Introducció a la IA

• Què és la IA?
• Com s’organitza aquest material
• Paradigmes principals
  • Aprenentatge automàtic
  • Models fundacionals
  • Híbrid
• Exemples de sistemes IA
  • Filtratge de spam
  • Predicció tabular
  • Model que degrada en producció
  • Extracció de dades amb LLMs
• Arquitectura d’un sistema IA
  • Representació de dades
• Models de ML
  • Com aprenen
  • Overfitting i underfitting
  • Divisió train / validació / test
  • Mètriques d’avaluació
• LLMs
  • Finestra de context
  • Data de tall i RAG
  • Models de raonament
  • Qui decideix el flux
  • Com s’avaluen
• Com abordar un projecte d’IA
  • Escollir el nivell adequat
  • Cicle de vida real
• Limitacions i riscos
  • Human oversight
  • Biaix i fairness
  • Privacitat
• Resum
  • Què queda fora

Què és la IA?

La Intel·ligència Artificial (IA) és la branca de la informàtica que construeix sistemes capaços de fer tasques que normalment associem a la intel·ligència humana. En termes pràctics, penseu-hi com en sistemes que transformen entrades en sortides, però que poden aprendre a partir de dades i no només seguir regles escrites a mà.

La diferència clau amb la programació tradicional és aquesta:

• Programació tradicional: dades + regles → resultat
  El programador escriu les regles explícitament: “si l’import supera 1000 € i el país és inusual, marca com a sospitós”.
• Machine Learning: dades + resultats coneguts → model
  El sistema aprèn les regles a partir de milers d’exemples etiquetats. El programador no les escriu; les dades les impliquen.
• Inferència: noves dades + model → nou resultat
  El model entrenat s’aplica a casos nous. És la fase de producció: el model ja no aprèn, només respon.
• LLMs i models fundacionals: model preentrenat + prompt, eines o ajustaments → resultat
  El model ja porta milions d’exemples apresos. El programador no entrena des de zero: configura el comportament amb instruccions, context o eines.

La IA moderna no és una sola tècnica, sinó un conjunt de paradigmes que van des de regles simbòliques fins a sistemes d’aprenentatge i, avui, fins a arquitectures amb LLMs (large language models), retrieval, eines i evals (tests d’avaluació del comportament d’un sistema). En tots els casos, el que construïm és IA estreta: sistemes especialitzats en tasques concretes, amb inputs i outputs ben definits i poca transferència entre dominis molt diferents. La IA general (AGI) és una idea útil per parlar de futur, però no descriu el que construïm avui.

Com s’organitza aquest material

Aquesta introducció és la porta d’entrada a la resta de documents. Els tres blocs principals, en ordre de lectura:

• Aprenentatge Automàtic: fonaments del ML clàssic, supervisat, no supervisat, xarxes neuronals, embeddings i mètriques.
• Desplegament i operació: portar models a producció, validar-los, monitoritzar drift i mantenir-ne el cicle de vida.
• LLMs i IA Generativa: transformadors, arquitectura de sistemes, prompts, workflows i agents, evals i producció.

I tres documents de suport, per consultar quan calguin:

• IA sostenible: el cost energètic i material de l’entrenament i la inferència, i on convé executar cada tasca.
• Guia pràctica: guia de decisió per triar enfocament i estructurar un projecte.
• Referències: diccionari, probabilitat i estadística, Python, NumPy i Matplotlib.

Si t’has de quedar amb una sola idea, que sigui aquesta: comença pel sistema més simple que pugui resoldre bé el problema, i puja de nivell només si les dades, el cost, la latència o la fiabilitat ho demanen.

Paradigmes principals

La IA moderna gira al voltant de tres paradigmes: l’aprenentatge automàtic, els models fundacionals i la combinació de tots dos amb regles explícites.

Abans del ML, la IA era principalment simbòlica: sistemes que seguien regles escrites explícitament per humans, amb lògica, condicions i motors d’inferència. Era el paradigma dominant fins als anys 90, i encara apareix en sistemes de regles de negoci, validació i compliance. Però les regles escrites a mà no són el que avui entenem per IA: són enginyeria de software amb lògica explícita, útils quan el domini és estable i auditable, però incapaces de generalitzar quan les regles no es poden escriure.

Aprenentatge automàtic

El sistema deriva el seu comportament a partir de dades i optimització, no de regles escrites a mà. El desenvolupador defineix la tasca i proporciona exemples; el model aprèn la funció que els connecta.

