En aquesta primera lliçó respondrem la pregunta fonamental del curs: què és exactament el Machine Learning (aprenentatge automàtic)? Veurem una definició formal i una altra d'intuïtiva, entendrem en què es diferencia de la programació tradicional i coneixerem els conceptes bàsics que farem servir durant tot el curs: model, entrenament, predicció i dades d'entrenament. A més, presentarem MercaFresh, un supermercat en línia fictici els problemes de negoci del qual ens acompanyaran com a fil conductor a totes les lliçons. Entendre bé aquests fonaments és important perquè tota la resta —estadística, preprocessament, algorismes, avaluació— es construeix al damunt.

1. Una definició intuïtiva
2. La definició formal
3. Programació tradicional vs. Machine Learning
4. Conceptes clau: dades, model, entrenament i predicció
5. MercaFresh: el cas que acompanyarà tot el curs
6. Què és (i què no és) el Machine Learning

Imagina que vols ensenyar un nen a distingir pomes de taronges. No li dones una llista de regles de l'estil "si el diàmetre és superior a 7 cm i la rugositat supera l'índex 0,3, llavors és una taronja". Simplement li ensenyes moltes pomes i moltes taronges, li dius quina és quina, i el seu cervell aprèn dels exemples. Al cap d'un temps, el nen reconeix una fruita que no ha vist mai abans.

El Machine Learning funciona amb la mateixa filosofia:

• En lloc d'escriure regles a mà, mostrem exemples a l'ordinador.
• L'ordinador detecta patrons en aquests exemples.
• Amb aquests patrons, és capaç de generalitzar: donar respostes correctes davant de casos nous que no ha vist mai.

Dit en una frase: el Machine Learning és la disciplina que permet als ordinadors aprendre de les dades sense ser programats explícitament per a cada cas concret.

La definició més citada és la de Tom Mitchell (1997):

"Es diu que un programa aprèn de l'experiència E respecte d'una tasca T i una mesura de rendiment P, si el seu rendiment en T, mesurat per P, millora amb l'experiència E."

Sembla abstracta, però s'entén de seguida amb un exemple aplicat al nostre supermercat en línia:

Si el programa, a mesura que veu més historial de vendes (E), prediu la demanda (T) amb menys error (P), llavors està aprenent. Així de concret és l'aprenentatge automàtic: no és màgia, és millora mesurable a partir de dades.

Aquesta és la distinció més important de tota la lliçó. En la programació tradicional, el programador escriu les regles; en Machine Learning, les regles surten de les dades.

Fixa't en el canvi de flux: en l'enfocament tradicional hi entren dades i regles, i en surten respostes. En Machine Learning hi entren dades i respostes conegudes, i en surt un model (les regles apreses), que després farem servir per respondre casos nous.

Suposem que MercaFresh vol detectar comandes potencialment fraudulentes. Amb programació tradicional escriuríem regles a mà:

Expliquem el fragment pas a pas:

• Definim una funció que rep tres característiques de la comanda: l'import, el nombre d'articles i si el client és nou.
• Les condicions (import_comanda > 500, num_articles > 100) són llindars decidits per una persona, basats en la seva intuïció.
• El programa no millorarà mai per si sol: si els estafadors canvien de tàctica (per exemple, fan moltes comandes petites), caldrà reescriure les regles a mà.

Amb Machine Learning, en canvi, el plantejament és diferent. Aquest fragment és només il·lustratiu (aprendrem a fer-ho de debò als mòduls 4 i 6), però mostra la idea:

Analitzem les diferències clau:

• No hem escrit cap if amb llindars: li hem donat exemples històrics (comandes) juntament amb les respostes correctes (etiquetes).
• La crida model.fit(...) és el moment de l'entrenament: l'algorisme examina els exemples i en dedueix les seves pròpies regles internes.
• La crida model.predict(...) fa servir aquestes regles apreses per respondre davant d'un cas nou.
• Si el frau canvia de patró, no reescrivim codi: reentrenem el model amb dades més recents.

Aquests quatre termes apareixeran a cada lliçó del curs. Convé fixar-los des d'ara:

• Dades d'entrenament: el conjunt d'exemples històrics del qual aprèn l'algorisme. En l'exemple anterior, la llista comandes amb les seves etiquetes. Cada fila és un exemple (o instància) i cada columna una característica (o feature): import, nombre d'articles, etc.
• Model: el resultat de l'aprenentatge. És una representació matemàtica dels patrons trobats a les dades. Podem imaginar-lo com "les regles apreses", empaquetades en un objecte que sap respondre preguntes.
• Entrenament: el procés pel qual l'algorisme ajusta el model a les dades. A scikit-learn es correspon amb el mètode fit().
• Predicció (o inferència): l'ús del model ja entrenat per donar una resposta davant de dades noves. A scikit-learn, el mètode predict().

Una analogia útil: les dades d'entrenament són el temari, l'entrenament és l'estudi, el model és el coneixement adquirit i la predicció és l'examen amb preguntes noves.

Un matís important que desenvoluparem al mòdul 6: el que és valuós d'un model no és que encerti amb les dades que ja va veure, sinó que generalitzi bé a dades noves. Un model que memoritza el passat però falla amb el present no serveix de res al negoci.

