Les dades i la intel·ligència artificial en l'empresa

Abans d’entrar a parlar sobre intel·ligència artificial ens aturarem a parlar de les dades i la seva importància, atès que aquest és l’origen de tot plegat. Gràcies a les dades, les empreses poden construir coneixement que els permetrà tenir un avantatge competitiu en el seu sector. Saber extreure i processar les dades és el pas previ a qualsevol anàlisi estadística o a l’ús de qualsevol algoritme d’IA.

La diferència entre dades i informació és fonamental en el món del coneixement, la informàtica i la gestió empresarial. Tot i que sovint es fan servir com a sinònims, tenen significats diferents i compleixen rols específics en la manera com adquirim i processem coneixement.

Les dades són la matèria primera. Les dades són fets, xifres o valors en estat brut, sense cap mena d’interpretació o estructura significativa. Es poden recollir de diverses fonts, com ara sensors, bases de dades, enquestes o registres. Les dades per si soles no tenen gaire valor si no es processen o s’organitzen.

Per exemple, un número (25), una data (01/03/2025), una temperatura (18 °C), una llista de noms (Maria, Joan, Anna, Pau). Aquestes dades no tenen gaire sentit per si mateixes perquè no sabem el seu context.

La informació són les dades amb significat i en el seu context. Quan les dades es processen, s’analitzen i es col·loquen en un context que ens permet comprendre-les, es transformen en informació. La informació ens ajuda a prendre decisions i entendre millor el món.

Exemples de transformació de dades en informació:

• Les dades “25” i “01/03/2025” es poden convertir en la informació següent: “El dia 1 de març del 2025, la temperatura màxima prevista serà de 25 °C”.
• Una sèrie de números en un full de càlcul poden convertir-se en un informe que mostra les tendències de vendes d’una empresa.

Podem pensar en les dades com els ingredients d’un plat i en la informació com el plat cuinat. Els ingredients per si sols no tenen gaire utilitat, però quan es combinen i es processen adequadament, es converteixen en un menjar.

En resum, les dades són valors en brut, no estructurats (ex.: números, paraules, mesures). La informació són les dades organitzades i interpretades amb un significat útil. Aquesta diferència és essencial en disciplines com la ciència de dades, la intel·ligència artificial i la presa de decisions empresarials.

Amb la informació adquirida podem construir un corpus de coneixement que ens pot ser útil per prendre decisions a més llarg termini i relacionar patrons passats amb els patrons actuals.

Per exemple, si acumulem informació sobre l’estat dels embassaments al llarg dels anys, podem identificar els patrons de sequera i poder definir polítiques de restricció d’aigua per als municipis. El procés que comença amb la captura de les dades es transforma en informació de l’estat passat i actual dels embassaments, i finalment, amb tota aquesta informació es poden definir polítiques d’estalvi d’aigua i de gestió d’èpoques de sequera (coneixement).

El cicle de vida de les dades són les diferents fases per les quals passen les dades des de la seva creació fins a la seva destrucció o arxivament. Les dades s’han de gestionar de manera eficient i responsable, assegurant-ne la qualitat i la seguretat en cada etapa. Amb el creixement de la intel·ligència artificial, el Big Data i les lleis de protecció de dades, és essencial que empreses i organitzacions segueixin bones pràctiques per gestionar les seves dades de manera ètica i eficient. Podem distingir les següents fases que descrivim tot seguit.

La fase de creació o captura és la fase inicial, on es generen o es recopilen les dades. Poden provenir de diverses fonts, com ara:

• Sensors i dispositius (IoT, termòmetres, càmeres).
• Bases de dades, registres administratius o transaccions.
• Formularis web o enquestes.
• Interaccions en xarxes socials.

Per exemple, un usuari introdueix la seva informació en una botiga en línia, com el nom i l’adreça de correu electrònic.

Un cop creades, les dades han de ser emmagatzemades de manera segura i estructurada. Això pot fer-se en:

• Bases de dades (SQL, NoSQL).
• Fitxers estructurats (en format taula, com per exemple CSV), semiestructurats (formats XML i JSON) o no estructurats (fitxer de text/processador de text, PDF, imatge).

En la figura podem veure una base de dades MySQL corresponent al gestor de continguts Wordpress. A l’esquerra tenim llistat tot el conjunt de taules que formen la base de dades. A la dreta, un conjunt representatiu de les dades que conté la taula wp_posts, que correspon a les entrades del gestor de continguts.

Tenint en compte on s’emmagatzemen aquests fitxers, podem distingir entre:

• Servidors locals
• Sistemes en el núvol (Google Drive, AWS).
• Centres de dades.

Aquí és important garantir la seguretat, la privacitat i la protecció de les dades per evitar pèrdues o accessos no autoritzats.

En la fase de processament i anàlisi, les dades es processen per convertir-se en informació útil. Això pot incloure:

• Neteja i filtratge de dades per eliminar errors o duplicats.
• Anàlisi estadística o aplicació d’algoritmes d’intel·ligència artificial.
• Transformació en informes o gràfics.

