A la lliçó anterior vam definir el Machine Learning com la disciplina que permet als ordinadors aprendre de les dades. Però aquesta idea no va néixer ahir: té més de setanta anys d'història, amb èpoques d'eufòria, dècades de decepció (els famosos "hiverns de la IA") i un renaixement espectacular en els darrers anys. Conèixer aquesta evolució és important per dues raons: entendràs per què el ML explota precisament ara (i no el 1960, quan ja existien moltes de les idees), i guanyaràs perspectiva per no deixar-te endur ni pel bombo publicitari ni per l'escepticisme. En aquesta lliçó no explicarem el funcionament tècnic dels algorismes que esmentem; això arribarà als mòduls 4, 5 i 7.

1. Els orígens: Turing i la pregunta fundacional (1950)
2. El primer entusiasme: el perceptró i els pioners (1950-1970)
3. Els hiverns de la IA (1974-1980 i 1987-1993)
4. L'auge estadístic dels anys 90
5. Big data i la industrialització del ML (2000-2012)
6. La revolució del deep learning (2012-2017)
7. L'era actual: transformers i IA generativa
8. Taula cronològica de fites
9. Per què explota ara? Els tres ingredients

L'any 1950, el matemàtic britànic Alan Turing va publicar l'article Computing Machinery and Intelligence, on va plantejar la pregunta "poden pensar les màquines?" i va proposar el seu famós test de Turing: si en una conversa per escrit no pots distingir si el teu interlocutor és una persona o una màquina, la màquina exhibeix un comportament intel·ligent.

El més visionari de l'article, per al nostre curs, és una altra idea: Turing va suggerir que en lloc de programar una "ment adulta" amb totes les seves regles, seria més pràctic construir una "ment de nen" i educar-la amb exemples. És a dir, va descriure l'essència del Machine Learning dècades abans que fos tècnicament possible.

Altres fites fundacionals de la dècada:

• 1956 – Conferència de Dartmouth: John McCarthy encunya el terme Artificial Intelligence. Es considera l'acta de naixement oficial de la IA com a camp de recerca.
• 1959 – Arthur Samuel: crea un programa que juga a les dames i millora jugant contra si mateix. Samuel encunya el terme Machine Learning i el defineix com "el camp d'estudi que dona als ordinadors la capacitat d'aprendre sense ser programats explícitament" — la definició intuïtiva que vam veure a la lliçó anterior.

L'any 1958, el psicòleg Frank Rosenblatt va presentar el perceptró, una màquina inspirada (molt lliurement) en les neurones del cervell, capaç d'aprendre a classificar patrons senzills a partir d'exemples. Va ser l'antecessor directe de les xarxes neuronals actuals (que estudiarem a la lliçó 04-07).

La premsa de l'època es va desfermar: es va arribar a publicar que el perceptró seria "l'embrió d'un ordinador capaç de caminar, parlar, veure, escriure i ser conscient de la seva existència". Aquest patró —expectatives inflades seguides de decepció— es repetirà diverses vegades en la nostra història.

L'any 1969, Marvin Minsky i Seymour Papert van publicar el llibre Perceptrons, demostrant matemàticament que el perceptró simple tenia limitacions severes (no podia resoldre certs problemes bàsics). El llibre va ser tan influent que el finançament per a xarxes neuronals pràcticament va desaparèixer.

S'anomena hivern de la IA un període en què, després de promeses incomplertes, el finançament i l'interès pel camp s'ensorren. Hi va haver dos grans hiverns:

• Primer hivern (1974-1980): els governs dels EUA i del Regne Unit van retallar dràsticament la inversió després d'informes molt crítics (com l'informe Lighthill de 1973) que constataven que els resultats reals quedaven molt lluny del que s'havia promès.
• Segon hivern (1987-1993): als anys 80 hi va haver un ressorgiment gràcies als sistemes experts (programes amb milers de regles escrites a mà per especialistes humans: just l'enfocament "tradicional" que vam veure a la lliçó anterior). Funcionaven en dominis molt acotats, però eren caríssims de mantenir i fràgils fora del seu nínxol. Quan el mercat se'n va adonar, la bombolla va esclatar.

Lliçó per al present: els hiverns no van arribar perquè les idees fossin dolentes, sinó perquè el maquinari i les dades de l'època no donaven per materialitzar-les, i perquè es va prometre més del que es podia complir. Curiosament, en ple segon hivern (1986), Rumelhart, Hinton i Williams van popularitzar la retropropagació (backpropagation), la tècnica que dècades més tard faria possible el deep learning. Les llavors del futur es van plantar a l'hivern.

Als anys 90, el camp va fer un gir pragmàtic que el defineix fins avui: menys ambició de "crear ments" i més focus a resoldre problemes concrets de predicció amb fonaments estadístics sòlids. El Machine Learning es va separar de la IA simbòlica i es va acostar a l'estadística (per això el mòdul 2 d'aquest curs és d'estadística i probabilitat).

