Projecte d'Intel·ligència Artificial i Big Data (C088)

Proposta didàctica

El mòdul C088 - Projecte d'Intel·ligència Artificial i Big Data (105 hores) és el mòdul integrador del cicle formatiu de grau superior d'Intel·ligència Artificial i Big Data (CFGS IABD). La seva finalitat és que l'alumnat integri i apliqui de manera autònoma les competències professionals adquirides en la resta de mòduls del cicle.

El projecte no és un exercici acadèmic convencional: es tracta de dissenyar, planificar i documentar un projecte real de IA o Big Data que podria ser implementat en una empresa del sector productiu. L'alumnat ha de demostrar que és capaç de:

Identificar una necessitat real del mercat i justificar el projecte
Dissenyar una solució tècnicament viable amb eines actuals (2025)
Planificar l'execució de manera professional (Gantt, riscos, pressupost)
Definir procediments de seguiment, control de qualitat i avaluació
Comunicar els resultats de manera efectiva en una presentació oral

El mòdul s'estructura en 4 fases que corresponen als 4 resultats d'aprenentatge del currículum DOGC 2025, amb un total de 105 hores distribuïdes equitativament.

Resultats d'Aprenentatge i Criteris d'Avaluació

RA1 - Identifica necessitats del sector productiu

L'alumnat analitza el sector de la IA i el Big Data a Espanya i Europa, identifica empreses, perfils i oportunitats de negoci, i defineix el context en el qual s'emmarca el seu projecte.

CA1.1 Classifica les empreses del sector per característiques organitzatives i tipus de producte o servei.

CA1.2 Caracteritza les empreses tipus del sector, descrivint la seva estructura interna i les funcions de cada departament.

CA1.3 Identifica les necessitats més demandades a les empreses del sector, analitzant ofertes de treball, estudis sectorials i tendències de mercat.

CA1.4 Valora les oportunitats de negoci previsibles en l'horitzó 2025-2030, tenint en compte les tendències tecnològiques i la regulació vigent.

CA1.5 Identifica el tipus de projecte requerit, classificant-lo per àmbit tecnològic, envergadura i destinataris.

CA1.6 Determina les característiques específiques requerides pel projecte, incloent les tecnologies, els perfils professionals i les infraestructures necessàries.

CA1.7 Determina les obligacions fiscals, laborals i de prevenció de riscos aplicables a l'activitat professional en el sector de la IA.

CA1.8 Identifica les possibles ajuts, subvencions i mecanismes de finançament disponibles per a projectes de IA i digitalització.

CA1.9 Elabora el guió de treball del projecte, estructurant les fases, els entregables i el calendari.

RA2 - Dissenya el projecte

L'alumnat recopila informació, realitza l'estudi de viabilitat, defineix l'arquitectura tècnica, estableix objectius SMART, elabora el pressupost i defineix els criteris de qualitat.

CA2.1 Recopila informació relativa als aspectes tècnics, de mercat, legals i organitzatius que cal tractar en el projecte.

CA2.2 Realitza l'estudi de viabilitat tècnica del projecte, analitzant el stack tecnològic, la infraestructura i les dependències.

CA2.3 Identifica les fases o parts del projecte, definint un WBS (Work Breakdown Structure) amb almenys 3 nivells de descomposició.

CA2.4 Estableix els objectius del projecte, identificant clarament l'abast i els límits del que s'ha de fer.

CA2.5 Preveu els recursos materials i personals necessaris per a l'execució del projecte.

CA2.6 Realitza el pressupost econòmic del projecte, detallant les partides de personal, infraestructura, llicències i contingències.

CA2.7 Identifica les necessitats de finançament del projecte i les possibles fonts de finançament.

CA2.8 Defineix i elabora la documentació necessària per al disseny del projecte, incloent especificacions tècniques, diagrames d'arquitectura i plans de qualitat.