Per exemple, un algorisme analitza l’historial de compres dels clients per recomanar productes personalitzats. Un altre exemple: l’anàlisi de les dades dels embassaments d’aigua per tal d’extreure informació sobre els períodes de sequera i poder emetre normativa sobre restricció de l’aigua (com veurem en una activitat).

Les dades processades es converteixen en informació que es pot utilitzar per a la presa de decisions, automatització de processos o millora de serveis. Es poden distribuir a diferents usuaris o sistemes a través de:

• Aplicacions i panells de control.
• Informes empresarials.
• Sistemes d’intel·ligència de negoci (Business Intelligence).

Per exemple, un gestor d’una empresa consulta un informe sobre tendències de vendes per ajustar l’estratègia de màrqueting. Un altre exemple, en la figura podem veure la cotització a la borsa dels últims 6 mesos de l’empresa Grífols que publica la plataforma Yahoo Finance. Amb les tendències que mostra la gràfica, els accionistes poden prendre decisions de comprar o vendre les accions.

Quan les dades ja no són necessàries per a un ús immediat, poden ser arxivades per a futures consultes o per complir regulacions legals. Aquest arxivament pot fer-se en:

• Bases de dades d’històrics.
• Sistemes de còpies de seguretat (backup).
• Sistemes d’arxiu en el núvol.

Per exemple, una empresa guarda els registres de factures durant 5 anys per complir la normativa fiscal.

Quan les dades ja no tenen utilitat o la seva conservació no és necessària, es poden eliminar de manera segura per evitar riscos de privacitat i incompliments legals (com el Reglament general de protecció de dades, GDPR). Això es pot fer mitjançant:

• Esborrament de bases de dades.
• Sobreescriptura de discos durs.
• Destrucció física de suports d’emmagatzematge.

Per exemple, una empresa esborra les dades personals d’un client que ha sol·licitat la seva eliminació segons la normativa GDPR.

Un dataset (o conjunt de dades) és una col·lecció estructurada de dades que es pot utilitzar per a anàlisis, entrenament d’algoritmes d’intel·ligència artificial o estudis estadístics.

Característiques d’un dataset:

• Estructura: normalment organitzat en files i columnes (com en una taula d’una base de dades o un full de càlcul).
• Tipus de dades: pot contenir nombres, text, dates, imatges, sons o qualsevol altra informació.
• Font: pot provenir de sensors, enquestes, registres, xarxes socials, bases de dades públiques, etc.

En la taula taula podem veure l’exemple d’un dataset senzill (llista de clients):

Aquest dataset es podria utilitzar per analitzar patrons de compra segons l’edat o la ciutat.

Tipus de datasets:

• Dades estructurades: organitzades en format de taula amb files i columnes (ex.: bases de dades SQL, fulls de càlcul tipus Excel, fitxers de text en format CSV).
• Dades semiestructurades: és un tipus de dades estructurades però que no tenen format de files i columnes. Són els formats JSON i XML, que s’utilitzen molt en els sistemes informàtics.
• Dades no estructurades: contenen informació menys ordenada, com imatges, vídeos o textos lliures. Per exemple, el contingut d’un PDF es considera que és un dataset no estructurat.

On es fan servir els datasets?

• Ciència de dades: per fer anàlisis i prediccions.
• Intel·ligència artificial: per entrenar models de Machine Learning.
• Empreses i màrqueting: per entendre tendències i comportaments dels clients.

Els datasets són fonamentals en la societat digital, ja que permeten extreure coneixement i prendre decisions basades en dades.

El Big Data fa referència a conjunts massius de dades que són tan grans i complexos que no es poden gestionar amb eines tradicionals de bases de dades. Aquestes dades es generen a gran velocitat i en diferents formats (estructurats i no estructurats), i són utilitzades per a anàlisis avançades, intel·ligència artificial, prediccions i presa de decisions.

Exemples de Big Data inclouen:

• Xarxes socials (milions de publicacions diàries a Twitter, Facebook, Instagram).
• Dades de sensors IoT (Internet of Things) en ciutats intel·ligents (smart cities).
• Registres de transaccions de grans plataformes de comerç electrònic (Amazon, Ali-Express).
• Informació meteorològica i de satèl·lits.

En la taula s’expliquen les diferències entre les bases de dades tradicionals i el Big Data:

Mentre que les bases de dades tradicionals gestionen dades organitzades i ben estructurades, el Big Data treballa amb quantitats massives d’informació en diferents formats i requereix eines específiques per al seu processament.

El Big Data es defineix a través de 7 dimensions fonamentals conegudes com les 7V:

• Volum: la quantitat massiva de dades generades cada dia. Ex.: dades de xarxes socials, transaccions bancàries, registres de sensors.
• Velocitat: la rapidesa amb què es generen i es processen les dades en temps real o quasi real. Ex.: dades financeres o de trànsit.
• Varietat: diferents tipus de dades: estructurades (SQL), semiestructurades (JSON, XML) i no estructurades (imatges, vídeos, àudio, correus electrònics).
• Veracitat: la fiabilitat de les dades. No totes les dades són precises, i és essencial filtrar informació errònia o poc fiable.
• Valor: la capacitat de transformar les dades en informació útil per a la presa de decisions i millora de negocis.
• Variabilitat: canvis constants en el significat i el context de les dades. Ex.: tendències en xarxes socials que varien cada dia.
• Visualització: maneres eficients d’interpretar i representar les dades mitjançant gràfics, quadres de comandament i informes interactius.

