5073 — Programació d'Intel·ligència Artificial

Proposta didàctica

El mòdul 5073 - Programació d'Intel·ligència Artificial és el nucli tècnic del Curs d'Especialització en Intel·ligència Artificial i Big Data. Amb 165 hores lectives (el mòdul més extens del curs), cobreix des de la selecció del llenguatge de programació adequat fins al desplegament d'agents d'IA autònoms en producció.

El 2025, la programació d'IA ha evolucionat radicalment. Ja no es tracta únicament d'implementar xarxes neuronals des de zero: els professionals treballen amb models de llenguatge grans preentrenats (LLMs) via API, orquestren agents autònoms amb LangChain i LangGraph, construeixen pipelines de RAG (Retrieval-Augmented Generation) i desplacen tot plegat en contenidors Docker. Aquesta és la realitat professional que el mòdul prepara per afrontar.

L'enfocament és eminentment pràctic: cada bloc teòric va acompanyat d'exemples de codi funcional, pràctiques Docker i casos d'ús reals del sector. L'alumnat que superi aquest mòdul serà capaç de construir, desplegar i mantenir aplicacions d'IA reals.

Resultats d'Aprenentatge i Criteris d'Avaluació

RA1 — Caracteritza llenguatges de programació valorant-ne la idoneïtat per a la IA

CA1.1 — Identifica l'estructura d'un programa informàtic.

CA1.2 — Valora les característiques dels llenguatges de programació adequades al tipus d'aplicació.

CA1.3 — Determina el llenguatge de programació més apropiat per a cada aplicació.

CA1.4 — Valora les característiques dels llenguatges de programació per a IA.

CA1.5 — Determina el llenguatge de programació més apropiat per a IA.

CA1.6 — Caracteritza els llenguatges de marcatge.

RA2 — Desenvolupa aplicacions d'IA utilitzant entorns de modelatge

CA2.1 — Avalua plataformes d'IA (OpenAI, Anthropic, Google AI, AWS Bedrock, Ollama...).

CA2.2 — Caracteritza entorns de model d'aplicacions d'IA.

CA2.3 — Defineix el model a implementar segons el problema.

CA2.4 — Implementa l'aplicació d'IA.

CA2.5 — Avalua els resultats obtinguts.

RA3 — Avalua les millores als negocis integrant convergència tecnològica

CA3.1 — Identifica els avantatges d'unificar processos, serveis, eines i sectors.

CA3.2 — Identifica els sistemes que faciliten la connexió tecnològica.

CA3.3 — Avalua les característiques dels sistemes de convergència.

CA3.4 — Avalua com la convergència tecnològica aporta seguretat.

CA3.5 — Avalua la millora en la presa de decisions estratègiques.

RA4 — Avalua models d'automatització industrial i de negoci

CA4.1 — Identifica noves estratègies corporatives i models de negoci impulsats per IA.

CA4.2 — Defineix la relació entre empreses i clients en el context de l'IA.

CA4.3 — Avalua models d'automatització per als nous requeriments.

CA4.4 — Avalua la conveniència de cada model per aconseguir els resultats esperats.

Continguts de referència

Python per a IA: ecosistema, entorns virtuals, biblioteques essencials (NumPy, Pandas, scikit-learn, PyTorch, Hugging Face, LangChain)
Plataformes i frameworks d'IA: APIs comercials (OpenAI, Anthropic, Google, AWS), models locals (Ollama), MLOps (MLflow, W&B)
LLMs i IA generativa: arquitectura Transformer, prompt engineering, RAG, fine-tuning, agents autònoms
Convergència tecnològica: IoT + IA, Edge AI, Cloud + IA, 5G, Realitat Augmentada + IA
Automatització industrial i de negoci: RPA, IPA, copilots empresarials, nous models de negoci

Questionari inicial

Questionari inicial — Coneixements previs

Respon aquestes preguntes per activar els coneixements previs. No cal que siguin respostes perfectes; serveixen per identificar el punt de partida.