Hi ha tres modalitats principals:

• Supervisat: el model aprèn a partir d’exemples etiquetats, on cada entrada té una resposta coneguda. És el cas de la classificació i la regressió.

• No supervisat: el model troba estructura en dades sense etiquetes: agrupa, comprimeix o detecta anomalies sense saber la resposta correcta.

• Per reforç: el model aprèn per assaig i error interactuant amb un entorn i rebent recompenses. Menys freqüent en producte general, però és la base de sistemes d’optimització i de l’alineació dels LLMs (RLHF i els mètodes que l’han succeït).

• Tècniques: regressió, classificació, clustering, KNN, gradient boosting, xarxes neuronals.

• Àmbits: predicció, detecció d’anomalies, processament d’imatge i àudio, recomanació.

Models fundacionals

El model s’entrena de manera auto-supervisada sobre volums massius de dades, predient el token següent, sense etiquetes humanes. Els models de frontera actuals ja no es preentrenen només amb text: processen text, imatges, àudio i vídeo dins del mateix model (multimodalitat).

El resultat és un model preentrenat que no s’usa directament com a classificador: el desenvolupador no entrena des de zero, sinó que configura el comportament via prompting, RAG o fine-tuning.

• Tècniques: transformadors, prompting, fine-tuning, RAG.
• Àmbits: generació de text, extracció d’informació, assistència interactiva, agents.

Híbrid

El paradigma híbrid combina regles i models apresos, i és el dominant en producció real: gairebé cap sistema ML o LLM s’exposa directament sense una capa de lògica explícita al voltant. El model prediu; regles, llindars o polítiques validen, filtren o sobreescriuen la sortida abans que arribi a l’usuari. El model no és l’última paraula, el sistema sí.

Exemple: un model ML prediu la probabilitat de frau, però una regla fixa bloqueja sempre qualsevol transacció superior a 50.000 € independentment de la predicció.

• Àmbits: la majoria de sistemes ML i LLMs en producció. Els patrons concrets (guardrails, routing, llindars de confiança) es tracten a Desplegament i operació i a Orquestració amb workflows i agents.

Exemples de sistemes IA

Els tres paradigmes no són categories abstractes: apareixen en sistemes que ja fas servir cada dia. Cada exemple apunta a un bloc diferent del material, abans d’entrar en la mecànica interna.

Filtratge de spam

Un sistema de spam no es programa bé amb regles fixes perquè els remitents i patrons canvien constantment. Amb ML, el sistema aprèn a partir d’exemples etiquetats i pot generalitzar a missatges nous.

Predicció tabular

Un model de predicció de risc de crèdit o de rotació de clients (churn) és el cas paradigmàtic del ML clàssic: files amb columnes numèriques i categòriques, un resultat conegut per a cada exemple i un model que aprèn a generalitzar. La majoria dels algoritmes d’Aprenentatge Automàtic estan dissenyats per a aquest tipus de problema.

Model que degrada en producció

Un model de detecció de frau entrenat fa sis mesos pot deixar de funcionar bé no perquè el codi falli, sinó perquè els patrons de frau han canviat. Detectar aquest drift, mesurar-lo i decidir quan reentrenar és el nucli de Desplegament i operació.

Extracció de dades amb LLMs

Quan l’entrada és text lliure i heterogeni, un LLM pot convertir documents desordenats en sortida estructurada: camps, categories, resums o accions. Aquest és un dels motius pels quals els LLMs han canviat moltes arquitectures de producte.

Arquitectura d’un sistema IA

Tot sistema IA comparteix la mateixa estructura interna en producció, sigui quin sigui el paradigma. Entendre-la ajuda a saber on intervenir quan alguna cosa falla.

Exemple: quan arriba un correu al filtre de spam, el sistema comprova que el missatge és ben format, en treu el remitent i les paraules com a features, el model retorna una probabilitat de 0,93, i una regla decideix que tot el que passa de 0,9 va a la carpeta de correu brossa.

Les mateixes quatre fases, en general:

1. Entrada: rebre i validar el que arriba: format, tipus, rang de valors esperats.
2. Preparació i representació: transformar les dades al format que el model necessita. Tokenització, normalització, construcció del prompt i extracció de features passen aquí.
3. Inferència: cridar el model i obtenir una sortida. És la caixa negra: donat un input representat, el model retorna una predicció, una generació o una puntuació.
4. Postprocessing i validació: interpretar, filtrar i formatar la resposta, parsejar JSON, aplicar llindars, rebutjar sortides invàlides o enriquir amb dades externes.