El Big Data ha revolucionat la manera com analitzem i utilitzem la informació. A diferència de les bases de dades tradicionals, treballa amb grans volums de dades a alta velocitat i en múltiples formats. Les 7V del Big Data ens ajuden a entendre els reptes i les oportunitats d’aquest fenomen en àmbits com la ciència, l’empresa i la tecnologia.

La ciència de dades (Data Science) és un camp interdisciplinari que combina estadística, programació i coneixement del negoci per extreure coneixement útil de les dades. Utilitza tècniques d’anàlisi, Machine Learning i visualització per ajudar a la presa de decisions en diferents àmbits com la salut, el màrqueting, les finances o la tecnologia.

Tot i que tots dos treballen amb dades, els analistes de dades i els científics de dades tenen rols diferents, com podem veure en la taula:

En resum, un analista de dades interpreta i visualitza informació per ajudar les empreses/organitzacions a prendre decisions estratègiques, mentre que un científic de dades desenvolupa models complexos, algoritmes i tècniques d’aprenentatge automàtic per fer prediccions i trobar patrons en les dades. Tot i que sovint els dos perfils intersequen, podem considerar el científic de dades més tècnic i avançat que l’analista de dades, i treballa amb algoritmes i Machine Learning en profunditat.

Les dades s’han convertit en un dels actius més valuosos per a les empreses en l’era digital. La capacitat de recollir, gestionar i analitzar grans volums d’informació permet a les organitzacions prendre decisions més informades, millorar els seus productes i serveis i optimitzar les seves operacions. Les dades poden provenir de diverses fonts, com ara les interaccions amb els clients, les transaccions comercials o els sistemes interns, i el seu valor radica en la capacitat d’extreure coneixement que ajudi a identificar oportunitats, solucionar problemes i impulsar el creixement empresarial. En aquest context, la gestió eficient de les dades és essencial per a la competitivitat i la sostenibilitat de les empreses.

L’aplicació de la ciència de dades (Data Science) a les empreses ofereix nombrosos beneficis, ja que permet prendre decisions més informades, optimitzar processos i millorar la competitivitat. Els principals avantatges d’aplicar ciència de dades a les empreses serien:

• Millora en la presa de decisions: la ciència de dades permet a les empreses prendre decisions basades en dades en lloc d’intuïcions o suposicions. Amb tècniques d’anàlisi avançades es poden identificar patrons i tendències per fer prediccions precises. Per exemple, una empresa de comerç electrònic pot utilitzar models predictius per determinar quins productes tindran més demanda en els pròxims mesos.
• Personalització i millor experiència del client: mitjançant l’anàlisi del comportament dels clients, les empreses poden oferir productes i serveis personalitzats, millorant així la satisfacció i la fidelització. Per exemple, plataformes com Netflix o Spotify fan recomanacions personalitzades en funció de l’historial de visualitzacions o escoltes de l’usuari.
• Optimització operativa i reducció de costos: l’anàlisi de dades ajuda les empreses a detectar ineficiències en els processos i a automatitzar tasques repetitives, cosa que es tradueix en una reducció de costos operatius. Per exemple, una empresa de logística pot utilitzar models d’anàlisi per optimitzar rutes de distribució, reduint temps i costos de transport.
• Detecció de fraus i seguretat: la ciència de dades s’aplica en la seguretat informàtica per detectar patrons sospitosos i prevenir fraus en temps real. Per exemple, els bancs utilitzen algoritmes de Machine Learning per identificar transaccions fraudulentes i bloquejar-les abans que es completin.
• Innovació i nous models de negoci: l’anàlisi de dades pot revelar oportunitats de negoci que abans no es podien detectar, impulsant la innovació i el desenvolupament de nous productes o serveis. Per exemple, empreses com Uber o Airbnb han utilitzat la ciència de dades per revolucionar el sector del transport i l’allotjament.
• Millora en la gestió de talent i recursos humans: les empreses poden utilitzar anàlisis de dades per millorar la contractació de personal, avaluar el rendiment dels empleats i reduir la rotació. Per exemple, un departament de recursos humans pot utilitzar dades per identificar quins candidats tenen més probabilitats d’èxit en una determinada posició.
• Anàlisi de sentiment i reputació de marca: les empreses poden analitzar dades de xarxes socials i altres fonts per entendre millor com es percep la seva marca i respondre ràpidament a crisis de reputació. Per exemple, Coca-Cola utilitza Data Analytics per monitorar comentaris en xarxes socials i adaptar les seves estratègies de màrqueting en funció de l’opinió del públic.
• Automatització de processos i millora de productivitat: mitjançant tècniques d’intel·ligència artificial i Machine Learning, moltes tasques repetitives poden ser automatitzades, permetent als empleats centrar-se en activitats de més valor. Per exemple, empreses de serveis financers utilitzen xatbots intel·ligents per atendre els clients de manera automàtica i eficient.
• Predicció de tendències del mercat: amb la ciència de dades, les empreses poden analitzar grans volums d’informació per anticipar-se a les necessitats del mercat i adaptar les seves estratègies abans que la competència. Per exemple, les marques de moda utilitzen l’anàlisi de tendències per saber quins colors o estils tindran més demanda en la pròxima temporada.

