració si el bot no sap derivar a una persona, exposició de dades personals.
• Classificació i encaminament de tiquets: llegir un correu de queixa i enviar-lo al departament correcte amb la prioritat adequada. Tècnica: PLN de classificació.
• Assistència a l'agent humà: suggerir respostes, resumir la conversa, cercar a la base de coneixement. Tècnica: IA generativa.
• Anàlisi de la veu del client: detectar el to emocional de trucades i xats per intervenir a temps. Tècnica: PLN i processament d'àudio.
• Sistemes de regles per a polítiques: aplicar automàticament les condicions de devolució, garantia o compensació. Tècnica: sistemes experts / motors de regles. Benefici: coherència i traçabilitat.

• Tutors intel·ligents i aprenentatge adaptatiu: plataformes que ajusten la dificultat dels exercicis al ritme de cada estudiant. Tècnica: ML, models de l'estudiant, de vegades sistemes experts.
• Correcció automàtica i retroalimentació: avaluar respostes obertes, codi o redaccions. Tècnica: PLN i IA generativa. Risc: avaluacions injustes o manipulables.
• Detecció d'abandonament: identificar estudiants en risc a partir de la seva activitat a la plataforma. Tècnica: ML.
• Generació de materials: resums, qüestionaris, explicacions alternatives. Tècnica: IA generativa. Risc: errors de contingut, dependència de l'estudiant.
• Accessibilitat: subtitulació automàtica, lectura en veu alta, traducció. Tècnica: reconeixement de veu, PLN.

• Assistents de veu (altaveus intel·ligents, mòbils): reconeixen la veu, entenen la petició i actuen. Tècnica: reconeixement de veu (deep learning), PLN, agents.
• Domòtica: termòstats que aprenen horaris, robots aspiradors que fan un mapa de la casa. Tècnica: ML senzill, robòtica, planificació.
• Recomanació de contingut: sèries, música, vídeos curts, notícies. Tècnica: ML de recomanació. Risc: addicció, bombolles informatives.
• Videojocs: personatges controlats per IA (cerca, màquines d'estats, minimax en jocs de tauler), generació de nivells, ajust de dificultat. Tècnica: cerca amb adversari, planificació, ML.
• Fotografia i creativitat: millora automàtica de fotos, eliminació de fons, generació d'imatges i música. Tècnica: visió i IA generativa.
• Traducció i comunicació: traducció instantània de text i veu. Tècnica: transformers.

Dues observacions sobre la taula:

• La mateixa tècnica apareix en molts sectors. La detecció d'anomalies serveix per al frau bancari, les avaries industrials i les devolucions sospitoses. Aprendre la tècnica t'habilita per a molts dominis.
• El risc gairebé mai no és "que la IA es rebel·li". Els riscos reals són mundans: falsos positius, biaixos a les dades, situacions no previstes, decisions opaques. Hi tornarem a 02-04.

La Marta i en Diego han fet el mateix recorregut que tu i n'han sortit amb una llista de problemes de NovaMarket que la IA podria abordar. Aquesta llista és important perquè és el mapa de la resta del curs: cada cas d'ús es treballarà en un o més mòduls, sempre amb les dades fictícies de l'empresa (clients.csv, comandes.csv, productes.csv, ressenyes.csv, incidencies.csv).

A més, transversalment:

• El mòdul 2 farà servir aquests casos per parlar d'agents, tipus d'IA, dades i ètica (què passa si el detector de frau bloqueja sistemàticament clients d'un barri?).
• El mòdul 7 presentarà les eines amb què es construeixen (Python, NumPy, pandas, biblioteques de ML).
• El mòdul 8 desenvoluparà el cicle de vida complet d'un projecte prenent un d'aquests casos com a exemple.
• El mòdul 9 conté les pràctiques, i el seu projecte integrador combina diversos casos.

No tot es fa alhora. La Marta i en Diego apliquen tres criteris, que et serviran per a qualsevol empresa:

1. Valor: quants diners, temps o satisfacció hi ha en joc? (Les devolucions costen a NovaMarket al voltant d'un 4 % de la facturació; el repartiment, una quantitat semblant).
2. Viabilitat: tenim les dades i són de qualitat? La tècnica és madura? (Recomanació i previsió de demanda: dades abundants i tècnica madura. Visió per a danys en fotos: pocs exemples encara).
3. Risc: què passa si el sistema s'equivoca? (Recomanar malament un producte és innocu; bloquejar una comanda per un frau fals empipa el client; un assistent que promet una devolució que la política no permet genera un problema legal).

