Salta el contingut

Mòdul 5071 — Models d'Intel·ligència Artificial

Proposta didàctica

El mòdul 5071 - Models d'Intel·ligència Artificial és el mòdul d'entrada al Curs d'Especialització en Intel·ligència Artificial i Big Data (IABD). Amb 66 hores lectives, ofereix els fonaments teòrics i pràctics imprescindibles per comprendre com funcionen els sistemes intel·ligents actuals i com s'apliquen en entorns professionals reals.

L'any 2025, la intel·ligència artificial ha deixat de ser una promesa de futur per convertir-se en una realitat omnipresent: els assistents de veu, els sistemes de recomanació, els diagnòstics mèdics assistits per IA, els vehicles autònoms i els models de llenguatge com GPT, Claude o Gemini Pro formen part del paisatge tecnològic quotidià. Aquest mòdul dota l'alumnat dels conceptes, vocabulari i perspectiva crítica necessaris per navegar amb solvència en aquest escenari.

El mòdul s'articula al voltant de sis grans blocs: els fonaments dels sistemes intel·ligents, el processament del llenguatge natural (PLN), la visió per computador i la robòtica intel·ligent, els sistemes experts i el marc ètic i legal** de la IA. Cada bloc combina teoria rigorosa amb casos d'ús reals i pràctiques Docker.

Organització del mòdul

El mòdul s'imparteix al primer trimestre del curs IABD. Els coneixements adquirits aquí constitueixen la base sobre la qual es construeixen els mòduls 5072 (Aprenentatge Automàtic) i 5073 (Programació d'IA). No es requereix experiència prèvia en IA, però sí coneixements bàsics de programació (Python) i matemàtiques de batxillerat.

Resultats d'Aprenentatge i Criteris d'Avaluació

RA1 — Caracteritza sistemes d'IA relacionant-los amb la millora de l'eficiència operativa

Codi Criteri d'Avaluació
CA1.1 Identifica els principis fonamentals dels sistemes intel·ligents
CA1.2 Recopila informació sobre camps on s'aplica IA
CA1.3 Identifica les tècniques bàsiques de la IA
CA1.4 Identifica noves formes d'interaccions als negocis que milloren l'eficiència operativa

RA2 — Utilitza models d'IA implementant sistemes a la resolució de problemes

Codi Criteri d'Avaluació
CA2.1 Determina els requisits bàsics d'un sistema de resolució de problemes
CA2.2 Classifica models d'IA
CA2.3 Caracteritza els models d'automatització de tasques
CA2.4 Caracteritza els models de raonament imprecís
CA2.5 Caracteritza els models de sistemes basats en regles
CA2.6 Valora l'adequació dels models a la implementació

RA3 — Relaciona el PLN amb les seves aplicacions determinant potencial i limitacions

Codi Criteri d'Avaluació
CA3.1 Caracteritza el processament de llenguatge natural
CA3.2 Justifica el paper del lingüista en un projecte d'IA
CA3.3 Determina el potencial i limitacions de les tècniques PLN
CA3.4 Considera en quins casos és factible aplicar PLN
CA3.5 Avalua el treball cooperatiu lingüistes-informàtics
CA3.6 Descriu la formació teòrica de l'investigador PLN
CA3.7 Elabora un sistema PLN orientat a una tasca específica

RA4 — Analitza sistemes robotitzats avaluant opcions de disseny i implementació

Codi Criteri d'Avaluació
CA4.1 Recopila problemes del modelatge i control cinemàtic a robots
CA4.2 Cerca solucions als problemes dels robots
CA4.3 Valora tècniques de programació de robots
CA4.4 Avalua opcions en el disseny i implementació de sistemes robotitzats

RA5 — Aplica sistemes experts avaluant la influència dels controladors intel·ligents

Codi Criteri d'Avaluació
CA5.1 Descriu la dinàmica i estructures dels sistemes experts
CA5.2 Determina destreses per representar i simular comportaments
CA5.3 Raona com influeix la variació de característiques en la dinàmica
CA5.4 Desenvolupa estratègies de control
CA5.5 Relaciona controladors intel·ligents amb el comportament del sistema

