Tenim un mètode (08-01) i hem après dels projectes d'altres (08-02). Falta la pregunta que el Diego fa a cada reunió de pressupost: "I això en què canviarà d'aquí a dos anys?". Aquesta lliçó respon amb prudència. La IA canvia de pressa i qualsevol lliçó que doni dates i xifres caduca abans de publicar-se, així que aquí no en donarem: classificarem cada tendència com a consolidada (ja és en producció i no desapareixerà), emergent (funciona en molts llocs però la seva forma final encara s'ha de decidir) o especulativa (hi ha un debat seriós sobre si passarà i quan), i per a cadascuna direm què implica a la pràctica. Recorrerem els models fundacionals i multimodals; els agents que fan servir eines i planifiquen, amb els quals l'agent de 02-01 torna al centre; la IA generativa a l'empresa i els seus riscos; la IA explicable, amb un exemple executable sobre el predictor de devolucions; la regulació i la governança; la IA a la vora i els models petits, amb una quantització feta a mà; el neurosimbòlic i el raonament; la IA a la ciència; el debat sobre l'AGI i la seguretat; i l'impacte en l'ocupació i en les competències d'un perfil júnior. I ho aterrarem en un full de ruta a un-tres anys per a NovaMarket. És important perquè el professional que surt d'aquest curs treballarà amb la IA d'aquí a tres anys, no amb la d'avui: necessita criteri per separar el que ha d'aprendre ja del que n'hi ha prou de seguir de lluny.
Contingut
- Com llegir una tendència: consolidat, emergent, especulatiu
- Models fundacionals i multimodals
- Agents d'IA que fan servir eines i planifiquen
- IA generativa a l'empresa: copilots, automatització, codi i riscos
- IA explicable (XAI): SHAP i LIME a nivell d'idea, i un exemple executable
- Regulació i governança: Reglament d'IA, auditories, model cards, marques d'aigua
- IA a la vora i models petits i eficients
- Neurosimbòlic i raonament
- IA i ciència
- El debat sobre l'AGI i la seguretat de la IA
- Impacte en l'ocupació i competències del professional júnior
- Full de ruta de NovaMarket a un-tres anys
- Taula resum: tendència → estat → implicació pràctica
- Errors Comuns i Consells
- Exercicis
- Conclusió
- Com llegir una tendència: consolidat, emergent, especulatiu
A 01-01 vam veure que els hiverns de la IA arriben després de períodes de sobreexpectativa. La millor vacuna és distingir graus de certesa. Farem servir tres etiquetes:
| Etiqueta | Significat | Què fer-ne |
|---|---|---|
| Consolidat | És en producció en moltes organitzacions, hi ha eines madures i no depèn de cap avenç pendent | Aprendre-ho i fer-ho servir ja |
| Emergent | Funciona i s'estén, però la forma final (eines, estàndards, bones pràctiques, cost) encara canvia | Provar-ho en pilots acotats; no construir-hi el negoci a sobre sense pla B |
| Especulatiu | Hi ha un debat seriós entre experts sobre si passarà, com i quan | Seguir-ho amb criteri; no prendre decisions irreversibles basades en això |
Una mateixa tendència pot tenir parts en etiquetes diferents: els grans models de llenguatge són consolidats com a eina de text i emergents com a agents autònoms.
- Models fundacionals i multimodals
Un model fundacional és un model gran, preentrenat amb dades massives i de propòsit general (05-05), que després s'adapta a tasques concretes amb instruccions, RAG o ajust fi. La tendència consolidada és que cada vegada menys projectes entrenen des de zero: es parteix d'un model fundacional (de llenguatge, de visió, d'àudio) i s'especialitza. La tendència emergent és la multimodalitat: un mateix model processa i genera text, imatges, àudio, vídeo i dades estructurades, de manera que la frontera entre "el model de text de l'assistent" i "la CNN de fotos" es difumina.
Implicacions pràctiques:
- El valor es desplaça de l'entrenament a les dades pròpies, la integració i l'avaluació: qui té bones dades del seu negoci i sap mesurar té avantatge, no qui té la GPU més gran.
- Apareix una dependència de proveïdor (models servits per API): cost variable, canvis de versió que alteren resultats, dades que surten de l'empresa. Cal avaluar alternatives obertes i models executats en local (07-03).
- L'avaluació es complica: no hi ha un AUC per a "respon bé"; calen conjunts de prova propis i revisió humana (08-01, fase 5).
Per a NovaMarket: l'assistent (cas 7) ja es recolza en un model fundacional amb RAG; la multimodalitat permetrà que el client enviï la foto del producte defectuós al mateix xat i que el sistema uneixi la classificació de fotos (cas 9) amb el diagnòstic i les regles de devolució.
