Què és la IA¶

Aquest matí el teu mòbil s'ha desbloquejat en veure't la cara. El teclat ha endevinat la paraula següent abans que l'escrivissis. L'aplicació de música t'ha posat una cançó que no havies sentit mai, i t'ha agradat. Ningú d'Apple, Google o Spotify no ha escrit una regla que digui "si és la Marta amb el cabell recollit, desbloqueja". Llavors, com ho sap el mòbil?

Aquesta pregunta és el començament de la unitat. Hi ha empreses de Mallorca que fan servir aquest mateix tipus de tecnologia per endevinar com estarà de ple un hotel el mes que ve o per ordenar milers de peticions de suport. Abans de poder dir on ajuda la IA a una empresa, i on només és propaganda, has de saber què hi ha a dins de veritat. Avui no només en llegiràs: n'entrenaràs una tu mateix.

Tres cercles, un dins l'altre¶

La intel·ligència artificial (IA) és el camp que construeix sistemes que fan tasques que associem amb la intel·ligència humana: percebre, raonar, decidir, generar.

Al joc de construir ciutats d'aquest curs, la IA és l'assessor automàtic que ajusta els semàfors. Alguns assessors segueixen regles escrites per una persona; d'altres aprenen del que veuen. Aquesta diferència dona tres cercles:

flowchart TB
    subgraph AI["<b>Intel·ligència artificial</b><br>(tota mena d'assessors)"]
        subgraph ML["<b>Aprenentatge automàtic</b><br>(assessors que aprenen de les dades)"]
            DL["<b>Aprenentatge profund</b><br>(aprenen amb xarxes neuronals de moltes capes)"]
        end
    end

Una xarxa neuronal és un programa fet de moltes unitats petites connectades i organitzades en capes. Cada connexió té un número (un pes) que s'ajusta mentre aprèn. "Profund" vol dir moltes capes.

Regles o exemples?¶

Aquesta és la diferència clau, i val la pena dibuixar-la:

flowchart LR
    subgraph C["<b>Programació clàssica</b>"]
        R1["Regles<br>(escrites per tu)"] --> P1["Programa"]
        D1["Dades"] --> P1
        P1 --> A1["Respostes"]
    end
    subgraph L["<b>Aprenentatge automàtic</b>"]
        D2["Dades"] --> P2["Algorisme<br>d'aprenentatge"]
        A2["Respostes d'exemple"] --> P2
        P2 --> M2["<b>Model</b><br>(les regles que ha trobat)"]
    end

En programació clàssica, escrius if temperature < 20 then heating on. En aprenentatge automàtic, dones milers d'exemples amb les seves respostes, i l'algorisme troba les regles tot sol. El resultat és un model: un fitxer ple de números que recull el que ha après.

L'entrenament és ajustar el model amb dades d'exemple. És lent i car, i passa poques vegades. La inferència és fer servir el model entrenat amb dades noves per obtenir una resposta. És ràpida, i passa milions de vegades.

Quan el teu mòbil va aprendre la teva cara, allò era entrenament. Cada vegada que es desbloqueja, és inferència.

Tres maneres d'aprendre¶

El que la IA no és¶

Hi ha dues idees que tornaran a sortir a totes les lliçons d'aquesta unitat.

Un model només és tan bo com les seves dades. Si els exemples són pocs, desequilibrats o injustos, el model aprèn això. Se'n diu biaix: un model entrenat sobretot amb fotos d'un tipus de persona reconeix millor aquest tipus de persona. No és mala fe; són les dades.

La IA d'avui és específica. Un model que reconeix cares no pot traduir una frase; un traductor no pot conduir. Cada model fa una tasca molt bé i res més. No "pensa" en general.

Per què la IA és a tot arreu ara, si les idees tenen dècades? Perquè s'han ajuntat tres coses: moltes dades (tot és digital), molta potència de càlcul (les targetes gràfiques i el núvol que vas veure a la Unitat 3) i millors algorismes (xarxes neuronals profundes).

A classe: entrena el teu primer model¶

Entrenaràs un classificador d'imatges amb Google Teachable Machine. Funciona al navegador, no s'ha d'instal·lar res i no cal iniciar sessió per entrenar ni per provar. L'entrenament es fa al teu ordinador: les imatges no en surten llevat que decideixis desar el projecte a Google Drive.

La tasca: un control de qualitat en una fàbrica. Una peça és correcta o defectuosa? (Un bolígraf amb o sense tap, una tassa neta o amb una marca de paper.)

No gravis cares ni persones: és una pràctica amb objectes.

Lliura a Classroom (individual, "S15 · El meu primer model", fins a les 23:59 del mateix dia): les classes i el nombre d'exemples amb una captura de pantalla; la taula de 10 proves i el percentatge d'encerts abans i després de millorar; l'error més clar i per què creus que ha passat; una cosa que aquest model mai no podria fer encara que l'entrenessis més; i dues línies sobre un procés de l'empresa del vostre projecte on un classificador d'imatges o de so podria ajudar. Sense IA generativa en aquest lliurament.

Per al teu projecte¶

Aquesta lliçó alimenta el Lliurament 4 · Pla d'IA, que s'ha de lliurar el dilluns 22 de març de 2027 a les 23:59:

Idees clau¶

• La IA és el cercle gran; l'aprenentatge automàtic aprèn de les dades; l'aprenentatge profund aprèn amb xarxes neuronals de moltes capes.
• Programació clàssica: tu escrius les regles. Aprenentatge automàtic: tu dones exemples i l'algorisme troba les regles, que es guarden en un model.
• L'entrenament ajusta el model (lent, poques vegades); la inferència el fa servir amb dades noves (ràpida, constant).
• Supervisat (exemples etiquetats), no supervisat (trobar grups), per reforç (recompenses i penalitzacions).
• Un model només és tan bo com les seves dades: si entra biaix, surt biaix. La IA d'avui és específica.
• No tot el que és automàtic és IA: una regla fixa és automatització.

Comprovació ràpida¶

Ara ja saps què hi ha dins l'assessor i n'has entrenat un. Tot seguit, el tipus d'IA de què parla tothom: models que escriuen. Següent: IA generativa i ús responsable.