CA2.9 Identifica els aspectes de control de qualitat aplicables al projecte, definint mètriques, SLAs i procediments de revisió.

RA3 - Planifica l'execució del projecte

L'alumnat seqüencia les activitats, assigna recursos, identifica riscos, elabora el diagrama de Gantt i el camí crític, i produeix la documentació d'execució.

CA3.1 Seqüencia les activitats del projecte, identificant les dependències i l'ordre d'execució.

CA3.2 Determina els recursos i la logística necessaris per a cada activitat del projecte.

CA3.3 Identifica les necessitats de permisos i autoritzacions per a l'execució del projecte.

CA3.4 Determina els procediments d'execució per a cada fase del projecte.

CA3.5 Identifica els riscos del projecte i defineix el pla de prevenció i mitigació per a cada risc identificat.

CA3.6 Planifica l'assignació de recursos i temps, elaborant el diagrama de Gantt i identificant el camí crític.

CA3.7 Fa la valoració econòmica de l'execució, comparant el pressupost planificat amb les estimacions d'execució.

CA3.8 Defineix i elabora la documentació d'execució necessària per al seguiment i control del projecte.

RA4 - Defineix procediments de seguiment i control

L'alumnat estableix els KPIs, els indicadors de qualitat, els procediments d'avaluació d'incidències i de gestió de canvis, i presenta els resultats del projecte.

CA4.1 Defineix el procediment d'avaluació de les activitats del projecte, establint els hitos de control i els criteris d'acceptació.

CA4.2 Defineix els indicadors de qualitat (KPIs) del projecte, cobrient dimensions tècniques, operatives i de negoci.

CA4.3 Defineix el procediment per a la detecció, anàlisi i resolució d'incidències en el sistema.

CA4.4 Defineix el procediment per gestionar els canvis en el projecte, incloent canvis en requisits, en dades i en models.

CA4.5 Defineix i elabora la documentació d'avaluació del projecte, incloent l'informe final executiu i l'informe tècnic.

CA4.6 Estableix el procediment per a la participació dels usuaris en l'avaluació del sistema.

CA4.7 Estableix un sistema per garantir el compliment del plec de condicions del projecte.

Continguts de referència

El C088 integra els continguts de tots els mòduls del cicle IABD. A continuació es presenta la classificació per blocs temàtics:

Bloc 1 - Gestió i anàlisi del mercat IA

Mercat de la IA a Espanya i Europa (2025): inversió, creixement, empreses líder
Perfils professionals del sector: Data Scientist, ML Engineer, Data Engineer, MLOps, AI PM
Sectors d'aplicació: fintech, salut, manufactura, retail, logística, administració pública
Regulació: AI Act europeu, RGPD, normativa sectorial
Ajuts i finançament: Next Generation EU, CDTI, ENISA, ICF, INCIBE

Bloc 2 - Disseny tècnic de solucions IA

Arquitectures de referència: sistemes RAG, pipelines ML, plataformes Big Data, agents IA
Selecció del stack tecnològic: criteris, comparatives, proves de concepte (PoC)
Infraestructura: cloud (AWS, GCP, Azure), on-premise, híbrida
Seguretat i privacitat per disseny (Privacy by Design, Security by Design)
Estàndards i bones pràctiques: MLOps, DataOps, FinOps

Bloc 3 - Planificació i gestió de projectes

Metodologies: Scrum, Kanban, CRISP-DM, adaptades a projectes IA
Eines de planificació: GitHub Projects, Jira, Notion, ProjectLibre
Gestió de riscos: identificació, anàlisi, mitigació, monitoratge
Pressupost i control econòmic: earned value management
Documentació professional: PRD, ADR, runbook, changelog

Bloc 4 - Seguiment, qualitat i presentació

Monitoratge de models en producció: MLflow, Evidently AI, Weights & Biases
Gestió d'incidències i canvis: ticketing, post-mortem, DVC, Git flow
Documentació final: informe executiu, informe tècnic, annexos
Presentació oral: estructura, demo en viu, gestió de preguntes
Qualitat i acceptació: UAT, mètriques de satisfacció, tancament de projecte