- Agents d'IA que fan servir eines i planifiquen
A 02-01 vam definir l'agent com una cosa que percep, decideix i actua per maximitzar una mesura de rendiment, i a 05-05 vam veure que un LLM es pot fer servir com a agent: rep un objectiu, decideix quina eina cridar (cercar en una base de dades, executar codi, consultar una API, escriure un correu), observa el resultat i repeteix fins a acabar. La tendència emergent és que aquests agents planifiquen tasques de diversos passos, mantenen memòria i col·laboren entre si. L'agent de 02-01, que semblava un concepte de manual, torna al centre: l'LLM és la funció de decisió i les eines són els actuadors.
Estat: consolidat en tasques acotades amb poques eines i supervisió humana (un assistent que consulta l'estat de la comanda i crea un tiquet); emergent en tasques llargues i obertes; especulatiu en l'autonomia àmplia sense supervisió.
El que no canvia, i convé tenir present:
- El PEAS de 02-01 continua sent l'eina de disseny: quina mesura de rendiment, quin entorn, quins actuadors (cada eina és un actuador amb conseqüències!) i quins sensors.
- Cada acció amb efecte al món (un reemborsament, un correu, un canvi a l'estoc) necessita permisos, límits i registre: és human-in-the-loop (02-04) aplicat a agents.
- Els errors s'encadenen: un agent que s'equivoca al pas 2 arrossega l'error fins al 8. L'avaluació per tasques completes, no per respostes soltes, és obligatòria.
Per a NovaMarket: l'evolució natural de l'assistent és un agent que, davant de "el meu NovaSound va arribar trencat", consulti la comanda, classifiqui la foto, apliqui les regles de devolució (06-02) i prepari (no executi) la sol·licitud de devolució perquè una persona la confirmi. Cada eina que se li doni és una decisió de negoci i de risc.
- IA generativa a l'empresa: copilots, automatització, codi i riscos
Tres usos consolidats i un d'emergent:
- Copilots per a tasques de coneixement: redactar, resumir, traduir, cercar en documentació interna (RAG). Consolidat; el retorn depèn que la gent aprengui a fer-los servir i a verificar.
- Generació de codi: assistents que completen, expliquen i refactoritzen codi i escriuen tests. Consolidat en el dia a dia del desenvolupament; canvia la manera de treballar del programador (més revisió, més disseny, menys teclejar), no l'elimina.
- Automatització de processos amb llenguatge natural: classificar i encaminar correus i tiquets (l'encaminament de 06-04 amb un LLM com a classificador), extreure dades de documents, generar descripcions de producte. Consolidat en tasques de baix risc amb supervisió.
- Generació de contingut comercial i d'imatges/vídeo a escala: emergent, amb qüestions obertes de drets, marca i qualitat.
Riscos que l'empresa ha de gestionar: al·lucinacions (08-02, cas 5); fuita de dades cap a serveis externs (política clara de què es pot enganxar en un xat extern); drets d'autor i llicències del contingut generat i de les dades d'entrenament; dependència i cost variable; homogeneïtzació i pèrdua de qualitat si ningú no revisa; i l'efecte en les persones (02-04): formació, redefinició de llocs de treball, transparència sobre quan un client parla amb una màquina.
Per a NovaMarket: descripcions dels 12.000 productes generades i revisades per l'equip de contingut; resums de ressenyes (cas 4) per a l'equip de producte; un copilot intern amb RAG sobre els procediments de magatzem; i una norma senzilla: cap dada de client en eines externes sense acord de tractament.
- IA explicable (XAI): SHAP i LIME a nivell d'idea, i un exemple executable
A mesura que els models es compliquen i la regulació exigeix explicacions (02-04, RGPD i Reglament d'IA; 06-04, l'explicació com a part del sistema), la IA explicable (XAI) passa de camp acadèmic a requisit de projecte. Estat: consolidat per a models tabulars; emergent per a xarxes profundes i LLM.
Dues famílies d'explicacions:
- Globals: quines característiques importen en general. Els coeficients de la logística (04-04), la importància en arbres i boscos, i la importància per permutació: desordenar una columna a l'atzar i mesurar quant empitjora la mètrica; si no empitjora, la columna no importava (per a aquell model).
- Locals: per què aquesta comanda ha rebut aquesta probabilitat. A la logística n'hi ha prou de multiplicar cada característica (ja transformada) pel seu coeficient i veure què aporta al logit. Per a models opacs hi ha mètodes generals: LIME ajusta un model simple (lineal) al voltant del cas concret, pertorbant-lo, i explica aquest model local; SHAP reparteix la predicció entre les característiques segons la teoria de jocs (valors de Shapley: l'aportació mitjana de cada característica en totes les combinacions possibles), amb garanties de consistència i llibreries madures. La idea comuna: qualsevol model es pot explicar localment aproximant-lo per alguna cosa simple a prop del cas.