MercaFresh és un supermercat en línia fictici que opera a diverses ciutats. Cada dia registra milers de comandes, i per tant acumula dades molt valuoses:

• Comandes: data, productes, quantitats, import, franja horària de lliurament.
• Clients: antiguitat, freqüència de compra, tiquet mitjà, ciutat, dispositiu utilitzat.
• Productes: categoria, preu, estoc, caducitat, promocions actives.

Amb aquestes dades, la direcció de MercaFresh es planteja preguntes de negoci que són, exactament, problemes de Machine Learning. Les anirem resolent al llarg del curs:

De moment no cal que entenguis com es resolen; n'hi ha prou que vegis que darrere de cada pregunta de negoci hi ha dades, i darrere de les dades, patrons que es poden aprendre.

Per tancar la lliçó, delimitem bé el concepte:

• El ML és una branca de la Intel·ligència Artificial centrada a aprendre de dades. Tota solució de ML és IA, però no tota IA és ML (un sistema de regles expertes escrites a mà també és IA).
• El ML no és màgia: si les dades són dolentes, escasses o esbiaixades, el model serà dolent. Ho resumeix la dita "garbage in, garbage out" (si hi entra brossa, en surt brossa).
• El ML no és només estadística, tot i que s'hi recolza fortament (ho veurem al mòdul 2); posa l'èmfasi en la predicció automàtica i a gran escala.
• Un model no entén el negoci: troba correlacions a les dades. La interpretació i les decisions continuen sent humanes.

• Confondre el model amb l'algorisme. L'algorisme és la recepta d'aprenentatge (per exemple, "arbre de decisió"); el model és el resultat concret després d'entrenar amb les teves dades. Amb el mateix algorisme i dades diferents obtens models diferents.
• Pensar que més regles manuals ho resolen tot. Si et descobreixes escrivint el vintè if per cobrir un cas especial, probablement el problema demana un enfocament d'aprenentatge.
• Creure que el ML no necessita intervenció humana. Algú ha de definir la tasca, triar les dades, mesurar el rendiment i decidir què fer amb les prediccions.
• Esperar certeses. Un model dona prediccions probables, no veritats. A MercaFresh, "aquest client té un 80 % de probabilitat d'abandonar" és una informació valuosíssima, però no una bola de vidre.
• Consell: quan llegeixis sobre ML, tradueix sempre els termes a la definició de Mitchell: quina és la tasca T?, quina és l'experiència E?, com es mesura P? Aquest hàbit et donarà claredat durant tot el curs.

Identifica els components T, E i P (segons la definició de Mitchell) per a aquest cas de MercaFresh: "Volem que el sistema suggereixi automàticament productes a cada client a la pàgina d'inici, fent servir el seu historial de compres, i mesurar el percentatge de suggeriments en què el client fa clic".

Classifica cadascun d'aquests problemes de MercaFresh com a més adequat per a programació tradicional o per a Machine Learning, i justifica-ho en una frase:

1. Calcular les despeses d'enviament segons el pes de la comanda i el codi postal (tarifes fixes publicades).
2. Estimar quants repartidors caldran el proper pont festiu.
3. Validar que una adreça de correu electrònic introduïda al registre té un format correcte.
4. Detectar ressenyes de productes escrites per bots.

En l'exemple de codi de la lliçó, la llista comandes tenia 4 exemples amb 3 característiques cadascun. Respon: (a) què representa cada fila?, (b) què representa cada columna?, (c) quin paper hi juga la llista etiquetes?, (d) quina línia del codi fa l'entrenament i quina la predicció?

Solució 1

• T (tasca): suggerir productes rellevants a cada client a la pàgina d'inici.
• E (experiència): l'historial de compres dels clients (i de clients similars).
• P (rendiment): el percentatge de clics sobre els suggeriments mostrats (CTR). Si en veure més historial els suggeriments reben més clics, el sistema està aprenent.

Solució 2

1. Tradicional: les tarifes són regles fixes, conegudes i estables; no hi ha res a aprendre.
2. Machine Learning: depèn de patrons històrics complexos (festius, clima, tendències); és un problema de predicció a partir de dades.
3. Tradicional: el format d'un correu es valida amb una regla clara i estable.
4. Machine Learning: no hi ha regles fixes que defineixin una ressenya de bot; els patrons canvien i s'han d'aprendre a partir d'exemples.

Solució 3

• (a) Cada fila és un exemple (una comanda històrica concreta).
• (b) Cada columna és una característica de la comanda: import, nombre d'articles i si el client era nou.
• (c) etiquetes conté la resposta correcta coneguda de cada exemple (1 = frau, 0 = legítima); és el que permet a l'algorisme aprendre la relació entre característiques i resultat.
• (d) L'entrenament el fa model.fit(comandes, etiquetes); la predicció, model.predict([[580, 15, 1]]).

En aquesta lliçó hem definit el Machine Learning de manera intuïtiva (aprendre d'exemples per generalitzar) i formal (la definició T-E-P de Mitchell), i n'hem vist la diferència essencial amb la programació tradicional: les regles ja no s'escriuen a mà, sinó que emergeixen de les dades durant l'entrenament. També hem fixat el vocabulari bàsic —dades d'entrenament, model, entrenament, predicció— i hem conegut MercaFresh, el supermercat en línia els reptes del qual (demanda, churn, segmentació, anomalies) resoldrem al llarg del curs. A la propera lliçó farem un pas enrere per entendre d'on ve tot això: recorrerem la història i evolució del Machine Learning, des de Turing fins a l'era actual de la IA generativa.