Planificació temporal (105h)

gantt
    title Planificacio C088 - Projecte IA i Big Data (105h)
    dateFormat  YYYY-MM-DD
    axisFormat  %d/%m
    section Fase 1 - Identificacio
    Analisi sector IA             :f1a, 2025-09-01, 10d
    Seleccio del projecte         :f1b, after f1a, 6d
    Guio de treball               :f1c, after f1b, 4d
    section Fase 2 - Disseny
    Recollida informacio          :f2a, after f1c, 8d
    Viabilitat tecnica            :f2b, after f2a, 6d
    WBS i objectius               :f2c, after f2b, 4d
    Pressupost                    :f2d, after f2c, 4d
    section Fase 3 - Planificacio
    Gantt i cami critic           :f3a, after f2d, 8d
    Gestio de riscos              :f3b, after f3a, 6d
    Documentacio execucio         :f3c, after f3b, 4d
    section Fase 4 - Seguiment
    Implementacio i seguiment     :f4a, after f3c, 14d
    Control de qualitat           :f4b, after f4a, 6d
    Informe final                 :f5a, after f4b, 6d
    Defensa oral                  :f5b, after f5a, 3d

Taula de fases

Fase	Descripció	Hores	RA	Entregable
Fase 1	Identificació de necessitats	26h	RA1	Document d'identificació
Fase 2	Disseny del projecte	26h	RA2	Document de disseny
Fase 3	Planificació de l'execució	26h	RA3	Pla de projecte
Fase 4	Seguiment, control i presentació	27h	RA4	Informe final + defensa
Total		105h

Tipologies de projecte

L'alumnat ha de seleccionar una de les 7 tipologies de projecte proposades, o proposar-ne una de pròpia (amb aprovació del professor). Cada tipologia inclou el stack tecnològic recomanat, els estàndards aplicables i el perfil professional al qual s'orienta.

Tipologia 1 - Sistema RAG per a gestió documental empresarial

Descripció: Disseny i planificació d'un sistema de Retrieval-Augmented Generation per a la cerca i consulta intel·ligent de documents corporatius (manuals, contractes, informes, normatives). El sistema permet als empleats consultar informació de manera conversacional.

Eines i tecnologies: - LangChain / LlamaIndex per a l'orquestració del pipeline RAG - Ollama per a models LLM en local (Llama 3, Mistral, Gemma) - Chroma / Qdrant com a base de dades vectorial - Gradio / Streamlit per a la interfície d'usuari - FastAPI per a l'API del backend - Docker + Docker Compose per al desplegament

Estàndards aplicables: - ISO 27001 per a seguretat de la informació - RGPD per al tractament de documents amb dades personals - AI Act (risc limitat): sistemes conversacionals amb persones

Perfil professional: ML Engineer, AI Solutions Architect, Backend Developer

Tipologia 2 - Pipeline de ML en producció

Descripció: Disseny i planificació d'un pipeline complet de machine learning, des de la ingesta de dades fins al model en producció amb monitoratge continu. Inclou el cicle complet de MLOps.

Eines i tecnologies: - scikit-learn / XGBoost / LightGBM per a l'entrenament - MLflow per a l'experiment tracking i el model registry - FastAPI per a servir el model com a API REST - Docker + Kubernetes per al desplegament escalable - Evidently AI per al monitoratge de data drift - DVC per al versionat de dades i models - GitHub Actions per al CI/CD del pipeline

Estàndards aplicables: - CRISP-DM com a metodologia de projectes ML - Guies d'explicabilitat SHAP/LIME per a models transparents - AI Act (risc alt si s'aplica a RRHH, crèdit, salut)

Perfil professional: ML Engineer, MLOps Engineer, Data Scientist

Tipologia 3 - Plataforma Big Data per a PYME

Descripció: Disseny i planificació d'una plataforma de tractament de dades massives per a una PYME del sector retail, manufactura o logística. Inclou la ingesta, processament, emmagatzematge i visualització de dades.