Fites de la dècada:

• 1995: Cortes i Vapnik presenten les màquines de vectors de suport (SVM), que dominarien la classificació durant 15 anys (les veurem a la lliçó 04-04).
• 1995-2001: maduren els mètodes basats en arbres i les seves combinacions, culminant en Random Forest (Breiman, 2001), antecedent de l'ensemble learning del mòdul 7.
• 1997: Deep Blue d'IBM derrota el campió mundial d'escacs Garri Kaspàrov. (Matís: Deep Blue era sobretot força bruta i regles, no ML pur, però va canviar la percepció pública del que les màquines podien fer.)
• 1998: Yann LeCun aplica xarxes neuronals convolucionals per llegir dígits manuscrits en xecs bancaris: una de les primeres aplicacions industrials massives de xarxes neuronals.

Per a un negoci com MercaFresh, aquesta dècada marca el moment en què tècniques com la predicció de demanda o la detecció de frau amb models estadístics van començar a ser viables en empreses reals (bancs i grans superfícies van ser-ne pioners).

Amb l'explosió d'Internet, va passar una cosa decisiva: per primera vegada a la història hi va haver dades massives disponibles. Cada compra en línia, cada clic, cada cerca quedava registrada. Un supermercat en línia com MercaFresh genera avui en un dia més dades de comportament de clients que una cadena física dels anys 80 en un any.

Fites del període:

• 2006: Netflix llança el Netflix Prize (un milió de dòlars per a qui millorés un 10 % el seu sistema de recomanació), popularitzant les competicions de ML.
• 2006: Geoffrey Hinton publica els primers treballs sobre xarxes "profundes" entrenables, i s'encunya el terme deep learning.
• 2009: es publica ImageNet, un conjunt de milions d'imatges etiquetades que es convertiria en el camp de proves de la visió per computador.
• 2007-2010: es generalitza l'ús de GPU (targetes gràfiques) per entrenar models: maquinari dissenyat per a videojocs que va resultar perfecte per a les operacions matricials del ML.
• 2010: es funda Kaggle, la plataforma de competicions de ciència de dades.

El punt d'inflexió té data exacta: 2012. Una xarxa neuronal profunda anomenada AlexNet (Krizhevsky, Sutskever i Hinton) va arrasar a la competició d'ImageNet, reduint l'error de classificació d'imatges del ~26 % al ~16 % en un sol any, quan les millores anuals prèvies eren de dècimes. Va ser la demostració incontestable que les xarxes profundes + moltes dades + GPU funcionaven.

A partir d'aquí, tot es va accelerar:

• 2014: apareixen les GAN (xarxes generatives antagòniques), capaces de generar imatges realistes.
• 2016: AlphaGo (DeepMind) derrota Lee Sedol al Go, un joc considerat fora de l'abast de les màquines durant dècades, combinant deep learning amb aprenentatge per reforç (concepte que presentarem a la propera lliçó).
• Les grans tecnològiques reorganitzen els seus productes al voltant del ML: traducció automàtica, assistents de veu, recomanadors.

L'any 2017, l'article Attention Is All You Need (Google) va presentar l'arquitectura transformer, que va revolucionar primer el processament del llenguatge i després gairebé tota la resta. Sobre aquesta base es van construir els grans models de llenguatge (LLM) com GPT o Claude, i el 2022 el llançament de ChatGPT va portar la IA generativa (sistemes que generen text, imatges o codi) al gran públic.

No aprofundirem en aquestes arquitectures en aquest curs (pertanyen al terreny avançat del deep learning, que només tocarem a la lliçó 07-04), però convé situar-les: són l'evolució natural de la mateixa idea que Arthur Samuel va formular el 1959 —aprendre de dades—, portada a escales de dades i còmput gegantines. I un punt clau per a la teva carrera: la majoria dels problemes de negoci reals (predir demanda, detectar churn, segmentar clients, com a MercaFresh) es continuen resolent amb el ML "clàssic" que aprendràs en aquest curs, no amb IA generativa.

Moltes idees centrals del ML tenen 40 o 60 anys. Per què l'explosió arriba en la darrera dècada? Perquè per fi coincideixen tres ingredients que abans faltaven:

1. Dades: la digitalització de la vida quotidiana genera volums massius d'exemples. MercaFresh ho il·lustra bé: cada comanda en línia registra automàticament dotzenes de variables (què, quan, quant, des de quin dispositiu) que en un supermercat físic de 1990 senzillament no existien.
2. Còmput: les GPU (i després xips específics com les TPU) van multiplicar per ordres de magnitud la capacitat de càlcul, i el núvol la va posar a l'abast de qualsevol per hores. Entrenar el 2012 el que Rosenblatt somiava el 1958 costava uns centenars de dòlars.
3. Algorismes i eines: millores algorísmiques (retropropagació pràctica, noves arquitectures) i, sobretot, biblioteques obertes com scikit-learn (2007), la que farem servir en aquest curs, que van democratitzar tècniques abans reservades a laboratoris de recerca.

