Programació d'aula — Mòdul 5071
La distribució de les 22 sessions de 3 hores (= 66 hores) és la següent:
| Sessió | Continguts principals | Activitats | CAs Treballats |
|---|---|---|---|
| 1 | Presentació del mòdul i del curs IABD. Panorama de la IA a l'actualitat. | Questionari inicial (AC5071/01). Exploració guiada: ChatGPT, Midjourney, Copilot | CA1.1, CA1.2 |
| 2 | Història de la IA: Turing, McCarthy, hiverns, deep learning. Paradigmes IA. | Línia del temps col·laborativa (Miro). Debat: IA forta vs. feble | CA1.1, CA1.3 |
| 3 | Agents intel·ligents: arquitectura PEAS. Tipus d'entorns. | Classificació d'agents reals en grups. Mini-quiz Kahoot | CA1.1, CA1.3 |
| 4 | Aplicació de la IA per sectors. Casos d'eficiència operativa (Amazon, Tesla, DeepMind). | Recerca per sectors i presentació en 5 min per grup | CA1.2, CA1.4 |
| 5 | Models d'automatització: RPA i IPA. Ferramentes: UiPath, Power Automate. | Demo UiPath Community. AC5072 | CA2.3, CA1.4 |
| 6 | Taxonomia de models d'IA. Requisits d'un sistema de resolució de problemes. | Joc de classificació de models. Criteris de selecció | CA2.1, CA2.2 |
| 7 | Raonament imprecís i lògica difusa. Conjunts difusos, variables lingüístiques. | Implementació d'un sistema difús senzill (scikit-fuzzy) | CA2.4 |
| 8 | Sistemes basats en regles: CLIPS i Drools. Encadenament cap endavant i cap enrere. | Demo CLIPS interactiu. Disseny de 10 regles per a un domini concret | CA2.5 |
| 9 | Selecció i avaluació de models: adequació al problema. | Estudi de casos: quin model usar? Debat grupal | CA2.6 |
| 10 | PLN — Evolució: Bag of Words, Word2Vec, BERT. Tokenització i embeddings. | Explorar Tokenizer d'OpenAI. Visualitzar embeddings amb t-SNE | CA3.1, CA3.6 |
| 11 | Arquitectura Transformer: atenció i self-attention. Models actuals: GPT-4o, Claude, Gemini. | Exercici: comparar respostes de 3 LLMs al mateix prompt | CA3.1, CA3.3 |
| 12 | Tasques NLP: NER, classificació, traducció, Q&A, RAG. Pipeline Hugging Face. | Implementació pipeline de sentiment en Python (AC5073) | CA3.4, CA3.7 |
| 13 | Limitacions del PLN: al·lucinació, biaixos, cost. Rol del lingüista. | Detectar al·lucinacions en GPT. Debat: qui avalua la qualitat? | CA3.2, CA3.3, CA3.5 |
| 14 | Pràctica PR5071/01: Chatbot en català amb Rasa i Docker. Parts 1-3. | Instal·lació Rasa, creació d'intents en català | CA3.7 |
| 15 | Pràctica PR5071/01: Chatbot en català. Parts 4-6. | Entrenament, prova i presentació del chatbot | CA3.7 |
| 16 | Robòtica: tipus de robots. Cinemàtica directa i inversa. ROS 2. | Vídeos Boston Dynamics Spot, Tesla Optimus. Demo Webots | CA4.1, CA4.2 |
| 17 | Visió artificial amb IA: YOLO v8/v9. Detecció i segmentació. | Demo YOLO sobre imatges pròpies. Discussió: cobots a la indústria | CA4.3, CA4.4 |
| 18 | Sistemes experts: arquitectura clàssica. Xarxes bayesianes. Knowledge graphs. | Disseny d'un sistema expert senzill en paper | CA5.1, CA5.2 |
| 19 | Pràctica PR5071/02: Sistema expert en Python. Parts 1-3. | Implementació base de coneixement i motor d'inferència | CA5.3, CA5.4, CA5.5 |
| 20 | Pràctica PR5071/02: Sistema expert en Python. Parts 4-5. Comparativa ML vs. SE vs. LLM. | Finalització i documentació. Debat comparatiu | CA5.1, CA5.5 |
| 21 | Ètica i legalitat: AI Act UE. Biaixos algorítmics. Privadesa (RGPD). Security by design. | Anàlisi de casos COMPAS i Amazon. Cerca de biaixos de gènere | CA6.1, CA6.2, CA6.3, CA6.4, CA6.5, CA6.6 |
| 22 | Sostenibilitat de la IA. AGI i riscos existencials. Repàs global del mòdul. Revisió del questionari inicial. | Debat final. Entrega de totes les activitats i pràctiques | CA6.1, CA6.6 |