Exemple executable sobre el predictor de devolucions de novamarket_ia/, sense llibreries addicionals:
# Executar des de l'arrel de novamarket_ia/ (amb el paquet instal·lat o PYTHONPATH=src)
import numpy as np, pandas as pd
from sklearn.inspection import permutation_importance
from novamarket.entrenar import entrenar
pipe, auc, ctx = entrenar(n=3000, llavor=42) # el predictor de sempre (AUC 0,844)
Xte, yte = ctx["Xte"], ctx["yte"]
# 1) Explicació GLOBAL: importància per permutació (quant AUC perdo si desordeno aquesta columna?)
r = permutation_importance(pipe, Xte, yte, scoring="roc_auc", n_repeats=10, random_state=42)
importancies = pd.Series(r.importances_mean, index=Xte.columns).sort_values(ascending=False)
print("Caiguda d'AUC en permutar cada característica:")
print(importancies.head(6).round(3).to_string())
# 2) Explicació LOCAL per a una comanda de la cua "revisar": aportació de cada columna al logit
prep, model = pipe.named_steps["prep"], pipe.named_steps["model"]
i = int(np.argmax((ctx["prob_test"] >= 0.2) & (ctx["prob_test"] < 0.5))) # primera comanda a la banda
x = prep.transform(Xte.iloc[[i]])
x = x.toarray() if hasattr(x, "toarray") else x
aportacio = pd.Series(x[0] * model.coef_[0], index=prep.get_feature_names_out())
print(f"\nComanda {Xte.index[i]}: prob = {ctx['prob_test'][i]:.3f} "
f"(import {Xte.iloc[i]['import_comanda']} €, {Xte.iloc[i]['dies_lliurament']:.0f} dies de lliurament, "
f"{Xte.iloc[i]['categoria']}, client_nou={Xte.iloc[i]['client_nou']})")
print("Aportacions que més empenyen (positiu = més risc):")
print(aportacio.sort_values(key=abs, ascending=False).head(5).round(2).to_string())Sortida real:
Caiguda d'AUC en permutar cada característica: import_comanda 0.132 client_nou 0.119 dies_lliurament 0.040 categoria 0.013 num_articles 0.009 comandes_previes 0.003 Comanda 2314: prob = 0.402 (import 289.71 €, 6 dies de lliurament, llar, client_nou=0) Aportacions que més empenyen (positiu = més risc): num__import_comanda 1.91 num__dies_lliurament 0.65 nom__categoria_llar -0.21 num__num_articles 0.20 bin__cap_de_setmana -0.19
Explicació:
- La importància per permutació treballa sobre el
Pipelinecomplet i les columnes originals: desordenarimport_comandafa caure l'AUC 0,13 punts (de 0,844 a uns 0,71);client_nou, 0,12;dies_lliurament, 0,04. Les altres amb prou feines importen, icodi_postal_zonano apareix entre les sis primeres: coherent amb el fet que a les dades fictícies no influeix, i és exactament el que un auditor voldria veure (02-04). - L'explicació local diu per què la comanda 2314 és a la banda de revisió amb probabilitat 0,40: un import de 290 € (aportació +1,91 al logit) i sis dies de lliurament (+0,65) empenyen cap amunt; ser de llar (−0,21) i comprar-se en cap de setmana (−0,19) empenyen una mica cap avall; i no és client nou. És la frase que la revisora del Diego hauria de veure al costat de la comanda: "risc mitjà per import alt i lliurament lent". Amb SHAP s'obtindria el mateix per a un bosc o una xarxa, amb la mateixa lectura.
Per a NovaMarket: l'explicació local passa a la cua "revisar" de predir_lot.py (una columna motiu amb les dues aportacions més grans) i a la model card; i quan el recomanador o el classificador de fotos facin servir models opacs, SHAP i els seus equivalents per a imatges seran part del lliurable, no un extra.
- Regulació i governança: Reglament d'IA, auditories, model cards, marques d'aigua
A 02-04 vam presentar el Reglament europeu d'IA (AI Act) amb els seus nivells de risc. La tendència consolidada és que s'aplica de manera progressiva (les prohibicions abans, les obligacions d'alt risc i les dels models de propòsit general després, amb terminis que convé consultar a la font oficial en cada moment) i que arrossega un ecosistema de normes tècniques, guies i auditories. El que demanarà a una empresa com NovaMarket, sense dates:
- Inventari de sistemes d'IA en ús i classificació per risc (la taula dels nou casos de 02-04 és aquest inventari).