Eines i tecnologies: - Apache Kafka per a la ingesta de dades en temps real (streaming) - Apache Spark per al processament distribuït (batch i streaming) - Delta Lake per a l'emmagatzematge transaccional de Big Data - Apache Airflow per a l'orquestració de pipelines - Metabase / Apache Superset per a la visualització (BI) - MinIO com a object storage compatible S3

Estàndards aplicables: - DAMA-DMBOK per a la gestió de dades - ISO 8000 per a la qualitat de dades - Arquitectura Medallion (Bronze → Silver → Gold)

Perfil professional: Data Engineer, Big Data Architect, DataOps Engineer

Tipologia 4 - Agent IA autònom per a automatització

Descripció: Disseny i planificació d'un agent IA autònom capaç d'executar tasques complexes de manera automàtica, com ara la gestió d'emails, la redacció de documents o la coordinació de processos de negoci.

Eines i tecnologies: - LangGraph per a la construcció de workflows d'agents amb estat - CrewAI per a sistemes multi-agent - n8n per a la integració amb aplicacions de negoci (CRM, ERP, email) - OpenAI API / Anthropic Claude API com a LLM base - Tavily / SerpAPI per a la cerca web dels agents - Redis per a la memòria persistent dels agents

Estàndards aplicables: - Human-in-the-loop per a decisions crítiques - AI Act: avaluació del nivell de risc del sistema autònom - Bones pràctiques d'IA responsable: transparència, control humà

Perfil professional: AI Engineer, Automation Engineer, Solutions Architect

Tipologia 5 - Sistema de visió per computador per a control de qualitat

Descripció: Disseny i planificació d'un sistema de visió per computador per a la detecció automàtica de defectes en una cadena de producció industrial. Inclou la captura d'imatges, el model de detecció i l'alerta en temps real.

Eines i tecnologies: - YOLOv8 / YOLOv9 per a la detecció d'objectes en temps real - OpenCV per al processament d'imatges - FastAPI per a l'API del sistema - MQTT per a la comunicació amb sensors i PLCs industrials - Grafana per al dashboard de monitoratge en temps real - NVIDIA Triton Inference Server per al desplegament GPU optimitzat

Estàndards aplicables: - IEC 62443 per a la seguretat en sistemes industrials (ICS/SCADA) - ISO 13849 per a la seguretat funcional de maquinària - AI Act (risc alt en entorns industrials crítics)

Perfil professional: Computer Vision Engineer, ML Engineer, Industrial IoT Developer

Tipologia 6 - Dashboard BI en temps real amb dades massives

Descripció: Disseny i planificació d'un sistema d'analítica en temps real per a una empresa amb grans volums de dades, que proporcioni als directius informació actualitzada per a la presa de decisions.

Eines i tecnologies: - Apache Spark Streaming per al processament en temps real - Apache Kafka com a bus de missatges - ClickHouse com a base de dades analítica OLAP d'alta velocitat - Grafana per als dashboards en temps real - Apache Flink com a alternativa per a streaming complex - Tableau / Power BI per a informes executius

Estàndards aplicables: - DAMA-DMBOK per a la governança de dades - GDPR per a dades de clients - FinOps per a l'optimització dels costos cloud

Perfil professional: Data Engineer, BI Developer, Analytics Engineer

Tipologia 7 - Chatbot multilingüe per a atencio al client

Descripció: Disseny i planificació d'un chatbot multilingüe (català, castellà, anglès) per a l'atenció al client d'una empresa de serveis, integrat amb el CRM i capaç de gestionar consultes, queixes i comandes.

