A les lliçons anteriors hem definit el Machine Learning, n'hem recorregut la història i n'hem classificat els tipus. Ara toca respondre una pregunta molt pràctica: per a què es fa servir realment el ML al món professional? En aquesta lliçó farem un recorregut per les aplicacions més rellevants sector a sector —comerç, salut, finances, indústria, transport, llenguatge i visió—, aterrarem diversos casos d'ús concrets a MercaFresh, i acabarem amb una cosa que distingeix un bon professional: els criteris per decidir quan té sentit fer servir ML i quan no. Saber quan no aplicar ML estalvia tants diners com saber aplicar-lo bé.

1. El ML que ja fas servir sense saber-ho
2. Aplicacions per sector
3. Casos d'ús concrets a MercaFresh
4. Quan té sentit fer servir Machine Learning?
5. Quan NO fer servir Machine Learning?
6. Una nota sobre responsabilitat

Abans de parlar de sectors, adona't que el ML ja media el teu dia a dia:

• El filtre de spam del teu correu (classificació, com vam veure a la lliçó anterior).
• Les recomanacions de sèries, música o productes que et mostren les plataformes.
• El desbloqueig facial del mòbil i l'etiquetatge automàtic de les teves fotos (visió per computador).
• El corrector i el teclat predictiu en escriure missatges.
• La ruta "més ràpida" que et proposa el navegador, que prediu el trànsit.
• L'aprovació gairebé instantània (o el bloqueig) d'un pagament amb targeta dubtós.

La invisibilitat és la norma: el ML de més impacte econòmic no és el que surt a les notícies, sinó el que funciona silenciosament dins de processos quotidians.

És el sector del nostre fil conductor, i un dels més madurs en adopció de ML:

• Sistemes de recomanació: "els clients que van comprar X també van comprar Y". A les grans plataformes, un percentatge substancial de les vendes prové de recomanacions automàtiques.
• Previsió de demanda: quantes unitats de cada producte es vendran, per comprar i emmagatzemar just el que cal (regressió).
• Predicció d'abandonament (churn) i valor de vida del client (CLV): a qui adreçar campanyes de retenció (classificació i regressió).
• Segmentació de clients per a màrqueting personalitzat (clustering).
• Preus dinàmics i optimització de promocions.

• Suport al diagnòstic per imatge: detecció de tumors en mamografies o retinopaties en fons d'ull, amb un rendiment comparable al d'especialistes en tasques concretes (classificació sobre imatges).
• Predicció de risc: probabilitat de reingrés hospitalari o de complicació d'un pacient.
• Descobriment de fàrmacs: garbellat de milions de molècules candidates; el cas AlphaFold (predicció de l'estructura 3D de proteïnes) va accelerar anys de feina de laboratori.
• Nota important: en salut el model assisteix, no substitueix, el professional; la decisió clínica continua sent humana.

• Detecció de frau en temps real: decidir en mil·lisegons si un pagament amb targeta és legítim (classificació, amb el repte afegit que el frau és raríssim comparat amb les operacions normals).
• Scoring creditici: estimar la probabilitat d'impagament abans de concedir un préstec.
• Detecció de blanqueig de capitals i anomalies en moviments.
• Trading algorísmic i previsió de sèries financeres.

• Manteniment predictiu: anticipar l'avaria d'una màquina a partir de sensors (vibració, temperatura), per reparar-la just abans que falli en lloc de fer-ho amb calendaris fixos.
• Control de qualitat visual: càmeres que detecten peces defectuoses a la línia de producció.
• Optimització de processos i consum energètic: per exemple, reduir l'energia de refrigeració de centres de dades.
• Previsió de generació renovable (eòlica, solar) per equilibrar la xarxa elèctrica.

• Optimització de rutes de repartiment considerant trànsit, finestres horàries i capacitat dels vehicles.
• Estimació del temps d'arribada (ETA) que veus a les apps de navegació i de repartiment.
• Conducció autònoma: percepció de l'entorn (visió), predicció del comportament d'altres vehicles i decisió (on intervé l'aprenentatge per reforç que vam presentar a la lliçó anterior).
• Previsió de demanda de mobilitat: quants vehicles caldran i on.