- Documentació: model cards i fitxes de dades (08-01), avaluació d'impacte per al que afecti persones, registre de decisions.
- Transparència: informar quan s'interactua amb una IA (l'assistent) i marcar el contingut generat; les marques d'aigua (senyals invisibles en text, imatge, àudio o vídeo generats) i els estàndards de procedència del contingut són emergents tècnicament però consolidats com a exigència.
- Supervisió humana efectiva i auditories internes o externes dels sistemes de més risc; alfabetització en IA del personal.
- Fora d'Europa, marcs diferents (més sectorials o voluntaris), cosa que complica la vida a qui opera en diversos països.
Estat: consolidat que caldrà complir-ho; emergent com exactament (normes harmonitzades, certificacions). Implicació pràctica: fer des d'ara el que ja hem fet a 08-01 (documentar, mesurar per grups, revisar) és la manera barata d'arribar-hi preparat.
- IA a la vora i models petits i eficients
Davant de la cursa per models més grans, una tendència igual de real va en direcció contrària: models petits, eficients i executats a prop de la dada (edge: el mòbil, la càmera del magatzem, el terminal del repartidor), per tres raons: latència, privadesa (la dada no surt del dispositiu, 02-02 núvol vs dispositiu) i cost energètic (02-04, sostenibilitat). Tècniques consolidades: destil·lació (un model petit aprèn a imitar-ne un de gran), poda (eliminar pesos que no aporten) i quantització (desar els pesos amb menys bits, per exemple enters de 8 bits en lloc de reals de 32 o 64), a més de maquinari especialitzat. Emergent: models de llenguatge petits que corren en un portàtil o un telèfon amb qualitat suficient per a moltes tasques.
La quantització s'entén en deu línies sobre el nostre propi model:
import numpy as np
from novamarket.entrenar import entrenar
pipe, auc, ctx = entrenar()
model, prep = pipe.named_steps["model"], pipe.named_steps["prep"]
w = model.coef_[0] # 21 pesos en float64 (8 bytes cadascun)
# Quantització simètrica a 8 bits: es desa un enter de -127..127 i UN factor d'escala
escala = np.abs(w).max() / 127
w_int8 = np.round(w / escala).astype(np.int8) # 21 enters d'1 byte
w_recuperat = w_int8 * escala # el que "veu" el model quantitzat
X = prep.transform(ctx["Xte"]); X = X.toarray() if hasattr(X, "toarray") else X
z_orig = X @ w + model.intercept_[0]
z_quant = X @ w_recuperat + model.intercept_[0]
p_orig, p_quant = 1 / (1 + np.exp(-z_orig)), 1 / (1 + np.exp(-z_quant))
print(f"Mida dels pesos: {w.nbytes} bytes -> {w_int8.nbytes} bytes (+ 1 escala)")
print(f"Diferència màxima de probabilitat: {np.abs(p_orig - p_quant).max():.4f}")
print(f"Comandes que canvien de cua (vores 0,2 i 0,5): "
f"{(np.digitize(p_orig, [0.2, 0.5]) != np.digitize(p_quant, [0.2, 0.5])).sum()} de {len(p_orig)}")Sortida real:
Mida dels pesos: 168 bytes -> 21 bytes (+ 1 escala) Diferència màxima de probabilitat: 0.0082 Comandes que canvien de cua (vores 0,2 i 0,5): 3 de 750
Els pesos ocupen vuit vegades menys i la probabilitat canvia com a molt 0,008; només 3 de 750 comandes creuen una frontera de cua (les que eren just a la vora). En una logística de 21 pesos l'estalvi és anecdòtic; en una xarxa de milers de milions de paràmetres és la diferència entre necessitar un servidor amb GPU o cabre en un telèfon, amb la mateixa mena de pèrdua petita i mesurable. La lliçó és el mètode: quantitzar i mesurar quantes decisions canvien, mai suposar que "és igual".
Per a NovaMarket: la CNN de fotos d'incidències (cas 9) quantitzada i executada al terminal del repartidor, sense connexió, per classificar la foto en el moment de la recollida; i un criteri de compra: abans de pagar un model gran per API, provar si un de petit en local resol la tasca amb la qualitat necessària i a una fracció del cost energètic.
- Neurosimbòlic i raonament
A 06-04 vam veure que regles i models es complementen: la probabilitat del model com a fet per al motor de regles, la banda de revisió, la validació per regles de les respostes de l'assistent. La tendència (emergent en la recerca, consolidada en la pràctica d'enginyeria) és que aquesta combinació es formalitza: models de llenguatge que criden eines simbòliques (calculadores, bases de dades, motors lògics, planificadors del mòdul 3) en lloc de "raonar" sols; grafs de coneixement que ancoren les respostes; i models entrenats per produir cadenes de raonament verificables pas a pas. Especulatiu: si aquestes tècniques portaran a un raonament general fiable o si continuaran sent pedaços útils.