L’aplicació de la ciència de dades en les empreses és clau per millorar l’eficiència, reduir costos, personalitzar l’experiència del client i detectar oportunitats de negoci. En un món cada vegada més basat en dades, les empreses que saben aprofitar aquest recurs tenen un avantatge competitiu enorme.

Avui dia, les empreses gestionen enormes volums de dades, incloent-hi informació personal, financera i estratègica. La seguretat de les dades és fonamental per protegir aquesta informació i evitar riscos com el robatori de dades, ciberatacs, pèrdua d’informació i sancions legals. A continuació descrivim diferents aspectes que cal tenir en compte a l’hora de tractar la seguretat de les dades en les empreses:

• Protecció de la informació sensible
• Compliment de la normativa legal (GDPR, LOPD, ISO 27001)
• Prevenció de ciberatacs i fraus
• Manteniment de la confiança dels clients i la reputació empresarial
• Reducció del risc d’espionatge industrial i competitiu
• Implementació de mesures de seguretat eficients

Protecció de la informació sensible

Les empreses es fan càrrec de dades confidencials, com ara dades personals dels clients (noms, adreces, números de telèfon); informació financera (targetes de crèdit, comptes bancaris); secrets comercials i estratègies empresarials.

Si aquestes dades cauen en mans no autoritzades es poden produir robatoris d’identitat, fraus i espionatge industrial.

Per exemple, un banc que pateix un ciberatac pot veure compromeses les dades dels seus clients, generant pèrdua de confiança i grans sancions econòmiques.

Compliment de la normativa legal (GDPR, LOPD, ISO 27001)

Les lleis i regulacions obliguen les empreses a protegir les dades i garantir-ne un ús correcte. Algunes normatives importants són:

• GDPR (Reglament general de protecció de dades-Europa): garanteix la privacitat i la protecció de les dades personals dels ciutadans.
• LOPDGDD (Llei orgànica de protecció de dades-Espanya): adapta el GDPR a l’entorn espanyol.
• ISO 27001: normativa internacional de seguretat de la informació.

Si una empresa incompleix aquestes normes, pot enfrontar-se a multes milionàries i greus danys a la seva reputació.

Per exemple, Facebook va ser multat amb 265 milions d’euros per incomplir el GDPR en la protecció de dades dels seus usuaris.

Prevenció de ciberatacs i fraus

Els atacs informàtics són cada cop més sofisticats i poden comprometre la seguretat de les dades d’una empresa. Alguns dels atacs més comuns són:

• Phishing: engany per obtenir dades sensibles.
• Ransomware: segrest de dades a canvi d’un rescat econòmic.
• Malware i virus: programes maliciosos que infecten sistemes.

Un atac pot bloquejar operacions empresarials, provocar pèrdua de dades i generar enormes costos de recuperació.

Per exemple, l’empresa Colonial Pipeline als EUA va patir un atac de ransomware que va paralitzar la seva operació i va haver de pagar milions per recuperar-ne el control.

Manteniment de la confiança dels clients i la reputació empresarial

Els consumidors confien que les seves dades personals estan segures quan compren en línia, obren un compte bancari o registren informació en una empresa. Una filtració de dades pot fer que els clients perdin la confiança i deixin de fer negocis amb una empresa. Una organització amb mala reputació per la seva falta de seguretat pot perdre clients i veure reduïts els seus ingressos.

Per exemple, després de l’escàndol de Cambridge Analytica, Facebook va perdre milions d’usuaris i la seva imatge es va veure greument afectada.

Reducció del risc d’espionatge industrial i competitiu

Les empreses gestionen informació estratègica que pot ser valuosa per a la competència. Sense mesures de seguretat adequades poden ser víctimes d’espionatge industrial. Si una empresa perd secrets comercials pot perdre avantatge competitiu al mercat.

Per exemple, una empresa tecnològica que desenvolupa un nou producte pot veure com la competència llança una versió similar si la seva informació és robada.

Implementació de mesures de seguretat eficients

Per garantir la protecció de les dades, les empreses han d’adoptar les millors pràctiques de ciberseguretat, com ara:

• Xifratge de dades per evitar que siguin llegides per persones no autoritzades.
• Autenticació de dos factors (2FA) per reforçar la seguretat en l’accés als sistemes.
• Firewalls i antivirus per prevenir atacs informàtics.
• Còpies de seguretat (backups) per garantir la recuperació de dades en cas de pèrdua.
• Formació als empleats per evitar errors humans en la gestió de dades.