Representació de dades

El format de les dades determina quins sistemes té sentit construir, i aquestes són les representacions habituals:

• Dades tabulars: files i columnes amb camps numèrics o categòrics. Funcionen molt bé per a problemes de negoci, logs, sensors, CRM o predicció estructurada.
• Text i tokens: els LLMs treballen amb text convertit en tokens (unitats textuals petites que el model processa i genera). La longitud del context és una restricció directa.
• Embeddings: vectors densos que capturen semblança semàntica. Molt útils per a cerca semàntica, classificació textual estable i RAG.
• Tensors: arrays multidimensionals, la representació que fa possible el deep learning en imatges, àudio i seqüències.

Models de ML

El primer dels dos grans subjectes d’aquest material és el ML clàssic: com aprèn un model i com se sap si funciona. Els algoritmes concrets són a Aprenentatge Automàtic.

Com aprenen

L’entrenament i la inferència són dues fases distintes. L’entrenament passa fora del pipeline anterior, abans del desplegament o periòdicament per reentrenar: recorre el conjunt de dades sencer i ajusta els paràmetres del model fins que les seves prediccions s’acosten als resultats coneguts. En inferència el model ja no aprèn, només aplica el que va ajustar. Confondre entrenament amb inferència és un dels errors conceptuals més habituals quan s’explica com funciona un sistema IA.

Overfitting i underfitting

Un model pot fallar de dues maneres oposades. Si és massa complex o s’entrena massa, pot memoritzar els exemples d’entrenament en comptes d’aprendre patrons generals: és l’overfitting. Si és massa simple, no captura prou estructura i falla tant en entrenament com en dades noves: és l’underfitting. Trobar l’equilibri és un dels reptes centrals del ML.

Divisió train / validació / test

Per saber si un model generalitza, cal avaluar-lo en dades que no ha vist durant l’entrenament. La pràctica estàndard és dividir el conjunt de dades en tres parts: train (per aprendre), validació (per ajustar hiperparàmetres i comparar models) i test (per mesurar el rendiment final, un sol cop). Usar el conjunt de test per prendre decisions de disseny invalida la mesura.

Mètriques d’avaluació

“El model encerta” no és una mesura útil si no saps en quins casos s’equivoca ni quant costa cada error. Cada tipus de tasca (classificació, regressió, ranking) té les seves mètriques; el catàleg complet és a Mètriques d’avaluació.

L’elecció de la mètrica és una decisió de disseny: un sistema mèdic on els falsos negatius són crítics requereix una mètrica diferent d’un filtre de spam on els falsos positius molesten l’usuari.

LLMs

El segon subjecte són els models fundacionals, que funcionen i es mesuren de manera diferent del ML clàssic. Cinc idees són suficients per situar-los. El detall és a LLMs i IA Generativa.

Finestra de context

Tot LLM té un límit màxim de text que pot processar de cop, entrada i sortida juntes. Aquesta restricció condiciona moltes decisions d’arquitectura: per què existeix RAG, per què els documents llargs necessiten fragmentació (chunking) i per què la longitud del prompt té cost directe en latència i preu.

Data de tall i RAG

El coneixement d’un LLM és estàtic: el model sap el que va veure durant l’entrenament i res del que ha passat després. Aquesta data de tall (cutoff date) significa que el model no coneix esdeveniments recents, documentació actualitzada ni dades internes de l’organització.

RAG (retrieval-augmented generation) és la solució habitual: en lloc d’intentar que el model “sàpiga” més coses, el sistema recupera els documents rellevants en el moment de la consulta i els inclou al context. El model genera a partir d’informació fresca sense necessitat de reentrenar. Això explica per què RAG és una de les peces més habituals en sistemes LLM en producció.

Models de raonament

Un model estàndard genera la resposta directament; un model de raonament (reasoning model) produeix primer una cadena de pensament interna, un esborrany pas a pas que normalment no es mostra, i després respon. Són l’opció per defecte per a tasques difícils (matemàtiques, lògica multi-pas, codi amb restriccions que interactuen) i una mala opció quan la resposta és directa o quan la latència i el cost importen, perquè generen molts tokens interns per petició.