Eines i tecnologies: - Rasa Open Source per a la gestió del diàleg i la comprensió del llenguatge (NLU) - LLM (GPT-4o, Claude 3.5) per a respostes de llenguatge natural - Twilio / WhatsApp Business API per als canals de comunicació - Salesforce / HubSpot API per a la integració amb CRM - Redis per a la gestió de sessions - FastAPI + WebSocket per a la integració web

Estàndards aplicables: - WCAG 2.1 per a l'accessibilitat del sistema de xat - AI Act (risc limitat): sistemes conversacionals amb obligació de transparència - RGPD: gestió del consentiment i historial de converses

Perfil professional: NLP Engineer, Conversational AI Developer, Full Stack Developer

Criteris de selecció del projecte

Com triar la tipologia adequada

Per seleccionar la tipologia de projecte, considera els factors següents:

Factors tècnics: - Quines tecnologies has après amb més profunditat durant el cicle? - Tens accés a dades reals per a la tipologia triada? - Quina infraestructura tens disponible (GPU, cloud, servidor local)?

Factors professionals: - A quin perfil professional vols orientar la teva carrera? - Tens algun contacte professional que pugui aportar un cas d'ús real? - Has fet algun projecte similar en les FCT?

Factors de viabilitat: - La tipologia és realitzable en el temps disponible (105h per a la documentació i planificació)? - Les eines necessàries són open source o tens accés a les llicències? - El pressupost estimat és coherent amb el mercat?

Criteris de qualitat: - El projecte resol un problema real i justificable? - Pots demostrar el valor de negoci amb KPIs concrets? - El projecte permet una presentació visual i atractiva?

Errors freqüents

Errors que cal evitar

Errors en la identificació de necessitats: - Proposar un projecte sense analitzar si existeix una necessitat real al mercat - No justificar per quin sector o empresa estaria destinat el projecte - Confondre el projecte amb un exercici de pràctiques de programació

Errors en el disseny: - Pressupost irreal (massa baix per ignorar costos de personal, o massa alt sense justificació) - Arquitectura tècnica copiada d'un tutorial sense adaptació al cas d'ús - Objectius no mesurables ("el sistema ha de funcionar bé") - WBS amb un únic nivell de descomposició

Errors en la planificació: - Diagrama de Gantt sense dependències entre tasques - Gestió de riscos genèrica (els mateixos riscos per a qualsevol projecte) - No identificar el camí crític del projecte

Errors en el seguiment: - KPIs que no es poden mesurar en la pràctica - Informe final que descriu el que s'havia de fer, no el que s'ha fet - Presentació oral sense demo o exemple pràctic del sistema

Orientacions del projecte

Preguntes orientadores per a l'elaboració del projecte

Sobre el mercat i la necessitat: 1. Quina empresa o tipus d'empresa podria ser el client del teu projecte? 2. Quin problema concret resol el teu projecte? Com ho estaven fent abans? 3. Quins competidors existeixen al mercat que ofereixin una solució similar? 4. Com has identificat la necessitat? (entrevistes, anàlisi d'ofertes, estudis sectorials) 5. Quines subvencions o ajuts podria sol·licitar l'empresa per a implementar el projecte?

Sobre la viabilitat tècnica: 6. Per quin motiu has triat el stack tecnològic seleccionat i no un altre? 7. Quines dades necessita el projecte? Estan disponibles? Qui en té els drets? 8. Quins requisits de hardware (GPU, RAM, emmagatzematge) té el sistema? 9. Com garanteixes la seguretat i la privacitat de les dades tractades? 10. El projecte compleix la regulació de l'AI Act europeu? Quin nivell de risc té?

Sobre la planificació: 11. Quines activitats del projecte estan en el camí crític? 12. Quin és el risc principal del projecte i com el mitigaries? 13. Com gestionaries un retard en la fase d'obtenció de dades? 14. Quant costaria el projecte en infraestructura cloud al mes? I a l'any? 15. Quants enginyers caldrien per a implementar el projecte? Amb quins perfils?