Per exemple, empreses com Google i Apple han implementat sistemes avançats de seguretat, com l’autenticació biomètrica i el xifratge d’extrem a extrem.

En resum, la seguretat de les dades no és només una necessitat tècnica, sinó una responsabilitat empresarial i legal. Una bona protecció de les dades garanteix la confiança dels clients, el compliment legal i la protecció contra ciberatacs. Les empreses que inverteixen en ciberseguretat es posicionen millor en el mercat i eviten riscos que poden costar milions d’euros.

La intel·ligència artificial (IA) està transformant profundament el sector productiu, aportant innovació, eficiència i competitivitat a les empreses. Gràcies a l’automatització, l’anàlisi de dades i l’aprenentatge automàtic, les organitzacions poden optimitzar processos, reduir costos i millorar la presa de decisions.

L’aplicació de la IA en la indústria inclou des de la previsió de demanda fins al manteniment predictiu de maquinària, passant per la gestió intel·ligent de la cadena de subministrament i la millora de la qualitat dels productes. Aquest avenç tecnològic permet a les empreses adaptar-se millor a un entorn altament competitiu i en constant evolució.

No obstant això, la implementació de la IA també planteja reptes, com la necessitat de qualificació dels treballadors, la inversió en tecnologia i qüestions ètiques i de privacitat. Malgrat tot això, la seva adopció s’està expandint ràpidament i es preveu que tindrà un paper fonamental en el futur del sector productiu.

En aquest context, explorarem com la IA està revolucionant la indústria, quins són els seus principals beneficis i desafiaments, i com les empreses poden aprofitar al màxim aquesta tecnologia per millorar la seva eficiència i competitivitat.

Fins ara hem estat parlant de les dades i la ciència de dades. El tractament correcte de les dades i la seva explotació ja aporta un valor important a les empreses. Ara hem de fer un pas més i estudiar (i definir) la intel·ligència artificial, i com la seva aplicació pot aportar un valor encara més gran a les empreses/organitzacions.

La intel·ligència artificial (IA) és una branca de la informàtica que es dedica a la creació de sistemes i tecnologies capaços de simular processos intel·ligents propis dels humans, com ara el raonament, l’aprenentatge, la percepció, la presa de decisions i la resolució de problemes. L’objectiu principal de la IA és desenvolupar màquines i programes que puguin realitzar tasques de manera autònoma o semiautònoma, millorant així l’eficiència i la capacitat d’anàlisi en múltiples sectors.

L’IA es basa en diverses tècniques i disciplines, incloent-hi l’aprenentatge automàtic/AA (Machine Learning/ML), on els sistemes aprenen a partir de dades i patrons; les xarxes neuronals artificials (Artificial Neural Networks), inspirades en el funcionament del cervell humà per processar informació, i l’aprenentatge profund (ning), que permet a les màquines realitzar tasques complexes com el reconeixement d’imatges o la traducció automàtica. En la figura podem veure com les diferents disciplines de la IA estan relacionades, i com amb el pas del temps tenim tecnologies més potents que aconsegueixen millors resultats en les seves àrees d’aplicació.

A continuació es descriuen breument cadascuna de les disciplines esmentades en la figura:

• Intel·ligència artificial (IA): branca de la informàtica que crea sistemes capaços de realitzar tasques que requereixen intel·ligència humana, com raonament, aprenentatge i presa de decisions.
• Aprenentatge automàtic (Machine Learning, ML): subcamp de la IA on els algoritmes aprenen patrons a partir de dades i prenen decisions sense ser explícitament programats.
• Xarxes neuronals: models inspirats en el cervell humà, formats per neurones artificials organitzades en capes, que processen i reconeixen patrons complexos.
• Aprenentatge profund (ning): subcamp del ML que utilitza xarxes neuronals profundes (amb moltes capes) per realitzar tasques com visió per computador o NLP.
• LLM (Large Language Models): models de llenguatge a gran escala, com GPT o BERT, entrenats amb grans quantitats de text per generar i comprendre llenguatge natural.

Actualment, la IA està present en molts àmbits i sectors, transformant la manera en què treballem i vivim. Per exemple, en la indústria i producció (optimització de processos, manteniment predictiu de maquinària i automatització de la producció); àmbit de la salut (diagnòstic mèdic mitjançant anàlisi d’imatges, assistents virtuals per a pacients i desenvolupament de fàrmacs); les finances (sistemes de detecció de frau, anàlisi de mercats i assessors virtuals d’inversió); transport (cotxes autònoms, optimització de rutes i sistemes de trànsit intel·ligent), i l’educació (plataformes d’aprenentatge personalitzat i sistemes de correcció automàtica).

Tot i els avantatges que aporta, la implementació de la IA també presenta desafiaments importants. Entre aquests, destaquen la necessitat de garantir la transparència i l’ètica en la presa de decisions automatitzada, la protecció de la privacitat de les dades, l’impacte sobre l’ocupació i la necessitat de regulacions adequades per evitar un ús abusiu de la tecnologia.