RA6 — Aplica principis legals i ètics al desenvolupament de la IA

Codi Criteri d'Avaluació
CA6.1 Argumenta possibles riscos legals i ètics de l'IA
CA6.2 Reconeix la necessitat de respectar la privadesa de les dades
CA6.3 Decideix el compliment estricte de la legalitat
CA6.4 Integra la protecció davant errors i atacs (security by design)
CA6.5 Comprova compliment de normes (privacy by design)
CA6.6 Identifica i corregeix biaixos de gènere en IA

Continguts de referència

Bloc 1 — Fonaments dels sistemes intel·ligents (RA1)

  • 1.1. Orígens i evolució de la intel·ligència artificial
  • 1.2. Paradigmes de la IA: simbòlic, connexionista, evolucionari i híbrid
  • 1.3. Agents intel·ligents: arquitectura PEAS (Performance, Environment, Actuators, Sensors)
  • 1.4. Sectors d'aplicació: salut, manufactura, finances, educació, transport
  • 1.5. Eficiència operativa i transformació digital: casos reals

Bloc 2 — Models i automatització (RA2)

  • 2.1. Taxonomia dels models d'IA: supervisat, no supervisat, per reforç
  • 2.2. Models d'automatització: RPA (Robotic Process Automation) i IPA (Intelligent Process Automation)
  • 2.3. Raonament imprecís i lògica difusa: aplicació pràctica
  • 2.4. Sistemes basats en regles: CLIPS, Drools, encadenament cap endavant i cap enrere
  • 2.5. Selecció i avaluació de models per a un problema concret

Bloc 3 — Processament del Llenguatge Natural (RA3)

  • 3.1. Evolució del PLN: de Bag of Words a Transformers
  • 3.2. Arquitectura Transformer i mecanisme d'atenció
  • 3.3. Models de llenguatge actuals: GPT-4o, Claude 3.5, Gemini 1.5, LLaMA 3.1, Mistral
  • 3.4. Tasques NLP: classificació, NER, traducció, generació, Q&A, RAG
  • 3.5. Tokenització, embeddings i vector stores
  • 3.6. Rol del lingüista: anotació, avaluació, prompt engineering
  • 3.7. Limitacions: al·lucinació, biaixos, context window, cost

Bloc 4 — Sistemes robotitzats (RA4)

  • 4.1. Tipus de robots: industrials, cobots, autònoms, socials
  • 4.2. Cinemàtica directa i inversa: conceptes i aplicació
  • 4.3. Robot Operating System 2 (ROS 2): arquitectura i programació
  • 4.4. Visió artificial amb IA: YOLO v8/v9, detecció d'objectes
  • 4.5. Casos d'ús industrials: pick & place, AGV, inspecció de qualitat

Bloc 5 — Sistemes experts (RA5)

  • 5.1. Arquitectura clàssica: base de coneixement, motor d'inferència, interfície
  • 5.2. Xarxes bayesianes i raonament probabilístic
  • 5.3. Knowledge graphs i ontologies (OWL, RDF)
  • 5.4. Comparativa: sistemes experts vs. ML vs. LLMs
  • 5.5. IA neuro-simbòlica: tendències 2025

Bloc 6 — Ètica i legalitat en IA (RA6)

  • 6.1. AI Act de la UE (Reglament 2024/1689): classificació de risc i calendari
  • 6.2. Principis ètics: transparència, equitat, responsabilitat, privadesa (ALTAI/ENISA)
  • 6.3. Biaixos algorítmics: tipus, casos reals (COMPAS, Amazon hiring tool)
  • 6.4. RGPD aplicat a la IA: Privacy by Design i dades sintètiques
  • 6.5. Security by Design: atacs adversarials, model poisoning, prompt injection
  • 6.6. Sostenibilitat ambiental de la IA: petjada de carboni dels LLMs

Questionari inicial

Questionari inicial — Mòdul 5071

Respon les següents preguntes abans de començar el mòdul. No cal que les respostes siguin perfectes: l'objectiu és detectar els coneixements previs i les idees preconcebudes que tens sobre la IA. Revisarem les respostes al final del mòdul.

Bloc A — Fonaments i història

  1. Quan creus que es va encunyar per primera vegada el terme "intel·ligència artificial"? Qui ho va fer i en quin context?

  2. Quina diferència hi ha entre la IA forta (AGI) i la IA feble (Narrow AI)? Posa un exemple de cadascuna.

  3. Explica amb les teves paraules en què consisteix el Test de Turing. Creus que superar-lo és suficient per demostrar que una màquina és "intel·ligent"?