Sobre el seguiment i la qualitat: 16. Com sabràs si el model de ML funciona correctament en producció? 17. Quin KPI de negoci mesuraria l'èxit real del projecte? 18. Quines mètriques usaries per detectar que el model s'ha degradat (data drift)? 19. Com presentaries el ROI del projecte a la direcció de l'empresa? 20. Si el client demanés una nova funcionalitat a meitat del projecte, com ho gestionaries?

Estructura del document final

El document final del projecte ha de tenir la següent estructura:

Secció	Contingut	Fase
Portada i índex	Títol, autor, empresa, data, índex de continguts	Totes
Resum executiu	Problema, solució, resultats esperats, ROI estimat (1-2 pàgines)	RA4
1. Identificació de necessitats	Sector, empresa tipus, necessitat, oportunitat, tipus de projecte	RA1
2. Aspectes legals i finançament	Obligacions fiscals/laborals, ajuts disponibles	RA1
3. Recollida de requisits	User stories, casos d'ús, requisits funcionals i no funcionals	RA2
4. Viabilitat tècnica	Stack tecnològic, arquitectura, infraestructura, PoC	RA2
5. Objectius i abast	Objectius SMART, WBS, scope statement	RA2
6. Pressupost	Personal, infraestructura, llicències, contingències	RA2
7. Pla d'execució	Gantt, camí crític, assignació de recursos	RA3
8. Gestió de riscos	Matriu de riscos, pla de mitigació	RA3
9. Documentació d'execució	PRD, ADRs, runbook, changelog	RA3
10. KPIs i control de qualitat	Indicadors, SLAs, procediment d'avaluació	RA4
11. Gestió d'incidències i canvis	Procediments, plantilles, circuits	RA4
12. Conclusions i recomanacions	Resultats, lliçons apreses, treball futur	RA4
Annexos	Codi font, dades de mostra, autoritzacions, bibliogafia	Totes

Rubrica global del projecte

Criteri	Pes	Excel·lent (9-10)	Notable (7-8)	Aprovat (5-6)	Insuficient (<5)
Qualitat tecnica del projecte	35%	Solucio innovadora, ben implementada, documentada i amb metriques excel·lents. Arquitectura professional i justificada.	Solucio correcta i funcional. Stack tecnologic adequat. Arquitectura coherent.	Solucio basica funcional. Arquitectura senzilla pero coherent.	Solucio incompleta o incorrecta. Arquitectura inconsistent o absent.
Gestio del projecte	25%	Gantt professional amb cami critic. Riscos gestionats amb pla de mitigacio. Pressupost real i detallat. Control de qualitat rigoris.	Planificacio correcta. Riscos identificats. Pressupost raonable. Qualitat considerada.	Planificacio basica. Alguns riscos identificats. Pressupost aproximat.	Planificacio absent o molt deficient. Sense gestio de riscos ni pressupost justificat.
Qualitat de la documentacio	20%	Documentacio professional: executiva + tecnica. Clara, completa, ben estructurada. Format professional consistent.	Documentacio correcta i completa. Estructura clara. Format adequat.	Documentacio suficient per entendre el projecte. Algunes seccions mancades de detall.	Documentacio deficient, incompleta o sense estructura.
Presentacio oral	15%	Demo en viu, comunicacio clara i segura, slides professionals, estructura perfecta (problema → solucio → demo → resultats).	Bona presentacio. Slides correctes. Demo o exemple adequat. Comunicacio fluida.	Presentacio adequada. Slides basiques. Comunicacio acceptable.	Presentacio deficient. Sense demo. Comunicacio poc clara.
Resposta a preguntes	5%	Domina el tema. Argumenta les decisions tecniques. Respon amb seguretat i precisio.	Respon correctament. Raona les decisions principals.	Respon les preguntes basiques. Alguna dificultat amb qüestions tecniques.	No respon adequadament. No justifica les decisions.