Més que un sector, són capacitats que travessen tots els sectors:

• Processament del llenguatge natural (NLP): traducció automàtica, anàlisi de sentiment de ressenyes, chatbots d'atenció al client, resum de documents, i els assistents d'IA generativa de l'era actual (lliçó 01-02).
• Visió per computador: reconeixement d'objectes i cares, lectura automàtica de documents (OCR), inspecció visual, anàlisi d'imatges per satèl·lit.

Baixem ara al nostre supermercat en línia i connectem sectors amb realitats de negoci. Aquests tres casos d'ús són representatius del que un equip de dades aborda al comerç electrònic:

Situació: la pàgina d'inici de MercaFresh mostra els mateixos 20 productes destacats a tots els clients. Amb ML: cada client veu una selecció personalitzada ("la teva compra habitual", "potser et falta..."). Si un client compra bolquers cada 3 setmanes i fa 20 dies de la darrera vegada, el sistema els hi suggereix.

• Dades necessàries: historial de compres per client, catàleg, cistelles conjuntes.
• Valor de negoci: més tiquet mitjà, menys oblits, més fidelitat.

Situació: els productes frescos caduquen; comprar de més genera minva (pèrdues per caducitat) i comprar de menys genera trencaments d'estoc (clients insatisfets). Amb ML: un model de regressió prediu les unitats de cada fresc per als propers dies fent servir historial, festius, promocions i meteorologia.

• Un 2 % menys de minva en frescos pot suposar centenars de milers d'euros anuals en una cadena mitjana.
• És l'exemple canònic de regressió que seguirem als mòduls 4 i 6.

Situació: MercaFresh promet franges de lliurament d'1 hora, i complir-les és car. Amb ML:

• Predir el temps real de cada lliurament (regressió) per no vendre franges impossibles.
• Preveure la demanda de repartidors per zona i franja per dimensionar la plantilla.
• Detectar comandes anòmales (adreces estranyes, imports atípics) abans que surtin del magatzem.

El fragment resumeix la transició típica a les empreses: d'una regla raonable però rígida (mitjana més un coixí fix, que ignora festius, promocions o el temps que farà) a una predicció específica per a cada dia i producte. No és que la regla fos absurda; és que deixa diners sobre la taula.

No tota pregunta de negoci mereix un model. El ML surt a compte quan es compleixen, alhora, la majoria d'aquestes condicions:

1. Existeix un patró plausible a aprendre (la demanda de pa depèn d'alguna cosa: dia, clima, promos...).
2. No podem escriure les regles a mà, perquè són massa nombroses, massa complexes o canvien amb el temps (recorda la comparació de la lliçó 01-01).
3. Hi ha dades suficients, rellevants i accessibles sobre el fenomen (i, per a problemes supervisats, amb l'etiqueta registrada).
4. El problema es repeteix a escala: es pren la mateixa decisió milers de vegades (una ordre de compra per producte i dia, una predicció per client). Automatitzar una decisió que es pren dos cops l'any no surt a compte.
5. Un error té un cost assumible o hi ha supervisió humana per als casos delicats.
6. Podem mesurar el resultat (la P de Mitchell): sense mètrica, no sabrem si el model aporta valor.

Igual d'important. Senyals que el ML no és el camí:

Regla pràctica: comença sempre per la solució més simple que funcioni (una regla, una mitjana històrica, un full de càlcul). Aquesta solució simple, a més, es convertirà en el teu baseline: la referència mínima que qualsevol model de ML haurà de superar per justificar la seva existència. Reprendrem aquesta idea en parlar d'avaluació al mòdul 6.

A MercaFresh, dos exemples de "no ML":

• Calcular el descompte del club de fidelitat (5 % fix en frescos els dimarts): regla de negoci pura; programació tradicional.
• Decidir si obrir operacions a Portugal: decisió estratègica única; les dades ajuden a l'anàlisi, però no és un problema de predicció repetitiva a automatitzar.

Les aplicacions vistes toquen vides: concedir o no un crèdit, prioritzar un diagnòstic, mostrar o amagar una oferta. Tot model aprèn de dades històriques, i si aquestes dades contenen biaixos, el model els pot perpetuar; a més, les dades personals exigeixen un tractament legal i ètic acurat (a Europa, RGPD). De moment, queda't amb el principi: que es pugui predir una cosa no vol dir que s'hagi de fer. Tractarem l'ètica i la privadesa en profunditat a la lliçó 08-04, quan ja sàpigues construir models.