  4. Quins dels tres paradigmes principals de la IA — simbòlic, connexionista i evolucionari — et sembla més prometedor? Per què?

  5. Esmenta tres aplicacions d'IA que hagis usat personalment en els darrers 7 dies.

Bloc B — Models i aprenentatge automàtic

  1. Quina és la diferència entre aprenentatge supervisat i no supervisat? Posa un exemple pràctic de cada tipus.

  2. Què enteneu per "model d'IA"? Quin és el paper de les dades en la creació d'un model?

  3. Explica de forma senzilla com funciona una xarxa neuronal artificial. Quina relació té amb el cervell humà?

  4. Què és el "sobreajustament" (overfitting) en un model de Machine Learning? Per què és un problema?

  5. Quina diferència hi ha entre RPA (Robotic Process Automation) i la IA? Poden complementar-se?

Bloc C — Processament del Llenguatge Natural

  1. Com creus que un model com ChatGPT "entén" el text que li escrius? Descriu el procés tal com te l'imagines.

  2. Què és un "token" en el context dels LLMs (Large Language Models)? Per què és important per al cost i el rendiment?

  3. Has notat alguna vegada que un model d'IA "al·lucina" (genera informació falsa amb seguretat)? Descriu l'experiència.

  4. Quina creus que és la diferència principal entre GPT-4o d'OpenAI i LLaMA 3.1 de Meta? (Pista: model obert vs. propietari)

  5. Per a quines tasques professionals creus que el PLN té més potencial als propers 5 anys?

Bloc D — Robòtica, sistemes experts i ètica

  1. Quina diferència hi ha entre un robot industrial tradicional i un cobot (robot col·laboratiu)? On s'usa cada un?

  2. Quan va ser l'última vegada que has interactuat amb un sistema expert? (Pensa en sistemes de diagnòstic, recomanació, configuradors de productes, etc.)

  3. L'AI Act de la UE classifica els sistemes d'IA per nivells de risc. Quins nivells creus que existeixen? Posa un exemple de sistema d'alt risc.

  4. Has sentit a parlar del "biaix algorítmic"? Descriu un cas real (o imaginat) en el qual un sistema d'IA podria discriminar un col·lectiu.

  5. Creus que la IA suposarà la destrucció neta de llocs de treball o la creació de nous perfils professionals? Argumenta la teva resposta amb dades si pots.

Programació d'aula

Consulta la Programació d'aula del mòdul 5071 per veure la distribució detallada de les 22 sessions (66 hores), activitats i CAs treballats a cada sessió.

Panorama de la IA

La dècada de la IA

Estem vivint un moment singular en la història de la tecnologia. Després de dècades de promeses i "hiverns de la IA", la darrera onada d'avenços en aprenentatge profund (deep learning) ha desencadenat una transformació tecnològica sense precedents. L'any 2025, la intel·ligència artificial ja no és una tecnologia emergent: és infraestructura.

Alguns fets que il·lustren la magnitud d'aquest canvi:

  • ChatGPT va assolir 100 milions d'usuaris en menys de 2 mesos des del seu llançament (novembre 2022), el creixement més ràpid de qualsevol aplicació de la història.
  • GitHub Copilot, l'assistent de programació d'IA de Microsoft, és usat per més de 1,8 milions de programadors i genera fins al 46% del codi en alguns projectes.
  • AlphaFold 3 de DeepMind ha resolt el problema del plegament de proteïnes, un repte obert de la biologia des de fa 50 anys, i ha accelerat la recerca de fàrmacs en anys.
  • Midjourney, DALL-E 3 i Stable Diffusion han canviat per sempre el camp del disseny gràfic, la il·lustració i la publicitat.
  • El mercat global de la IA es valorava en $279 mil milions el 2024 i es preveu que arribi a $1,8 bilions el 2030 (Goldman Sachs, 2024).