Implicació pràctica: quan una tasca exigeix exactitud (aritmètica, terminis, polítiques, inventari), no es demana al model que la resolgui de memòria: se li demana que cridi l'eina correcta. És el que vam fer a 06-04 i el que l'assistent-agent de la secció 3 fa amb les regles de devolució.
- IA i ciència
AlphaFold (08-02, cas 3) és l'exemple més citat d'una tendència consolidada: la IA com a instrument científic, per predir estructures de proteïnes, proposar nous materials i candidats a fàrmacs, accelerar simulacions físiques i meteorològiques, analitzar imatges astronòmiques o mèdiques a escala. Emergent: "laboratoris autònoms" en què un sistema proposa hipòtesis, dissenya experiments i un robot els executa. Especulatiu: la IA com a descobridora autònoma de teories.
Per a un professional júnior, la lliçó és doble: la ciència de dades aplicada a l'empresa i la IA científica comparteixen mètode (08-01) i eines (mòdul 7); i les tècniques nascudes a la ciència (atenció sobre dades estructurades, models de simulació) arriben després a la indústria: la previsió de demanda de NovaMarket (cas 2) es beneficiarà de models de sèries temporals preentrenats i de simulacions més barates.
- El debat sobre l'AGI i la seguretat de la IA
A 02-02 vam distingir IA estreta, IA general (AGI) i superintel·ligència, i vam dir que tot el que hi ha desplegat avui és estret per molt ampli que sembli. El debat públic sobre si l'AGI és a prop, lluny o mal definida és especulatiu en el sentit precís de la secció 1: hi ha experts seriosos en totes les postures. Sense sensacionalisme, les posicions es poden resumir així:
| Postura | Idea central | Què proposa |
|---|---|---|
| Continuista optimista | Escalar els models actuals, amb més dades, còmput i eines, portarà a capacitats generals | Invertir, desplegar, ajustar la regulació sobre la marxa |
| Escèptica tècnica | Els models actuals no tenen comprensió, raonament robust ni model del món; caldran idees noves | Investigar altres vies (neurosimbòlic, aprenentatge amb menys dades), no extrapolar |
| Preocupada per la seguretat | Sigui quan sigui, sistemes molt capaços i mal alineats amb el que volem podrien causar danys greus i difícils de revertir | Recerca en alineament, avaluacions abans de desplegar, governança internacional |
| Centrada en els danys presents | El risc real ja és aquí: biaix, vigilància, desinformació, concentració de poder, impacte laboral i ambiental | Regulació i auditoria del que existeix avui (02-04), abans que escenaris llunyans |
El que un professional ha de retenir: (1) les quatre postures no són excloents i moltes persones en sostenen diverses alhora; (2) la seguretat de la IA en sentit ampli (que els sistemes facin el que es pretén, siguin robustos davant de la manipulació i no causin danys) és una disciplina d'enginyeria consolidada que comença en coses modestes com les que hem fet: proves adversàries a l'assistent, límits a les accions d'un agent, revisió humana, registre; (3) el debat sobre l'AGI no hauria de decidir el pressupost de NovaMarket per a l'any que ve, i les decisions irreversibles ("acomiadar l'equip d'atenció al client perquè l'agent ho farà tot") no es prenen sobre especulació.
- Impacte en l'ocupació i competències del professional júnior
Consolidat: la IA generativa canvia tasques dins dels llocs de treball (redactar, programar, atendre, analitzar) més de pressa del que elimina o crea llocs complets, i l'efecte net varia molt per sector i per com ho gestioni cada organització (02-04, impacte laboral). Emergent: quins perfils nous s'estabilitzen (enginyeria de dades i d'ML, avaluació i governança d'IA, disseny d'agents, "operacions de models"). Especulatiu: l'efecte agregat a llarg termini sobre l'ocupació.