Així doncs, la intel·ligència artificial és una eina poderosa que està revolucionant la societat i la indústria, i el seu desenvolupament continuarà marcant el futur de la tecnologia i la innovació.

En funció de la seva capacitat d’actuar i aprendre, la IA es classifica en tres nivells:

• IA feble o especialitzada: se centra en tasques específiques i no té consciència pròpia. Exemples d’això són els assistents virtuals com Siri o Alexa, els sistemes de recomanació de Netflix o Spotify i els programes de reconeixement facial.
• IA forta o general: té la capacitat d’aprendre i raonar de manera similar a un humà, podent adaptar-se a diferents situacions i prendre decisions amb més autonomia. Tot i que encara no s’ha desenvolupat completament, és un objectiu de la investigació en IA. Actualment es parla força de si estem més o menys a prop d’aconseguir la IA General (GAI, General Artificial Intelligence) amb totes les opcions dels LLM (Large Language Models) com ChatGPT, DeepSeek, etc.
• Superintel·ligència artificial: un concepte teòric que fa referència a una IA capaç de superar la intel·ligència humana en tots els aspectes, incloent-hi la creativitat, la resolució de problemes i l’empatia. Encara és una idea futurista i està en debat dins la comunitat científica.

La història de la intel·ligència artificial (IA) es remunta a dècades enrere i ha evolucionat en diverses etapes clau, que descrivim de forma molt resumida a continuació.

La idea de màquines intel·ligents apareix en la mitologia i la filosofia antiga, però es comença a formalitzar amb el desenvolupament de la lògica matemàtica i el càlcul automàtic.

A principis del segle XX, Alan Turing planteja la possibilitat de màquines capaces de raonar i proposa el test de Turing (1950) per avaluar la intel·ligència d’una màquina.

El terme intel·ligència artificial es va utilitzar per primera vegada el 1956 en la Conferència de Dartmouth, considerada el punt de partida oficial de la disciplina.

En aquest període es desenvolupen els primers programes d’IA, com Logic Theorist i General Problem Solver, que intentaven resoldre problemes matemàtics i de lògica.

Apareixen els primers sistemes basats en regles, però la manca de potència computacional limita els avenços.

L’optimisme inicial es redueix quan es troba que les expectatives eren massa altes en relació amb les capacitats reals de la IA. Els governs redueixen el finançament, cosa que provoca períodes de desacceleració anomenats “hiverns de la IA”. No obstant això, als anys vuitanta apareixen els sistemes experts, que imiten la presa de decisions humana en àmbits específics (medicina, enginyeria).

Als anys noranta, la millora del poder de càlcul i la disponibilitat de dades impulsen el Machine Learning (aprenentatge automàtic), permetent a les màquines aprendre de l’experiència.

El 1997, el sistema Deep Blue d’IBM derrota el campió mundial d’escacs Gary Kaspàrov, demostrant el potencial de la IA en jocs estratègics.

Amb l’augment d’Internet es recopilen grans quantitats de dades, fonamentals per al desenvolupament de models més avançats.

A partir del 2010, l’avenç de les xarxes neuronals profundes (ning) revoluciona la IA, especialment en camps com el reconeixement d’imatges i veu. AlphaGo de DeepMind venç el millor jugador de Go el 2016, demostrant el poder de la IA en jocs extremament complexos.

La IA s’integra en la vida quotidiana amb assistents virtuals (Siri, Alexa), cotxes autònoms i sistemes de recomanació (Netflix, YouTube).

El 2020-2024, models d’IA generativa com ChatGPT i DALL·E amplien les capacitats creatives de la IA, permetent la generació de text, imatges i codi de programació.

En resum, la intel·ligència artificial ha passat de ser una idea teòrica a una realitat que transforma la societat. Malgrat els desafiaments ètics i tècnics, el seu impacte continuarà creixent en el futur, obrint noves oportunitats i redefinint múltiples àmbits de la nostra vida.

El principal llenguatge que s’utilitza avui dia per programar la IA és el Python. És el llenguatge més popular per a la IA gràcies a la seva sintaxi senzilla i la gran quantitat de biblioteques disponibles (TensorFlow, PyTorch, Scikit-learn, Keras, Numpy, Pandas). S’utilitza en tots els àmbits de la IA: aprenentatge automàtic (Machine Learning), xarxes neuronals (Deep Learning), processament del llenguatge natural (NLP)…

El llenguatge de programació més ràpid i potent que existeix avui dia continua sent el C/C++. El gran avantatge del Python és que és simple, però alhora les populars biblioteques que fa servir (com Numpy) estan escrites en C/C++. És a dir, Python ofereix al programador una sintaxi amigable i fàcil, però amaga una gran potència que no és mèrit seu, sinó dels llenguatges de més baix nivell en els quals es recolza.

A partir d’aquí podem parlar d’altres llenguatges de programació que poden tenir utilitat en àmbits o problemes específics, com ara R (especialitzat en estadística i anàlisi de dades), JAVA, Julia, Lisp i Prolog.

