FASE 3

Desenvolupament d'algorismes (IA) i testeig d'hipòtesis

Què és la Intel·ligència Artificial realment?

La intel·ligència artificial (IA) es basa en un conjunt de tècniques que imiten el funcionament del nostre cervell (xarxes neuronals) a través de l’aprenentatge profund de les màquines (Machine & Deep Learning). És a dir, a través de la programació, la tecnologia i l’estadística, ensenyem a les màquines com han d’actuar en diferents situacions.

La clau de la IA recau en la seva capacitat per aprendre de les dades que li proporcionem i en la seva capacitat d’emmagatzematge i rapidesa per accedir a la informació. A diferència nostra, no interpreten ni qüestionen; només reprodueixen segons el què i el com els hem ensenyat i precisament aquesta és la seva limitació.

Per això és essencial tenir en compte l’ètica i donar la importància que es mereixen les fases prèvies (estructura i fiabilitat de les dades i l’anàlisi de dades). En cas contrari, els resultats poden ser molt perillosos, ja que una errada en les dades, no escollir bé les variables o un tractament poc realista d’aquestes ja no és que no t’aporti informació, sinó que aquesta pot ser esbiaixada i errònia, amb les conseqüències que et pot comportar a tu, al teu projecte i/o a tercers.
“Per tant, la IA dependrà de la persona o grup de persones que hi ha al seu darrere segons com li han ensenyat que ha de respondre en les diferents situacions”.
  • Crear algorismes predictius a través de les dades recollides per tenir informació sobre que passarà segons les variables que hem tingut en compte.
  • Obtenir informació sobre el valor de les dades que utilitzem.
  • Exemple: La probabilitat que plogui la setmana que ve o estimar la demanda d’un producte al llarg d’un període.
  • Crear algorismes perquè facin les feines tedioses o repetitives reduint la intervenció humana.
  • Facilitar l’obtenció de resultats complexos de manera ràpida i efectiva reduint el temps.
  • Exemple: La transcripció automàtica d’un arxiu de veu en text o el resum d’una reunió o text ressaltant els temes tractats de major importància.
  • Intentar descobrir patrons ocults que a simple vista no es veuen a través d’algorismes no supervisats.
  • Ajudar a identificar quins factors són més rellevants per aconseguir els resultats desitjats.
  • Exemple: Si un tumor és maligne o no, en què ens hem de fixar més per detectar un tipus de frau.
  • Rigor i ètica.
  • Capacitat analítica, comprensiva i interpretativa.
  • Perseverança.
  • Millora contínua.
  • Adaptabilitat i flexibilitat.
  • Creativitat en la solució de problemes.
  • Estadística.
  • Llenguatge de programació: Python, etc.
  • Biblioteques de Machine i Deep Learning: Scikit-learn, PyTorch, TensorFlow...
  • Biblioteques de Natural Language ToolKit (NLTK).
  • Control de versions amb Github.
  • Ús de contenidors per a desenvolupament (Docker).

Com explicava en aquesta secció, la intel·ligència artificial funciona entrenant models matemàtics per aprendre patrons a partir de les dades històriques que li hem proporcionat. A partir d’això, el model et retorna prediccions, recomanacions o una classificació basades en noves dades que introdueixis.

El seu procés és el següent:

  1. Definir un problema o hipòtesi un cop hem analitzat les dades que tenim.
  2. Decidir quines dades utilitzem o bé, adonar-nos que hem d’incorporar noves dades rellevants que no havíem tingut en compte.
  3. Escollir quines tècniques són les més adients segons el tipus de problema o hipòtesi.
  4. Entrenar el model, avaluar el seu rendiment a través de mètriques estadístiques (ens diran que tan bé el model executa la seva tasca) i optimitzar-lo (ajustant diferents paràmetres o noves tècniques).
  5. Finalment, posar context els resultats obtinguts tenint en compte les mètriques d’avaluació (precisió, exactitud, sensibilitat…) sobre com es comporta.

És important saber interpretar els resultats. Evidentment, predir el futur encara és impossible. Al final “només”  ens retornen una predicció o estimació segons el que he anat remarcant des de l’inici:

  • La fiabilitat de les dades amb què alimentem el model durant el seu entrenament (tractament i quines dades hem utilitzat).
  • La manera com l’hem entrenat (tipus d’algorisme, tècniques avançades per millorar el seu rendiment…).
Un model que ens retorna unes mètriques d’avaluació molt bones, però s’alimenta de dades de baixa qualitat pot ser més enganyós que un model que ofereix uns resultats més modestos però més fiables. Un cop més la col·laboració entre els diferents experts del projecte és crucial, ja que podran posar en context la informació obtinguda dels models.
Els models d’IA i l’anàlisi ens donen informació molt valuosa que complementa, potencia, confirma o amplia els nostres coneixements i capacitats, però no els substitueix.

Descripció

Aquest mètode, busca descobrir quin serà el valor d’una dada concreta en un cas hipotètic o futur.

Per aconseguir-ho, entrenarem el model matemàtic amb dades històriques que inclouen el valor d’aquesta dada que volem saber (target). Així aprèn com es relacionen els diferents atributs amb aquesta dada objectiva i com hi influeixen.

Exemples

  • Classificació: Determinar si un correu electrònic és spam o no (etiqueta binària).
  • Regressió: Predir el preu d’una casa en funció de característiques com la mida, ubicació, nombre d’habitacions, etc.

Descripció

Aquí, el model no té etiquetes associades a les dades. En lloc d’aprendre d’exemples amb respostes correctes, el model intenta identificar patrons, agrupacions o relacions entre les dades sense cap ajuda externa.

S’utilitza principalment per a descobrir estructures ocultes a les dades.

Exemples

  • Clústering: Agrupar clients amb comportaments de compra similars per crear segments de mercat.
  • Reducció de dimensionalitat: Simplificar grans quantitats de dades per identificar les característiques més rellevants (per exemple, compressió d’imatges).

Descripció

Amb aquest mètode, el model aprèn a partir d’una seqüència d’accions i resultats. Pren decisions basades en la informació disponible, i rep una “recompensa” o “penalització” segons el resultat que ens retorna. Com faríem nosaltres, a llarg termini voldrà maximitzar les recompenses i minimitzar les penalitzacions.

Es tracta d’un aprenentatge de prova i error, que permet que progressivament el model ajusti la seva actuació cada cop més al que li demanem.

Exemples

  • Jocs: Entrenar una IA perquè jugui a videojocs (com els escacs o el Go) i aprengui quines estratègies li donen més possibilitats de guanyar.
  • Optimització de rutes: Un robot que aprèn a moure’s per un espai evitant obstacles per trobar el camí més eficient (aspirador).

Descripció

Encara que tècnicament és un subconjunt de l’aprenentatge supervisat i no supervisat, el Deep Learning es basa en xarxes neuronals artificials amb moltes capes (“profundes”).

Aquestes xarxes poden aprendre característiques complexes i fer prediccions a partir de grans quantitats de dades, com imatges, veu o text.

Exemples

  • Visió per Computador: Reconeixement facial, classificació d’imatges, detecció d’objectes.
    • Processament de Llenguatge Natural (NLP): Traducció automàtica, generació de text, assistents virtuals.
  • És recomanable comparar diferents models per veure com es comporten.
  • És un procés continuo perquè les dades són canviants i cal anar revisant l'actuació del model.
  • És recomanable deixar tots els procediments documentats. Així serà més fàcil trobar maneres de com millorar-lo, incorporar nous experts, escalar-lo...
Exemples