Resultats d'Aprenentatge i Criteris d'Avaluació¶

Marc normatiu

Aquests resultats d'aprenentatge s'emmarquen en el Curs d'Especialització en Intel·ligència Artificial i Big Data de Formació Professional, alineat amb el Real Decreto d'especialització de la LOGSE/LOE i les competències del sector TIC.

📌 Resultat d'Aprenentatge 1¶

Comprèn els fonaments dels models de llenguatge i les seves limitacions¶

RA1 — L'alumne/a analitza l'evolució dels models de llenguatge gran (LLM), identifica les seves limitacions intrínseques i argumenta per què els agents d'IA sorgeixen com a solució a aquestes limitacions.

CA 1.1

Descriu la línia temporal de l'evolució de la IA des dels perceptrons fins als LLM fundacionals, identificant les arquitectures clau (RNN, LSTM, Transformer).

CA 1.2

Explica el mecanisme d'atenció (self-attention) del Transformer i la seva rellevància per al processament de seqüències llargues.

CA 1.3

Identifica i caracteritza les quatre limitacions principals dels LLM: stateless, knowledge cutoff, al·lucinacions i finestra de context.

CA 1.4

Relaciona cada limitació dels LLM amb el component de l'agent que la resol (memòria, eines de cerca, RAG, planificació).

CA 1.5

Distingeix entre models propietaris (GPT-4, Claude, Gemini) i models de codi obert (Llama, Mistral, Phi) i n'avalua els pros i contres.

📌 Resultat d'Aprenentatge 2¶

Dissenya i construeix agents d'IA amb eines i memòria¶

RA2 — L'alumne/a implementa agents d'IA funcionals que integren eines externes, gestionen memòria de context i utilitzen estratègies de planificació per resoldre tasques autònomes.

CA 2.1

Implementa un agent bàsic amb LangChain o LlamaIndex que processi entrades d'usuari i generi respostes contextualitzades.

CA 2.2

Integra almenys tres eines (tools) a un agent: cerca web, execució de codi i consulta de base de dades, usant function calling.

CA 2.3

Implementa un sistema de memòria de curta durada (conversation buffer) i de llarga durada (base de dades vectorial) en un agent.

CA 2.4

Construeix un pipeline RAG complet: ingestió de documents, chunking, embedding, emmagatzematge vectorial i recuperació semàntica.

CA 2.5

Aplica el patró ReAct (Reason + Act) per a la planificació de tasques multi-pas i valida la qualitat del raonament generat.

CA 2.6

Gestiona els errors i les respostes inesperades dels agents amb mecanismes de retry, fallbacks i validació de sortides.

📌 Resultat d'Aprenentatge 3¶

Construeix sistemes multi-agent i pipelines complexos¶

RA3 — L'alumne/a dissenya i implementa arquitectures multi-agent on agents especialitzats col·laboren per resoldre problemes que un sol agent no podria afrontar eficientment.

CA 3.1

Dissenya una arquitectura multi-agent amb agent orquestrador i agents especialitzats per a un cas d'ús real.

CA 3.2

Implementa la comunicació entre agents via missatgeria estructurada, definint esquemes clars de pas de tasques i resultats.

CA 3.3

Utilitza LangGraph per a la definició de fluxos d'agent amb estats, transicions i cicles d'aprovació humana (human-in-the-loop).

CA 3.4

Avalua el rendiment d'un sistema multi-agent mesurant latència, cost de tokens i qualitat de les respostes finals.

📌 Resultat d'Aprenentatge 4¶

Avalua, optimitza i desplega agents d'IA de forma segura¶

RA4 — L'alumne/a aplica tècniques d'observabilitat, optimització de costos i consideracions ètiques en el disseny i desplegament d'agents d'IA en producció.

CA 4.1

Instrumenta un agent amb LangSmith o similars per registrar traces, fer debugging i analitzar el flux de raonament.

CA 4.2

Optimitza el consum de tokens d'un agent aplicant tècniques de compressió de context i caching de prompts.

CA 4.3

Identifica i mitiga riscos de seguretat en agents: prompt injection, abús d'eines i fuites d'informació sensible.

CA 4.4

Argumenta sobre les implicacions ètiques dels agents autònoms: transparència, responsabilitat i impacte social.

🎯 Relació RA ↔ Unitats ↔ Pràctiques¶

Resultat d'Aprenentatge	Unitats	Pràctiques	Pes Avaluació
RA1 — Fonaments LLM	U1	—	20%
RA2 — Agents bàsics	U2, U3, U4	P1, P2, P3	40%
RA3 — Multi-agent	U4, U5	P4	25%
RA4 — Desplegament	U5	P5 (Projecte)	15%

Important

Tots els Resultats d'Aprenentatge han de ser superats per separat. Un RA no superat implica que el mòdul no es considera assolit, independentment de la nota global.