• Començar per la tecnologia en lloc del problema. "Fem alguna cosa amb IA" és l'avantsala del fracàs; "reduïm la minva de frescos un 15 %" és un projecte. Primer el problema, després l'eina.
• Saltar-se la solució simple. Sense un baseline (mitjana històrica, regla actual), no sabràs mai si el teu model aporta valor o només complexitat.
• Suposar que "hi ha dades" equival a "hi ha dades útils". Tenir milions de files no serveix si no registren la variable clau (p. ex., voler predir churn sense haver guardat mai les dates de baixa).
• Ignorar el cost total. Un model s'ha de construir, desplegar, monitorar i mantenir (ho veurem al mòdul 8). Per a decisions de poc impacte, aquest cost supera el benefici.
• Consell: davant de qualsevol proposta de projecte de ML, passa-la per la llista de 6 condicions d'aquesta lliçó. Si falla en dues o més, replanteja el projecte abans d'escriure una línia de codi.

Relaciona cada aplicació amb el seu sector i amb el tipus de ML més probable (fes servir els tipus de la lliçó 01-03): (a) predir l'energia que produirà demà un parc eòlic; (b) agrupar botigues físiques per patrons de venda similars per assignar-los assortiment; (c) detectar transaccions de blanqueig entre milions de moviments bancaris; (d) chatbot que classifica els missatges de clients en "comanda", "devolució" o "queixa".

Aplica les 6 condicions de "quan té sentit fer servir ML?" a l'encàrrec següent de MercaFresh: "Volem predir quina franja horària de lliurament triarà cada client en fer la seva comanda, per preassignar repartidors". Indica condició per condició si es compleix i conclou si el projecte és raonable.

Un directiu de MercaFresh proposa: "Fem servir ML per decidir l'eslògan de la campanya de Nadal d'enguany". Explica en 3-5 línies per què aquest encàrrec encaixa malament amb el ML, recolzant-te en la taula de senyals de "quan NO fer servir ML", i proposa un ús alternatiu del ML que sí que ajudaria la campanya de Nadal.

Solució 1

• (a) Indústria/energia — supervisat → regressió (l'etiqueta és un nombre: kWh produïts).
• (b) Comerç — no supervisat → clustering (no hi ha grups predefinits de botigues).
• (c) Finances — classificació o detecció d'anomalies (el blanqueig és rar i sovint sense etiquetes fiables, per la qual cosa també hi encaixa el no supervisat/semisupervisat).
• (d) Transversal (NLP) aplicat al comerç — supervisat → classificació multiclasse (tres categories).

Solució 2

1. Patró? Sí: els clients tendeixen a repetir franges (rutines laborals). 2. Regles a mà inviables? Sí: cada client té hàbits diferents i canviants. 3. Dades? Sí: l'historial de comandes registra la franja triada (etiqueta inclosa). 4. Escala? Sí: milers de comandes diàries. 5. Cost d'error assumible? Sí: preassignar malament un repartidor té un cost petit i corregible. 6. Mesurable? Sí: percentatge d'encerts de franja. Conclusió: projecte raonable; és un problema supervisat de classificació (una classe per franja).

Solució 3

És una decisió única (un cop l'any), creativa i sense un patró històric del qual aprendre: no hi ha milers de "nadals etiquetats" amb eslògans i resultats comparables, així que fallen les condicions de dades, patró i escala. Encaixa a la fila "decisió única o raríssima" de la taula: millor el judici expert de l'equip de màrqueting. Ús alternatiu amb sentit: predir la demanda nadalenca per producte (regressió sobre historials de desembres anteriors) o segmentar clients per personalitzar a qui s'envia cada versió de la campanya.

Hem vist que el ML impregna tots els sectors —comerç, salut, finances, indústria, transport— i dues capacitats transversals, llenguatge i visió; hem aterrat tres casos d'ús a MercaFresh (recomanació, previsió de demanda de frescos, logística) i, sobretot, hem après a decidir amb criteri: el ML surt a compte quan hi ha patró, dades, escala i mètrica, i sobra quan n'hi ha prou amb regles simples, no hi ha dades o la decisió és única. Amb el què, el d'on ve, el quins tipus hi ha i el per a què ja coberts, només falta el com s'organitza: a la propera lliçó estudiarem el flux de treball complet d'un projecte de Machine Learning, que a més ens servirà de mapa per a la resta del curs.