Tecnologies i eines per a la IA

A continuació s’enumeren diferents tecnologies, biblioteques i llenguatges de programació que s’utilitzen en l’àmbit de la IA, sense aprofundir-hi, però amb l’objectiu que a l’alumne li soni el concepte.

• Biblioteques i frameworks per a Machine Learning i Deep Learning:
  • TensorFlow: desenvolupat per Google, ideal per a xarxes neuronals profundes i models d’IA. Suporta CUDA de NVidia.
  • PyTorch: popular entre investigadors, desenvolupat per Facebook, flexible i potent per a Deep Learning. Suporta CUDA de NVidia.
  • Scikit-learn: excel·lent per a Machine Learning clàssic, inclou regressió, classificació i clústering.
  • Keras: API de nivell alt sobre TensorFlow, facilita la creació de xarxes neuronals.
• Plataformes de Cloud IA:
  • Google AI Platform (TensorFlow i AutoML).
  • AWS AI Services (Rekognition, Lex, SageMaker).
  • Microsoft Azure AI (Cognitive Services, Machine Learning Studio).
  • IBM Watson (processament del llenguatge natural i IA empresarial).
• Bases de Dades i Big Data per a IA:
  • SQL i NoSQL (MongoDB, Cassandra): per gestionar grans volums de dades.
  • Hadoop i Spark: per a processament distribuït de dades massives.
  • Google BigQuery i Snowflake: anàlisi de dades en el núvol.
• Tecnologies per a processament del llenguatge natural (NLP)
  • spaCy: llibreria per a NLP eficient i ràpida.
  • NLTK: eina per a anàlisi de text i lingüística computacional.
  • Transformers (Hugging Face): per a models d’IA avançats com BERT i GPT.
• Tecnologies per a visió per computador
  • OpenCV: llibreria per al processament d’imatges i vídeos.
  • YOLO (You Only Look Once): model per al reconeixement d’objectes en temps real.
  • Detectron2: plataforma de Facebook per a detecció d’objectes.

Les targetes gràfiques (GPU) de NVidia. CUDA

Les GPU (Graphics Processing Unit) són les targetes gràfiques que incorporen els ordinadors, i que s’han especialitzat en el còmput de gràfics de manera que descarreguen la CPU de tots aquests càlculs. Han estat molt importants en la indústria dels videojocs, i les marques més conegudes són NVidia i AMD.

L’avantatge competitiu de NVidia dels últims anys va ser adonar-se que els càlculs necessaris per moure els frames dels videojocs i de simulacions gràfiques eren similars als càlculs necessaris per entrenar els models d’IA (càlculs matricials enormes). Així doncs, NVidia s’ha anat especialitzant a dissenyar i fabricar aquestes GPU capaces de càlcul paral·lel i que ha trobat un bon camp d’aplicació en la intel·ligència artificial, aprenentatge profund i ciència de dades.

Una altra decisió estratègica de NVidia va ser desenvolupar CUDA (Compute Unified Device Architecture), que és una plataforma i API que permet als desenvolupadors utilitzar GPU per a computació paral·lela. CUDA és compatible amb les biblioteques que s’utilitzen a la IA (TensorFlow, PyTorch, Keras, OpenCV). D’aquesta manera, CUDA converteix la GPU en una eina potent per al ning, simulacions físiques i processament de dades massives, permetent executar milers de fils en paral·lel i accelerant càlculs intensius.

Resumint, NVidia s’ha encarregat de desenvolupar la part maquinari (GPU, targetes gràfiques) i la part de programari que li dona suport (CUDA).

La intel·ligència artificial (IA) està revolucionant la manera en què les empreses i organitzacions operen, millorant l’eficiència, la presa de decisions i la capacitat d’adaptació als canvis del mercat. Entre els principals avantatges de la IA en el sector empresarial destaquem:

• Optimització de processos: automatització de tasques repetitives, reduint costos i errors.
• Anàlisi i presa de decisions: millora de la capacitat d’interpretació de dades i anticipació de tendències.
• Personalització de serveis: adaptació dels productes i serveis segons les necessitats dels clients.
• Augment de la productivitat: millora del rendiment en la producció i gestió de recursos.
• Innovació i desenvolupament: creació de nous models de negoci i optimització dels existents.

La intel·ligència artificial té aplicacions en una gran varietat de sectors productius, transformant la manera en què es treballa i millorant la competitivitat de les empreses. Repassarem els diferents sectors empresarials, i com aquests es poden beneficiar de la implantació de la IA, i posarem exemples il·lustratius i els relacionarem amb els diferents cicles d’FP que ofereix l’IOC.

Exemples de la implantació de la IA en el sector manufacturer i exemples d’aplicació:

• Automatització de la producció: robots i sistemes de visió artificial milloren la precisió i l’eficiència en la fabricació.
• Manteniment predictiu: sensors i IA anticipen possibles avaries en maquinària, reduint costos i temps d’inactivitat.
• Optimització de la cadena de subministrament: anàlisi de dades per millorar la gestió d’inventaris i subministraments.