Qui decideix el flux

Un LLM gairebé mai s’usa sol: forma part d’un sistema que decideix quan cridar-lo i què fer amb la resposta. Hi ha dues maneres de muntar-lo. En un workflow, el codi fixa els passos i el model només resol el que li toca a cada pas. En un agent, el model decideix quins passos fa i quines eines crida. El workflow és previsible, barat i fàcil d’auditar; l’agent és flexible però més difícil de controlar i de mesurar. La tria i els seus híbrids són a Orquestració amb workflows i agents.

Com s’avaluen

La sortida d’un LLM és text obert: no hi ha una etiqueta correcta amb què comparar-la, i per tant l’accuracy no s’hi pot aplicar. La pràctica estàndard és construir un golden set, un petit conjunt curat de casos amb la resposta esperada, i tornar-lo a passar cada vegada que canvia el prompt, el model o el context. Sense això, “el prompt ha millorat” és una impressió, no una mesura. El procediment complet és a Avaluació de sistemes LLM.

Com abordar un projecte d’IA

Un projecte d’IA es juga en dues decisions: fins on cal pujar en complexitat tecnològica, i com iterar des de la primera versió fins a producció.

Escollir el nivell adequat

El punt de partida no és “usar un LLM sempre”, sinó trobar l’equilibri entre simplicitat, control i capacitat. Entre les regles deterministes i l’API d’un model de frontera hi ha diversos graons intermedis que sovint són la millor opció; l’escala completa és a LLM vs. ML tradicional.

L’elecció depèn sobretot de quatre factors:

• Format de l’entrada: dades tabulars, text lliure, documents, imatges o fluxos mixtos
• Estabilitat de la tasca: categories estables o taxonomies canviants
• Volum i cost: inferència ocasional o a gran escala. El cost no és només econòmic, també és energia i maquinari (IA sostenible)
• Control i privacitat: dades sensibles, requisits reguladors o restriccions d’infraestructura

Cicle de vida real

Els projectes d’IA no acostumen a seguir una seqüència lineal perfecta. La pràctica real és iterativa.

1. Definir el problema: classificació, regressió, extracció, generació, detecció d’anomalies o assistència interactiva.
2. Entendre les dades: qualitat, cobertura, biaixos, buits, etiquetes i representativitat. En molts projectes, aquesta és la part que més temps consumeix.
3. Escollir una baseline: la pregunta bona no és “quin model és més potent?”, sinó “quin és el punt de partida més simple que em dona una mesura fiable?”.
4. Iterar i avaluar: en ML clàssic, mètriques, validació i experimentació. En LLMs, prompts, evals i comparació amb el golden set.
5. Posar en producció: quan el sistema surt del notebook, apareixen costos, latència, observabilitat, manteniment i governança.
6. Monitoritzar i actualitzar: els sistemes IA canvien amb les dades, amb els usuaris i fins i tot amb els proveïdors de model. La producció no és un final, és una nova fase.

Limitacions i riscos

Cap sistema IA és màgic. La fiabilitat no ve del model, ve del sistema sencer, i el sistema pot fallar de maneres que el model, per si sol, no pot prevenir.

Els riscos més importants:

• Al·lucinacions: el model pot produir sortides plausibles però incorrectes
• Biaix: les dades i les decisions poden reflectir desigualtats o errors sistemàtics
• Drift: el comportament pot degradar-se amb el temps, sovint perquè les dades o l’entorn canvien
• Prompt injection: instruccions malicioses amagades en contingut extern que intenten desviar el comportament del model. Especialment rellevant en agents que llegeixen documents o pàgines web.
• Privacitat i governança: cal saber quines dades entren al sistema i què en surt
• Cost i impacte ambiental: cada crida consumeix computació, energia i aigua, i la decisió d’on s’executa la inferència també és una decisió de disseny

Human oversight

En sistemes sensibles, el model no ha de ser l’última paraula: human in the loop (la persona decideix), human on the loop (supervisa i pot intervenir) o human out of the loop (només per tasques no crítiques i ben acotades).

Biaix i fairness

La qüestió no és només si el sistema “encerta”, sinó a qui afecta quan s’equivoca. Les dades poden reflectir decisions passades, infrarepresentar grups o introduir error sistemàtic en la mesura.

Privacitat

Les decisions de dades són també decisions d’arquitectura. Minimització, retenció i anonimització formen part del disseny responsable; quan cal, la inferència local és una opció.