Principals models d'IA el 2026

Models propietaris (API de pagament):
├── OpenAI: GPT-4o, o3, o4-mini, GPT-4.1
├── Anthropic: Claude Opus 4.5, Claude Sonnet 4.5, Claude Haiku 4.5
├── Google DeepMind: Gemini 2.5 Pro, Gemini 2.5 Flash, Gemini 2.0 Flash
└── Microsoft: Copilot (basat en GPT-4o / o3)

Models oberts (pesos descarregables):
├── Meta: LLaMA 4 Scout (109B MoE), LLaMA 4 Maverick (400B MoE)
├── Mistral AI: Mistral Large 3, Mistral Small 3.1, Codestral 2025
├── Microsoft Research: Phi-4, Phi-4-mini
├── Google: Gemma 3 (1B, 4B, 12B, 27B)
├── Alibaba: Qwen 3 (0.6B fins 235B MoE)
└── DeepSeek: DeepSeek-R1, DeepSeek-V3 (raonament open-source)

Models especialitzats:
├── Codi: Codestral 2025, DeepSeek-Coder-V3, GitHub Copilot (GPT-4.1)
├── Imatge: Stable Diffusion 3.5, DALL-E 3, Midjourney v7, Flux 1.1 Pro
├── Àudio/veu: Whisper v3 Turbo, ElevenLabs v3, Sesame CSM
└── Vídeo: Sora 2 (OpenAI), Runway Gen-4, Kling 2.0, Google Veo 3

Tendències clau el 2026

  • Raonament avançat: els models o3/o4 d'OpenAI i DeepSeek-R1 incorporen "chain-of-thought" intern per resoldre problemes complexos de matemàtiques i codi.
  • Multimodalitat nativa: Gemini 2.5 Pro i GPT-4o processen text, imatge, àudio i vídeo en un únic model.
  • Models oberts competitius: LLaMA 4 i Qwen 3 igualen o superen models propietaris anteriors en molts benchmarks.
  • Eficiència extrema: models MoE (Mixture of Experts) com LLaMA 4 Scout activen només una fracció dels paràmetres per inferència, reduint costos.

Paradigmes de la IA

La IA no és una sola tecnologia sinó un conjunt de paradigmes que s'han desenvolupat en paral·lel i que sovint es combinen:

IA Simbòlica (Good Old-Fashioned AI — GOFAI) El paradigma original, basat en la manipulació de símbols i regles lògiques. El coneixement es representa explícitament. Exemples: sistemes experts, lògica de primer ordre, planificadors STRIPS. Punt fort: explicabilitat i raonament formal. Punt feble: no escala bé amb dades reals complexes.

IA Connexionista Inspirada en les xarxes neuronals biològiques. El coneixement emergeix de patrons estadístics en les dades. Exemples: xarxes neuronals artificials, deep learning, transformers. Punt fort: escala molt bé, excel·lent en percepció (visió, veu, text). Punt feble: caixa negra, necessita moltes dades, fràgil davant distribucions desconegudes.

IA Evolucionària Basada en mecanismes d'evolució biològica: selecció, reproducció, mutació. Exemples: algorismes genètics, evolució diferencial, neuroevolució (NEAT). Punt fort: optimització en espais de cerca molt grans. Punt feble: computacionalment costosa, difícil de controlar.

IA Híbrida (Neuro-simbòlica) Combina els avantatges dels paradigmes anteriors. Exemples: AlphaGo (MCTS + xarxa neuronal), sistemes RAG (LLM + recuperació), sistemes experts millorats amb LLMs. Punt fort: raonament + capacitat de generalitzar. Punt feble: complexitat arquitectònica.

graph TD
    IA[Intel-ligencia Artificial] --> SIM[Simbolica]
    IA --> CON[Connexionista]
    IA --> EVO[Evolucionaria]
    IA --> HIB[Hibrida Neuro-simbolica]

    SIM --> SE[Sistemes Experts]
    SIM --> LOG[Logica i Planificacio]

    CON --> DL[Deep Learning]
    CON --> LLM[Large Language Models]
    CON --> CV[Visio per Computador]

    EVO --> AG[Algorismes Genetics]
    EVO --> NEU[Neuroevolucio]

    HIB --> RAG[RAG - Retrieval Augmented Generation]
    HIB --> ALPHA[AlphaGo i AlphaZero]
    HIB --> KGE[Knowledge Graph Enhanced LLM]

Aplicacions actuals: casos reals

La IA s'ha desplegat de forma massiva en gairebé tots els sectors. Alguns exemples representatius:

Salut i medicina - DeepMind AlphaFold 3 (2024): predicció de l'estructura de proteïnes i interaccions moleculars. Ha permès identificar nous candidats a fàrmacs per al càncer i malalties neurodegeneratives. - Google Med-PaLM 2: LLM especialitzat en medicina que supera el nivell d'aprovació de l'examen MIR (USMLE). S'usa en hospitals de EUA per a assistència al diagnòstic. - NVIDIA Clara: plataforma d'IA per a imatges mèdiques (TC, RM) que detecta tumors, hemorràgies i altres patologies.