Què ha d'aprendre un perfil júnior que vulgui treballar amb IA, a la llum de tot el curs:
| Competència | Per què | On s'ha vist |
|---|---|---|
| Programació sòlida (Python, SQL) i bones pràctiques (tests, Git, entorns) | Tota la resta s'hi recolza; els copilots exigeixen saber llegir i revisar codi | Mòdul 7 |
| Fonaments d'ML i avaluació amb criteri de negoci | Sense mètrica en euros i línia base no hi ha projecte | Mòduls 4 i 8 |
| Dades: qualitat, fuites, biaix, governança | La major part de la feina i dels fracassos és aquí | 02-03, 04-03, 08-01 |
| Ús crític de models fundacionals: prompting, RAG, avaluació, límits | L'eina més nova i la més mal usada | 05-05, 08-02 |
| Ètica, regulació i explicabilitat com a part del disseny | Exigència legal i de negoci | 02-04, 06-04, aquesta lliçó |
| Mètode de projecte i comunicació amb negoci | Traduir entre el Diego i el model | 08-01 |
| Aprendre de manera contínua | Les eines canvien; el mètode, molt menys | Mòdul 10 |
La competència diferencial no és "saber l'última llibreria", sinó saber definir un problema, mesurar-lo, dubtar de les dades i explicar el resultat. És el que les màquines fan pitjor i el que aquest curs ha intentat ensenyar.
- Full de ruta de NovaMarket a un-tres anys
La Marta i el Diego tradueixen les tendències en un full de ruta sense dates exactes, per horitzons:
| Horitzó | Cas d'ús | Tendència que l'afecta | Estat | Què preparar |
|---|---|---|---|---|
| Curt (≈ 1 any) | 3. Predictor de devolucions | XAI, governança | Consolidat | Columna motiu a la cua "revisar" (secció 5), model card revisada cada trimestre, paritat entre zones mensual |
| Curt | 7. Assistent | Models fundacionals + RAG, regulació (transparència) | Consolidat | Avís de "parles amb un assistent", mostreig setmanal de converses, política de dades externes |
| Curt | 4. Ressenyes | IA generativa a l'empresa | Consolidat | Resums de ressenyes per producte per a l'equip, amb revisió |
| Mitjà (1-2 anys) | 7 + 8 + 9. Assistent-agent | Agents amb eines, neurosimbòlic, multimodal | Emergent | Eines acotades (consultar comanda, classificar foto, aplicar regles, preparar devolució), permisos i registre, avaluació per tasques completes |
| Mitjà | 9. Diagnòstic d'incidències | IA a la vora, multimodal | Emergent | CNN quantitzada al terminal del repartidor; validació a Getafe; mesurar decisions que canvien |
| Mitjà | 2. Previsió de demanda | Models de sèries preentrenats, IA i ciència | Emergent | Comparar contra la línia base actual amb MAE en unitats i euros; no canviar sense guanyar clarament |
| Mitjà | 1. Recomanador | Models fundacionals (embeddings de producte), regulació (perfilat) | Consolidat/emergent | Línia base col·laborativa (08-02), A/B sobre ingressos, informació al client i opció d'oposició |
| Llarg (2-3 anys) | 5 i 6. Rutes i assignació | Optimització + models apresos, reforç en simulació | Emergent/especulatiu | Simulador del magatzem i de les rutes abans de qualsevol política apresa; mai aprendre amb clients reals |
| Transversal | Tots | Reglament d'IA i auditories, sostenibilitat, competències | Consolidat | Inventari de sistemes per risc, avaluació d'impacte dels que afecten persones, formació de l'equip, criteri "model petit primer" |
- Taula resum: tendència → estat → implicació pràctica
| Tendència | Estat | Implicació pràctica |
|---|---|---|
| Models fundacionals | Consolidat | Partir d'un model preentrenat; el valor és a les dades pròpies, la integració i l'avaluació; vigilar la dependència de proveïdor |
| Multimodalitat | Emergent | Dissenyar fluxos on text i imatge es tractin junts; no refer-ho tot encara |
| Agents amb eines | Consolidat (acotat) / emergent (obert) / especulatiu (autonomia àmplia) | PEAS, permisos, límits, registre; avaluar tasques completes; supervisió humana |
| IA generativa a l'empresa | Consolidat | Copilots i automatització de baix risc amb revisió; política de dades; formació |
| IA explicable | Consolidat (tabular) / emergent (profund, LLM) | Explicació global i local com a lliurable; SHAP/LIME quan el model és opac |
| Regulació i governança | Consolidat (que n'hi haurà) / emergent (com) | Inventari, model cards, avaluació d'impacte, transparència, marques d'aigua |
| Vora i models petits | Consolidat (tècniques) / emergent (LLM petits) | "Model petit primer"; quantitzar i mesurar; privadesa i energia |
| Neurosimbòlic i raonament | Emergent / especulatiu | El model crida l'eina exacta; validació per regles |
| IA i ciència | Consolidat / emergent | Mètodes que arribaran a la indústria; dades ben desades avui |
| AGI i seguretat | Especulatiu (AGI) / consolidat (seguretat pràctica) | No decidir sobre especulació; proves, límits i revisió avui |
| Ocupació i competències | Consolidat (canvi de tasques) / especulatiu (efecte agregat) | Formació contínua; mètode, dades, avaluació i comunicació com a competències diferencials |
Errors Comuns i Consells
- Confondre emergent amb consolidat. Un pilot que funciona en una demostració no és una base per reorganitzar un departament. Etiqueta cada tendència abans de decidir.