Resum

El patró que recorre tot el material és aquest: triar el paradigma més simple que resolgui el cas, representar bé les dades, mesurar amb criteri i envoltar el model amb validació, observabilitat i governança. Quan això no és suficient, llavors té sentit pujar de nivell.

L’ecosistema canvia ràpidament, però el que has de tenir clar en sortir d’aquí és poc i estable: que un sistema IA és un pipeline amb el model a dins i no només el model, que el ML clàssic aprèn de dades etiquetades i es mesura amb mètriques, que un LLM porta el coneixement de sèrie i es mesura amb un golden set, i que tots dos es degraden si ningú els vigila.

Què queda fora

Aquest material tracta l’aprenentatge a partir de dades i les seves aplicacions. Aquest criteri explica tant el que hi ha com el que falta, i el que falta es reparteix en dos grups molt diferents. No és una taxonomia exhaustiva de tota la IA, sinó una selecció de famílies que cal distingir per decidir quina arquitectura de solució té sentit en un projecte real.

Famílies que no aprenen de dades. Queden fora pel criteri mateix: resolen problemes d’IA sense cap conjunt d’exemples.

• Cerca i planificació: A*, Dijkstra, minimax amb poda alfa-beta, backtracking per a satisfacció de restriccions, cerca en arbre de Monte Carlo. Donat un model del món, exploren possibilitats fins a trobar la solució. Exemple: la ruta d’un GPS o l’horari d’un centre educatiu sense solapaments.
• Optimització i recerca operativa: símplex i programació lineal entera, ramificació i acotació, algorismes genètics, recuit simulat, colònies de formigues. Decideixen amb restriccions dures i un objectiu a maximitzar. Exemple: repartir 300 paquets entre 12 furgonetes, o quadrar els torns d’un hospital.
• Aprenentatge per reforç: el cas frontissa. Aprèn, però no d’un conjunt de dades: genera la seva pròpia experiència actuant sobre un entorn i rebent recompenses, i per això no encaixa amb la divisió train/validació/test. Q-learning, DQN, PPO, mètodes actor-crític. Exemple: un robot que aprèn a caminar, o la refrigeració d’un centre de dades que s’ajusta sola.

Famílies que sí que aprenen de dades. Queden fora per abast, no per principi: el que s’explica aquí s’hi aplica igual, i el patró de producció és molt similar.

• Visió per computador, parla i multimodalitat: xarxes convolucionals i Transformers per a imatge i àudio, detectors en temps real, transcripció de veu i models multimodals. La diferència principal és que aquí la sortida no és només text: és classificació d’imatges, detecció, transcripció o la combinació de text i imatge. Les convolucionals apareixen a Xarxes neuronals, però fer-les servir en directe és una disciplina a part: latència de mil·lisegons, vídeo o àudio en streaming i sovint inferència al mateix dispositiu. Exemple: detectar vianants des d’un cotxe, subtitular en directe una classe o extreure informació de documents amb imatges i text.
• Generació d’imatge, àudio i vídeo: models de difusió (difusió latent), abans GANs, i síntesi de veu. És la meitat de la IA generativa que no es tracta en aquestes pàgines, centrades en el text i en sistemes de decisió. Exemple: il·lustrar un text, clonar una veu o transformar un clip de vídeo.
• Sèries temporals i inferència causal: ARIMA, suavitzat exponencial i Prophet per a la sèrie; proves A/B, diferències en diferències, aparellament per propensió i models d’uplift per a la causa. Aprenen de dades, però fan preguntes diferents de la classificació: com evoluciona una sèrie, o què hauria passat sense la intervenció. Exemple: preveure la demanda elèctrica de demà, o saber si una campanya ha causat vendes o només hi coincideix.

Dues conseqüències pràctiques:

• Abans d’entrenar res, comprova que el teu problema és de predicció. Si és d’assignació, de planificació o de causa i efecte, la resposta pot no ser ML.
• El que sí que es transfereix és el patró d’integració. Sigui quin sigui el model, el problema és el mateix: cridar-lo bé, controlar-ne la latència i el cost, validar la sortida i vigilar si es degrada. A partir d’aquí, la solució pot ser reentrenar el model, afegir regles de validació o canviar el flux del sistema. Aquí els exemples són sempre de text, però la manera de treballar és la mateixa.