Amb aquests criteris, NovaMarket decideix començar per la recomanació (molt valor, dades abundants, risc baix) i la previsió de demanda, i deixar l'assistent conversacional per a quan l'equip tingui més experiència. És una decisió típica i assenyada: primer el que ensenya sense fer mal.

Per tancar el mòdul, construirem la versió més simple possible del cas d'ús 1: un recomanador del tipus "els clients que van comprar X també van comprar Y". Sense biblioteques, només diccionaris i llistes de Python. L'objectiu no és que sigui bo, sinó que en vegis la mecànica i comprovis que la idea d'"aprendre de les dades" que vam introduir a 01-02 s'aplica també aquí.

Simplifiquem comandes.csv a una llista de comandes, cadascuna amb els productes que contenia:

La idea és comptar, per a cada parell de productes, quantes vegades apareixen junts en una mateixa comanda. Guardarem els recomptes en un diccionari de diccionaris: co_compres["portatil"]["ratoli"] serà el nombre de comandes en què apareixen tots dos.

Anem línia per línia:

1. co_compres comença buit. Recorrem cada comanda i, a dins, cada producte.
2. Si és la primera vegada que veiem producte, li creem un diccionari interior buit.
3. Per a cada altre producte de la mateixa comanda (saltant-nos el mateix producte), incrementem el comptador co_compres[producte][altre]. Si el comptador no existia, abans l'inicialitzem a 0.
4. En acabar, co_compres["portatil"] ens diu que el portàtil ha aparegut 3 vegades amb el ratolí, 2 amb la funda, 1 amb els auriculars i 1 amb la catifeta.

Aquest pas és l'"entrenament" del nostre recomanador: hem convertit les dades en un model (el diccionari de recomptes). No hi ha cap regla escrita a mà sobre què va amb què; tot surt de les comandes.

Recomanar és senzill: donat un producte, ordenem les seves co-compres de més a menys i en retornem les primeres.

Explicació:

• veins.items() retorna parells (altre, vegades); sorted(..., key=lambda parell: parell[1], reverse=True) els ordena pel segon element (les vegades), de més a menys.
• Ens quedem amb els n primers i en retornem només els noms.
• Si el producte no apareix al model (ningú no l'ha comprat mai), retornem una llista buida. Aquest és el famós problema de l'arrencada en fred dels recomanadors: no es pot aprendre d'allò que no té dades.

Un client de NovaMarket rarament porta un sol producte. Podem sumar els recomptes de tots els productes de la cistella i excloure el que ja porta:

Per a la cistella ["portatil", "ratoli"], la funda suma 2 (portàtil) + 1 (ratolí) = 3 i la catifeta suma 1 (portàtil) + 2 (ratolí) = 3; els auriculars sumen 1. L'empat es resol per l'ordre d'inserció del diccionari, que en aquest cas és la funda primer. En un sistema real caldria definir criteris de desempat (per exemple, marge del producte o novetat).

Aquest recomanador funciona, i de fet és la idea bàsica del filtratge col·laboratiu per ítems que va popularitzar Amazon a principis dels 2000. Però li falten coses que es tracten en mòduls posteriors:

L'important és que ja has vist la mecànica completa d'una aplicació d'IA: dades, "entrenament" (comptar), model (diccionari) i predicció (recomanar). La resta del curs refina cadascuna d'aquestes peces.

• Confondre l'aplicació amb la tècnica. "Un chatbot" no és una tècnica; pot ser un sistema de regles (com ELIZA), un classificador d'intencions més plantilles o un model generatiu amb accés a dades. Pregunta sempre què hi ha al darrere, perquè en canvia el cost, la fiabilitat i els riscos.
• Triar el cas d'ús més vistós en lloc del més viable. Moltes empreses comencen per l'assistent conversacional perquè impressiona, i fracassen per manca de dades, d'integració o d'expectatives realistes. NovaMarket comença per la recomanació per alguna cosa.
• Ignorar les dades. A la taula de casos d'ús, cada fila porta els seus fitxers. Si un cas no té dades (o són de mala qualitat), encara no és un projecte d'IA: és un projecte de recollida de dades (lliçó 02-03).
• Mesurar l'èxit per "si funciona a la demo". Un recomanador s'avalua per si augmenta les vendes o la satisfacció; un detector de frau, per quants fraus atrapa i quants clients legítims molesta.
• Oblidar el risc. Abans de desplegar, pregunta't què passa quan el sistema s'equivoca i qui ho pateix. Aquesta reflexió, formalitzada, és l'ètica de la IA (02-04).
• Consell: guarda't la taula de casos d'ús de NovaMarket. Quan arribis a cada mòdul, torna-hi i comprova quina fila estàs resolent: t'ajudarà a no perdre el fil entre teoria i aplicació.