- Perseguir la novetat en lloc del problema. El full de ruta parteix dels nou casos d'ús i pregunta quina tendència els afecta, no a l'inrevés.
- Donar per fet que el model gran és millor. Prova primer el petit o el local, quantitza i mesura quantes decisions canvien, com a la secció 7.
- Tractar l'explicabilitat com un ornament. És requisit legal per al que afecta persones i una eina de depuració: la importància per permutació descobreix fuites i columnes inútils.
- Donar eines a un agent sense límits. Cada eina és un actuador; permisos, quotes i registre des del primer dia.
- Decidir sobre el debat de l'AGI. Ni el pànic ni la fe justifiquen decisions irreversibles; la seguretat pràctica (proves, revisió, límits) sí que és per a avui.
- Consell: dedica un temps fix (per exemple, una hora a la setmana) a llegir fonts primàries (articles, documentació oficial, textos legals) en lloc de titulars; el mòdul 10 et dirà on.
Exercicis
Exercici 1: explicar la cua de revisió
Amplia puntuar_lot de 08-01 (sense canviar el model) perquè la sortida inclogui una columna motiu amb les dues característiques que més empenyen a l'alça la probabilitat de cada comanda, seguint l'explicació local de la secció 5. Indica quin text veuria la revisora per a la comanda 2314 i quina limitació té aquesta explicació si en el futur el model fos un bosc.
Exercici 2: classificar propostes
El Diego rep quatre propostes: (a) un agent que respongui i executi reemborsaments automàticament; (b) resums de ressenyes generats per un LLM per a l'equip de producte; (c) substituir la previsió de demanda actual per un model fundacional de sèries temporals; (d) reconeixement facial a la botiga física per "reconèixer clients habituals". Classifica cadascuna per estat (consolidat/emergent/especulatiu), per risc (02-04) i per decisió (fer ja, pilotar, esperar, no fer), amb una frase de justificació.
Exercici 3: quantitzar i mesurar
Repeteix la quantització de la secció 7 amb 4 bits (enters de −7 a 7) en lloc de 8 i anota la diferència màxima de probabilitat i quantes comandes canvien de cua. A partir de quin nombre de canvis diria el Diego que no és acceptable, i amb quin criteri ho decidiries tu?
Solucions
Solució 1. A puntuar_lot, després de calcular prob, s'obté la matriu transformada Xt = model.named_steps["prep"].transform(comandes[columnes]) (convertida a densa si és dispersa), es multiplica cada fila per model.named_steps["model"].coef_[0] i es prenen, per fila, els dos noms de columna (get_feature_names_out()) amb més aportació positiva; es netegen els prefixos (num__, nom__) i s'uneixen amb " + " a la columna motiu. Per a la comanda 2314 la revisora veuria alguna cosa com import_comanda (+1,9) + dies_lliurament (+0,7), és a dir, "import alt i lliurament lent". Limitació: l'aportació x · coeficient només té sentit en un model lineal; amb un bosc caldria substituir-la per SHAP (o per LIME) mantenint el mateix format de sortida, cosa que convé preveure ja en el disseny (una funció explicar(model, X) amb la mateixa signatura per a tots dos casos).
Solució 2. (a) Agent que executa reemborsaments: emergent com a agent, risc mitjà-alt per l'impacte econòmic i en clients; decisió: pilotar només la versió que prepara i no executa (human-in-the-loop) amb permisos i registre; executar automàticament, no per ara. (b) Resums de ressenyes: consolidat, risc mínim (ús intern, sense decidir sobre persones); fer ja amb revisió lleugera i sense dades personals al servei extern. (c) Model fundacional de sèries: emergent, risc baix; pilotar en ombra contra la línia base actual amb MAE en unitats i en euros, i només substituir si guanya clarament (08-01). (d) Reconeixement facial de clients: tècnicament consolidat, però risc alt (biometria, restriccions severes del Reglament d'IA i del RGPD, 02-04 i 08-02); decisió: no fer; la resposta comença per legal i l'avaluació d'impacte, i gairebé amb seguretat acaba en un programa de fidelització voluntari.