Per exemple, una empresa de fabricació de cotxes com Tesla utilitza robots intel·ligents en la producció dels seus vehicles i aplica IA per optimitzar la seva cadena de producció. En aquesta cadena de producció també s’aplica la IA i tractaments estadístics per anticipar-se a les falles de les màquines que es fan servir.

Exemples de la implantació de la IA en el sector sanitari i exemples d’aplicació:

• Diagnòstic assistit: sistemes basats en IA ajuden a detectar malalties mitjançant imatges mèdiques i anàlisi de dades clíniques.
• Personalització de tractaments: algorismes que adapten els tractaments mèdics segons el perfil de cada pacient.
• Gestió hospitalària: optimització de recursos i millora de l’atenció als pacients mitjançant assistents virtuals i sistemes intel·ligents.

Per exemple, avui dia s’utilitza la IA per detectar el càncer a partir de les imatges mèdiques; empreses com DeepMind de Google desenvolupen IA per a tractaments personalitzats; hospitals utilitzen IA per predir l’afluència d’urgències i la gestió dels llits hospitalaris.

Exemples de la implantació de la IA en el sector financer i exemples d’aplicació:

• Anàlisi de riscos i detecció de frau: algorismes d’aprenentatge automàtic identifiquen patrons sospitosos en transaccions financeres.
• Gestió automatitzada d’inversions: sistemes de trading algorítmic que analitzen el mercat en temps real.
• Atenció al client amb xatbots: assistència personalitzada i disponible 24/7 per respondre consultes bancàries.

Per exemple, empreses com VISA o Mastercard utilitzen algoritmes IA per detectar fraus en pagaments; els bancs utilitzen algoritmes per gestionar el risc a l’hora de concedir un crèdit o hipoteca; avui dia es pot fer trading algorítmic a la borsa, és a dir, es poden comprar i vendre accions de forma automàtica mirant l’evolució a temps real de la borsa; la banca utilitza xatbots per respondre les preguntes dels clients.

Exemples de la implantació de la IA en el sector logístic i exemples d’aplicació:

• Optimització de rutes: IA analitza condicions del trànsit i meteorologia per millorar l’eficiència en els enviaments.
• Gestió d’inventaris: sistemes intel·ligents prediuen la demanda i optimitzen l’emmagatzematge.
• Vehicles autònoms: aplicació de la IA en el desenvolupament de cotxes, camions i drons autònoms per a transport i distribució.

Per exemple, les empreses de missatgeria utilitzen la IA per optimitzar les rutes de repartiment i per gestionar els magatzems de manera que no s’acumulin els estocs i reduir al màxim els temps d’entrega; s’estan desenvolupant cotxes i drons autònoms per tal de fer entregues a domicili automàtiques.

Exemples de la implantació de la IA en la indústria química i exemples d’aplicació:

• Disseny de nous fàrmacs: la IA accelera la investigació i el desenvolupament de nous medicaments.
• Control de qualitat: sistemes intel·ligents supervisen la producció de medicaments i detecten anomalies en el procés de fabricació.
• Optimització dels processos químics: la IA ajuda a ajustar les reaccions químiques per augmentar la producció i reduir residus.

Exemples de la implantació de la IA en el sector agroalimentari i exemples d’aplicació:

• Agricultura de precisió: sensors i IA optimitzen l’ús de recursos com l’aigua i fertilitzants.
• Predicció de collites: algorismes que analitzen dades climàtiques i de sòl per millorar la producció.
• Automatització en la indústria alimentària: robots per a l’empaquetament i la classificació d’aliments.

Per exemple, els fabricants de maquinària agrícola poden incorporar IA igual que els cotxes de nova generació també incorporen IA; les empreses agroalimentàries també utilitzen la IA al màxim per automatitzar línies de producció.

Exemples de la implantació de la IA en el sector audiovisual i exemples d’aplicació:

• Creació de continguts personalitzats: la IA analitza les preferències dels espectadors i recomana continguts. Per exemple, Netflix utilitza IA per recomanar sèries i pel·lícules.
• Efectes visuals i postproducció: algorismes milloren la qualitat d’imatges i vídeos. Per exemple, els filtres d’Instagram utilitzen la IA per millorar la qualitat de les fotos.
• Automatització de la gestió de drets: la IA facilita el seguiment de l’ús de material protegit per drets d’autor. Per exemple, YouTube detecta contingut amb drets d’autor i pot bloquejar la pujada d’un vídeo que no compleix les normes d’ús.

Exemples de la implantació de la IA en el sector del videojoc i exemples d’aplicació:

• Personatges no jugadors (NPC, Non Playable Character) més intel·ligents: la IA millora el comportament dels personatges dins dels jocs. Per exemple, en el joc GTA s’utilitza la IA per millorar la jugabilitat dels NPC.
• Generació automàtica de continguts: algorismes creen escenaris, missions i narratives de manera dinàmica. Per exemple, el joc de ciència-ficció No Man’s Sky utilitza IA per generar mons infinits.
• Detecció de trampes en jocs en línia: sistemes d’IA identifiquen comportaments sospitosos per mantenir la integritat del joc. Exemple: Valve utilitza IA en VAC per detectar trampes a Steam.