- La IA es basa en algorismes i models que imiten la cognició humana utilitzant conjunts de dades massives.
- El Machine Learning es divideix en aprenentatge supervisat, no supervisat i per reforç, permetent que les màquines aprenguin patrons.
- El Deep Learning utilitza xarxes neuronals profundes i pesos ajustables per processar informació complexa com a llenguatge i visió.
- La IA generativa i els LLM utilitzen transformadors i prompts per crear contingut nou, enfrontant reptes com les al·lucinacions i els biaixos.
Segurament t'has adonat que avui és impossible navegar per internet o llegir una notícia de tecnologia sense topar-se amb un munt de paraules rares sobre intel·ligència artificial. El que va començar com una mica de ciència ficció ja és aquí, ficat al nostre mòbil, a la feina i fins i tot a la nevera, però l'argot tècnic pot fer que qualsevol se senti una mica perdut al principi.
Perquè no et quedis fora de la conversa i sàpigues exactament de què parlen els experts, hem preparat aquesta guia completa. No volem donar-te definicions de diccionari avorrides, sinó explicacions clares i detallades que et permetin entendre des del més bàsic fins als conceptes més rebuscats, perquè dominis el tema sense complicacions.
El nucli de la Intel·ligència Artificial
Quan parlem de IA, ens referim en general a la capacitat de crear sistemes informàtics que imitin funcions cognitives pròpies dels éssers humans. No es tracta que les màquines tinguin consciència o sentiments, sinó que puguin raonar, resoldre problemes complexos i prendre decisions basant-se en la informació que processen.
Perquè tot això funcioni, necessitem dels algorismes , que no són més que una sèrie de passos lògics i matemàtics que lordinador segueix per completar una tasca. Si l'algorisme és la recepta, els models d'IA en són el resultat final: representacions de processos que permeten classificar dades o predir què passarà en el futur.
En aquest ecosistema, les dades són la benzina. Parlem de datasets o conjunts de dades quan la informació està ben estructurada en taules, podent optimitzar-se mitjançant eines de data warehouse i gestió de dades . Però quan el volum de dades és tan bestial que les eines tradicionals no donen abast, entrem al terreny del Big Data o macrodades , on la IA és l'única capaç de trobar sentit a semblant caos.
Aprenentatge Automàtic i les seves variants
El Machine Learning, o aprenentatge automàtic, és probablement la branca més esmentada. La seva màgia és que les màquines aprenen de l'experiència i milloren el seu rendiment sense que un programador hagi d'escriure cada regla manualment. És com ensenyar a un nen a distingir fruites mostrant exemples reals.
- Aprenentatge Supervisat: Aquí el model té un “professor”. Se li donen dades ja etiquetades (per exemple, milers de fotos de gossos marcades com a «gos») perquè el sistema aprengui a reconèixer patrons i pugui classificar noves dades correctament.
- Aprenentatge No Supervisat: En aquest cas, la màquina va a cegues. No hi ha etiquetes, així que l'algorisme ha de descobrir estructures ocultes per si mateix. Una tècnica comuna és el agrupament o agrupament, on la IA ajunta coses que s'assemblen sense saber exactament què són.
- Aprenentatge per Reforç: És pur assaig i error. Un agent interactua amb un entorn i rep recompenses o càstigs segons les seves accions, ajustant el seu comportament per guanyar la màxima puntuació possible, una cosa típica en la robòtica i els videojocs.
Dins aquest món, hi ha tècniques específiques com la regressió , que s'usa per predir valors numèrics exactes (com el preu d'una casa), a diferència de la classificació, que només assigna etiquetes com a spam o no spam.
Submergint-se al Deep Learning i les Xarxes Neuronals
L'Aprenentatge Profund o Deep Learning és una evolució del Machine Learning que utilitza xarxes neuronals artificials . Aquestes xarxes imiten lestructura del cervell humà mitjançant capes de nodes interconnectats. Mentre que al ML tradicional nosaltres hem de dir a la màquina quines característiques analitzar, el DL és capaç d' extreure aquestes característiques per si mateix.
Perquè aquestes xarxes funcionin, hi ha els pesos , que són paràmetres interns que s'ajusten durant l'entrenament. Bàsicament, són la memòria del model; determinen què tan forta és la connexió entre dues neurones i guarden el coneixement adquirit. Quan parlem de models fundacionals, com GPT, ens referim a xarxes massives entrenades amb quantitats ingents de dades que serveixen de base per a altres aplicacions.
A vegades l'entrenament pot fallar. El sobreajustament (overfitting) passa quan el model s'aprèn les dades de memòria i no sap generalitzar amb nous exemples. Per contra, el subaprenentatge (underfitting) passa quan el model és massa simple i no arriba a captar l'essència de les dades.
Processament de Llenguatge i Visió Artificial
La capacitat de les màquines per entendre'ns es diu NLP o Processament del Llenguatge Natural. Aquest camp permet que la IA analitzi la semàntica, el sentiment i l'estructura de la parla humana. Un pas crític aquí és la tokenització , que consisteix a trossejar el text en unitats més petites anomenades tokens perquè el model pugui processar-les.
Actualment, l'arquitectura reina són els transformadors que permeten analitzar paraules en paral·lel i entendre el context global d'una frase. Això ha donat lloc als LLM (Grans Models de Llenguatge) i la IA generativa , capaç de crear textos, imatges o música des de zero utilitzant eines com les GAN (Xarxes Generatives Adversarials).
D'altra banda, la Visió per Ordinadora s'encarrega que la IA pugui «veure» i interpretar imatges i vídeos. Des del reconeixement facial fins a la detecció de tumors en radiografies, aquesta disciplina utilitza xarxes convolucionals per analitzar píxels i convertir-los en conceptes comprensibles, superant en molts casos les càmeres intel·ligents davant de la videovigilància convencional.
Interacció, Ètica i Optimització
Quan interactuem amb un chatbot, estem usant un prompt , que és la instrucció que donem a la IA. L' enginyeria de prompts és l'art de redactar aquestes peticions de forma optimitzada per obtenir la millor resposta possible, encara que hi ha riscos com la injecció de prompts a la intel·ligència artificial . Tot i això, no tot és perfecte: de vegades passa una al·lucinació , que és quan la IA s'inventa dades amb una seguretat sorprenent.
Des del punt de vista tècnic, per millorar un model es fa servir l' ajust fi (fine-tuning) , que és especialitzar un model general en una tasca concreta. Per mesurar si el model és bo, es fan servir la precisió i el recordatori (recall) , analitzant quants falsos positius o falsos negatius genera el sistema.
No podem oblidar l' ètica de la IA . El biaix algorítmic és un problema greu on la IA pren decisions injustes perquè va ser entrenada amb dades prejudicioses. Per això és vital treballar a la IA explicativa , perquè sapiguem exactament per què una màquina ha pres una decisió específica i no sigui una «caixa negra».
Tot aquest univers tècnic, des dels tokens i els pesos fins a l'arquitectura dels transformadors i la gestió de macrodades, s'entrellaça per crear eines que optimitzen la medicina, les finances i l'educació, transformant la manera com ens relacionem amb la tecnologia i obligant-nos a actualitzar constantment el nostre vocabulari per no quedar-nos enrere.