Solució 3. Amb 4 bits l'escala és abs(w).max() / 7 i w_int4 = round(w / escala) en el rang −7..7 (es pot desar com a int8 encara que només se'n facin servir 4 bits). La pèrdua és molt més gran: a l'entorn del curs la diferència màxima de probabilitat puja de 0,008 a 0,155 i canvien de cua 43 comandes de 750 (davant de 3 amb 8 bits): amb només quinze nivells, els pesos petits s'arrodoneixen a zero o a un valor molt diferent del real. El criteri no és un número màgic sinó cost: cada comanda que canvia de cua té un cost esperat (un "marcar" que passa a "revisar" costa una revisió de 3 €; un "revisar" que passa a "aprovar" arrisca una devolució de 30 € amb la probabilitat de la comanda). El Diego acceptaria la quantització si l'estalvi (aquí nul; en un model gran, servidors i energia) supera aquest cost esperat en el volum diari, i tu ho decidiries mesurant el cost de negoci al test amb el model quantitzat (04-05) i comparant-lo amb l'original, exactament com es comparen dos models.
Conclusió
Hem mirat endavant amb les tres etiquetes de la secció 1 a la mà. Consolidat: models fundacionals com a punt de partida, IA generativa com a copilot i automatització de baix risc, explicabilitat per a models tabulars (la importància per permutació i l'explicació local que hem executat sobre el predictor: import i client nou manen, i la comanda 2314 és a la banda per import alt i lliurament lent), regulació que caldrà complir, tècniques d'eficiència com la quantització (vuit vegades menys memòria i 3 comandes de 750 que canvien de cua), la IA com a instrument científic i el canvi de tasques als llocs de treball. Emergent: multimodalitat, agents que planifiquen i fan servir eines (l'agent de 02-01 al centre una altra vegada), neurosimbòlic formalitzat, models petits de llenguatge, la forma concreta de les auditories. Especulatiu: l'AGI, l'autonomia àmplia dels agents i l'efecte agregat en l'ocupació, amb postures serioses en totes les direccions i una regla: no prendre decisions irreversibles sobre especulació. Per a NovaMarket, un full de ruta que comença pel que és consolidat en els seus casos d'ús més madurs i reserva l'emergent per a pilots acotats; per al professional júnior, un mapa de competències on el mètode, les dades, l'avaluació i la comunicació pesen més que l'última llibreria.
Amb això tanquem el mòdul 8: un mètode per portar projectes de la idea a producció (08-01), l'experiència dels que ho van fer bé i malament (08-02) i una brúixola per al que ve (08-03). Els mòduls 3 a 8 han donat la teoria, el codi i el criteri; el que falta és consolidar-ho amb les mans, resolent problemes de principi a fi sense que la lliçó porti de la mà. És el mòdul 9, Exercicis i Pràctiques: algorismes de cerca i optimització a 09-01, pràctiques d'aprenentatge automàtic a 09-02, projectes de xarxes neuronals a 09-03 i, a 09-04, el projecte integrador en què aplicaràs el mètode de 08-01 a un cas propi, de la idea al prototip.
Fonaments d'Intel·ligència Artificial (IA)
Mòdul 1: Introducció a la Intel·ligència Artificial
Mòdul 2: Principis Bàsics de la IA
- Conceptes Fonamentals: Agents, Entorns i Racionalitat
- Tipus d'Intel·ligència Artificial
- Les Dades com a Matèria Primera de la IA
- Ètica i Consideracions en IA
Mòdul 3: Algorismes en IA
- Introducció als Algorismes
- Algorismes de Cerca
- Cerca amb Adversari: Jocs i Minimax
- Algorismes d'Optimització
Mòdul 4: Aprenentatge Automàtic (Machine Learning)
- Conceptes Bàsics de Machine Learning
- Tipus d'Aprenentatge Automàtic
- Preparació de Dades i Característiques
- Algorismes de Machine Learning
- Avaluació i Validació de Models
- Sobreajust, Regularització i Ajust d'Hiperparàmetres
Mòdul 5: Xarxes Neuronals i Deep Learning
- Introducció a les Xarxes Neuronals
- Arquitectura de Xarxes Neuronals
- Com Aprèn una Xarxa: Descens del Gradient i Retropropagació
- Deep Learning i les seves Aplicacions
- Transformers, Grans Models de Llenguatge i IA Generativa
Mòdul 6: Lògica i Sistemes Experts
- Lògica en IA
- Sistemes Experts
- Raonament amb Incertesa: Probabilitat i Xarxes Bayesianes
- Aplicacions dels Sistemes Experts
Mòdul 7: Eines i Llenguatges de Programació en IA
- Llenguatges de Programació per a IA
- Python Científic: NumPy, pandas i Matplotlib
- Eines i Llibreries Populars
- Entorns de Desenvolupament
Mòdul 8: Projectes i Casos d'Estudi
Mòdul 9: Exercicis i Pràctiques
- Exercicis d'Algorismes
- Pràctiques de Machine Learning
- Projectes de Xarxes Neuronals
- Projecte Integrador: de la Idea al Prototip