Podem veure-ho com una reacció química: els reactius (idees) feia dècades que eren al matràs; dades i còmput van ser l'escalfor que faltava.

Una manera senzilla de sentir el tercer ingredient: el que als anys 90 requeria implementar un algorisme des de zero en C durant setmanes, avui són tres línies de Python:

Aquest fragment és només una picada d'ullet: la regressió lineal que instancia (LinearRegression) té arrels al segle XIX, i l'estudiarem de debò a la lliçó 04-01. La moralitat és històrica: les idees són velles; el que és nou és que ara qualsevol les pot aplicar.

• Creure que el ML és una moda nascuda amb ChatGPT. Com has vist, hi ha 70 anys d'història al darrere; la IA generativa és el capítol més recent, no el primer.
• Pensar que el més nou sempre és el millor. Tècniques "veteranes" com la regressió o els arbres continuen guanyant en multitud de problemes tabulars de negoci (com els de MercaFresh), amb menys cost i més interpretabilitat que el deep learning.
• Ignorar la lliçó dels hiverns. Prometre resultats miraculosos a un client o a la teva direcció és la recepta històrica del desencant. Defineix expectatives mesurables (recorda la P de Mitchell de la lliçó anterior).
• Confondre fites mediàtiques amb avenços de ML. Deep Blue (1997) va ser sobretot cerca per força bruta; AlphaGo (2016) sí que va ser aprenentatge. Distingir-los et donarà criteri.
• Consell: quan llegeixis notícies sobre IA, situa-les mentalment a la línia temporal d'aquesta lliçó i pregunta't quin dels tres ingredients (dades, còmput, algorismes) ha fet possible la novetat.

Ordena cronològicament les fites següents i assigna cadascuna a la seva època (orígens, hivern, auge estadístic, big data, revolució del deep learning, era actual): AlexNet, perceptró, SVM, transformer, informe Lighthill, ImageNet.

Explica amb les teves paraules (4-6 línies) per què el perceptró de 1958 no va desencadenar llavors la revolució que les xarxes neuronals van protagonitzar a partir de 2012. Recolza't en els "tres ingredients".

La direcció de MercaFresh ha llegit a la premsa que "la IA generativa ho canviarà tot" i proposa abandonar el projecte de predicció de demanda amb ML clàssic per "esperar la nova onada". Escriu un breu argument (3-5 línies) fent servir el que has après en aquesta lliçó per respondre'ls.

Solució 1

1. Perceptró (1958) — orígens / primer entusiasme.
2. Informe Lighthill (1973) — detonant del primer hivern de la IA.
3. SVM (1995) — auge estadístic dels 90.
4. ImageNet (2009) — era del big data.
5. AlexNet (2012) — revolució del deep learning.
6. Transformer (2017) — era actual.

Solució 2

El perceptró contenia la idea correcta (aprendre d'exemples ajustant connexions), però el 1958 faltaven dos dels tres ingredients: gairebé no hi havia dades digitalitzades amb què entrenar, i el còmput disponible era milions de vegades inferior al d'una GPU moderna. A més, els algorismes per entrenar xarxes de diverses capes (com la retropropagació) no es van popularitzar fins al 1986. Quan el 2012 van coincidir dades massives (ImageNet), maquinari adequat (GPU) i algorismes madurs, la mateixa idea va funcionar de manera espectacular.

Solució 3

Argument possible: "Els problemes tabulars de negoci com la predicció de demanda es resolen avui de manera excel·lent, barata i interpretable amb ML clàssic, el mateix tipus de tècniques consolidades des dels anys 90-2000. La història del camp ensenya que esperar la 'propera onada' promesa és la recepta dels hiverns de la IA: promeses inflades i projectes aturats. El que és assenyat és capturar valor ara amb tècniques madures i avaluar les noves quan demostrin un avantatge mesurable en el nostre problema concret."

Hem recorregut setanta anys d'història: la visió de Turing, el perceptró de Rosenblatt, els dos hiverns que van refredar el camp, el gir estadístic dels 90, l'era del big data, l'explosió del deep learning el 2012 i l'actual onada de transformers i IA generativa. La gran conclusió és que les idees fonamentals són antigues, i que la revolució actual s'explica per la confluència de tres ingredients: dades massives, còmput barat i algorismes accessibles a tothom. Amb aquesta perspectiva històrica, a la lliçó següent organitzarem el camp per dins: estudiarem els tipus de Machine Learning (supervisat, no supervisat, semisupervisat i per reforç) i veurem a quin correspon cada problema de MercaFresh.