Indústria i manufactura - BMW i KUKA: robots col·laboratius que treballen al costat d'humans en línies de muntatge d'automòbils, ajustant la força i la velocitat en temps real. - Siemens Industrial Edge AI: visió artificial que detecta defectes de fabricació en temps real a velocitats impossibles per a l'ull humà. - Tesla Optimus: robot humanoide presentat el 2024, capaç de manipular objectes i realitzar tasques de magatzem a les fàbriques de Tesla.

Finances - JPMorgan Chase COiN: sistema d'IA que analitza contractes financers en segons, una feina que als advocats els portava 360.000 hores a l'any. - Mastercard Decision Intelligence Pro: detecta frau en transaccions analitzant fins a 125 milions de targetes i identificant patrons en mil·lisegons.

Educació - Khan Academy Khanmigo: tutor d'IA personalitzat basat en GPT-4 que guia els estudiants pas a pas sense donar-los les respostes directament. - Duolingo Max: usa GPT-4 per a converses reals en l'idioma que aprens i explicar els errors gramaticals.

Transport i logística - Waymo (Google): taxis autònoms operatius a Phoenix, San Francisco i Los Angeles sense conductor humà. - Amazon Robotics: més de 750.000 robots a les seves instal·lacions de logística, coordinats per IA per optimitzar les rutes de picking.

Miniactivitat AC5071/01 — Mapa d'impacte de la IA

En grups de 3 persones, trieu un sector professional (salut, educació, manufactura, finances, transport, entreteniment o un de la vostra elecció). Investigueu dos o tres casos reals on la IA estigui millorant l'eficiència operativa en aquell sector. Prepareu una presentació de 5 minuts per a la classe amb:

  • Nom de l'empresa i la solució d'IA
  • Problema que resolia abans de la IA
  • Com funciona la solució (a grans trets)
  • Impacte mesurable (percentatge de millora, estalvi de temps/diners, etc.)
  • Un risc o limitació de la solució

L'impacte en el mercat laboral

Un dels debats més actius el 2025 és l'impacte de la IA en l'ocupació. Les dades apunten a una transformació profunda però no necessàriament a una destrucció massiva neta:

  • McKinsey Global Institute (juliol 2023): fins al 30% de les hores treballades als EUA podrien automatitzar-se per a 2030 gràcies a la IA generativa, però es crearan nous rols (especialistes en IA, analistes de dades, auditors algorítmics).
  • World Economic Forum — Future of Jobs Report 2025: la IA crearà 170 milions de nous llocs de treball però n'eliminarà 92 milions, amb un saldo net positiu de +78 milions per a 2030. Els perfils digitals i tecnològics seran els més demandats.
  • Goldman Sachs (març 2023): la IA generativa podria automatitzar fins a una quarta part (≈25%) de la feina actual als EUA i Europa, equivalent a 300 milions de llocs de treball a temps complet a escala global.

Els perfils professionals més valorats en IA el 2025 inclouen:

Perfil Rol principal Demanda
ML Engineer Disseny i desplegament de models Molt alta
Data Scientist Anàlisi, modelatge, interpretació Alta
AI Product Manager Estratègia i gestió de productes IA Alta
Prompt Engineer Optimització de prompts per a LLMs Moderada
AI Ethics Officer Auditoria i governança de sistemes IA Creixent
MLOps Engineer Infraestructura i manteniment de models Alta
AI Linguist Anotació, avaluació i millora de models NLP Moderada

Exercici pràctic del mòdul

AC5071/01 — Informe "L'estat de la IA en l'actualitat"

Elabora un informe individual de 800-1000 paraules que respongui les següents preguntes, usant com a mínim 3 fonts acadèmiques o professionals recents (últims dos anys):

  1. Quins han estat els 3 avenços en IA més significatius del darrer any? Per què els has triat?
  2. Quins sectors de l'economia catalana es veuran més afectats per la IA en els propers 5 anys?
  3. Quines habilitats creus que necessitaràs com a professional IABD per mantenir-te rellevant?
  4. Identifica un risc ètic o legal concret relacionat amb algun dels avenços que has descrit.

Format d'entrega: document PDF a l'aula virtual, nom del fitxer informe_ia_actualitat_nom_cognom.pdf.

Fonts recomanades