Per a cadascuna d'aquestes aplicacions, indica el sector, el tipus de problema (predir, classificar, optimitzar, interactuar), la tècnica principal i un risc:

a) Una app que, amb la càmera del mòbil, identifica una planta i diu si està malalta. b) Un sistema que decideix en quin ordre atendre les comandes al magatzem de Getafe perquè els repartidors no esperin. c) Un sistema que llegeix els correus de reclamació de NovaMarket i els envia al departament correcte. d) Un sistema que estima quantes cafeteres es vendran per Nadal. e) Un altaveu que posa música quan l'hi demanes.

En Diego proposa atacar en primer lloc el cas d'ús 9 (diagnòstic automàtic d'incidències) perquè treu molt de temps a l'equip. La Marta observa que incidencies.csv només té 400 registres, la meitat amb el camp "causa" buit, i que les causes canvien cada vegada que es canvia d'empresa de missatgeria. Aplica els tres criteris de priorització (valor, viabilitat, risc) i raona en unes línies si convé començar per aquí i, si no, què caldria perquè fos viable.

Amplia el recomanador de la secció 12:

1. Afegeix una funció productes_populars(comandes, n) que retorni els n productes més venuts en total. Fes-la servir com a recomanació per defecte quan recomanar no tingui dades del producte (arrencada en fred).
2. Afegeix a comandes dues comandes noves, ["televisor", "suport_paret"] i ["televisor", "barra_so", "suport_paret"], torna a entrenar i comprova què recomana per a "televisor".

Solució 1

Solució 2 (orientativa)

Valor: alt (estalvia temps a l'equip i millora la resposta al client). Viabilitat: baixa avui: 400 registres són pocs, la meitat no tenen l'etiqueta que es vol predir i el fenomen canvia amb el temps (cada canvi de missatgeria invalida part de l'històric). Risc: mitjà: un diagnòstic erroni endarrereix la solució d'una incidència. Conclusió: no convé començar per aquí. Per fer-ho viable caldria, primer, obligar a omplir el camp "causa" de manera estructurada (una llista tancada de causes en lloc de text lliure), acumular uns quants mesos de dades i, mentrestant, plantejar el cas com un sistema expert basat en les regles que ja apliquen mentalment els agents d'en Diego (mòdul 6), que no necessita gaires dades i serveix per recollir-les bé. Després, amb dades, es pot evolucionar cap a un model après.

Solució 3

Explicació: productes_populars compta en quantes comandes apareix cada producte i retorna els més freqüents; amb les dades originals són el portàtil (4 comandes) i el ratolí (4 comandes). Quan el televisor no té historial, recomanar_v2 recorre a aquesta llista. Tan bon punt afegim dues comandes amb televisor i reentrenem (tornem a cridar comptar_co_compres), el model ja sap que el televisor va amb el suport de paret (2 vegades) i amb la barra de so (1 vegada). Observa de nou el patró: no hem escrit cap regla sobre televisors; n'hi ha hagut prou amb donar-li dades.

En aquesta lliçó hem recorregut les aplicacions reals de la IA per sectors (salut, transport i logística, finances, comerç electrònic i màrqueting, indústria, atenció al client, educació, llar i oci), llegint cadascuna amb el mateix esquema: quin problema resol, quina tècnica hi ha al darrere, quin benefici aporta i quin risc introdueix. Hem comprovat que unes poques tècniques (classificació, predicció, optimització, cerca, PLN, generació) es repeteixen a tots els sectors, i hem fixat la llista de nou casos d'ús candidats de NovaMarket (recomanació, previsió de demanda, frau i devolucions, ressenyes, rutes, assignació de comandes, assistent, regles de devolucions i diagnòstic d'incidències) juntament amb el mòdul del curs en què es treballarà cadascun. Finalment, hem construït un recomanador trivial en Python que ja conté, en miniatura, totes les peces d'una aplicació d'IA: dades, entrenament, model i predicció.

Amb això tanquem el mòdul 1. Ja saps d'on ve la IA, què és i per a què es fa servir. Al mòdul 2, Principis Bàsics de la IA, començarem a construir els fonaments conceptuals: què és un agent intel·ligent i el seu entorn, què vol dir actuar racionalment, quins tipus d'IA existeixen, per què les dades són la matèria primera de tot el que hem vist avui i quines consideracions ètiques ha de tenir en compte NovaMarket abans de posar qualsevol d'aquests casos d'ús en producció.