Quin és el llenguatge de programació més utilitzat en l'àmbit de la Intel·ligència Artificial el 2025? Per quin motiu creus que domina?
Què és un entorn virtual de Python (venv o conda) i per a què serveix en un projecte d'IA?
Has sentit parlar de Docker? Descriu breument per a què serveix i si l'has fet servir alguna vegada.
Què és NumPy i quina diferència hi ha entre una llista de Python i un array de NumPy?
Explica amb les teves paraules que és un Model de Llenguatge Gran (LLM). Posa'n un exemple.
Quina diferència hi ha entre GPT-4o, Claude 3.5 Sonnet i LLaMA 3.1? Saps per quin motiu un pot ser preferible a l'altre?
Que és una API? Has consumit alguna API REST en Python? Descriu l'experiència.
Que significa "fine-tuning" d'un model d'IA? Quan té sentit fer-ho?
Que és RAG (Retrieval-Augmented Generation)? Com creus que millora les respostes d'un LLM?
Has sentit parlar de LangChain o LangGraph? Descriu el que saps d'aquestes biblioteques.
Que és un agent d'IA? En quin aspecte difereix d'un simple chatbot?
Que és una "alucinació" en el context dels LLMs? Per que es produeix?
Explica que entens per "convergència tecnològica" entre IA i IoT. Posa un exemple concret.
Que és RPA (Robotic Process Automation)? Quina diferència hi ha entre RPA clàssic i IPA?
Coneixes eines de "low-code automation" com n8n, Zapier o Make? Per a que serveixen?
Que és Microsoft 365 Copilot? Com crees que canviarà la manera de treballar a les oficines?
Que significa "Edge AI"? Posa un exemple de dispositiu on s'executa IA sense connexió al núvol.
Que és MLOps? Creus que és important per a un enginyer d'IA en producció? Per que?
Que entens per "prompt engineering"? Creus que es una habilitat important el 2025?
Si haguessis de construir una aplicació que respon preguntes sobre els documents de la teva empresa, com ho faries? Quines eines o tècniques faries servir?

Programació d'aula — 165 hores (55 sessions de 3h)

La distribució horària per Resultats d'Aprenentatge és: RA1=15h (5 sessions), RA2=60h (20 sessions), RA3=45h (15 sessions), RA4=45h (15 sessions).

RA1 — Python i Llenguatges per a IA (15h / 5 sessions)

Sessió	Continguts	Activitats	CAs Treballats
1	Introducció al mòdul. Panorama 2025: Python, Rust, Julia. Ecosistema Python IA.	AC5073/01: Instal·lació entorn Python + Docker. Exploració de biblioteques.	CA1.1, CA1.2, CA1.4
2	Entorns virtuals (venv, conda, Poetry). Docker per a IA. Jupyter vs scripts vs apps.	AC5073/02: Crear un Dockerfile per a un entorn Python IA.	CA1.3, CA1.5
3	NumPy i Pandas: vectorització, DataFrames, operacions essencials.	AC5073/03: Anàlisi d'un dataset real amb Pandas.	CA1.4, CA1.5
4	Matplotlib, Seaborn, Plotly: visualització de dades per a IA.	AC5073/04: Dashboard de visualització d'un dataset de benchmark de models.	CA1.4, CA1.5
5	Bones pràctiques Python: tipus hints, Pydantic, logging, testing amb pytest. Profiling.	AC5073/05: Refactoritzar codi Python amb type hints i tests.	CA1.2, CA1.6

RA2 — Plataformes, LLMs i Aplicacions d'IA (60h / 20 sessions)

Sessió	Continguts	Activitats	CAs Treballats
6	scikit-learn: pipeline complet. Preprocessament, entrenament, avaluació.	AC5073/06: Pipeline ML amb scikit-learn i Docker.	CA2.1, CA2.3
7	PyTorch: tensors, autograd, xarxa neuronal bàsica.	AC5073/07: Classificador MNIST amb PyTorch.	CA2.2, CA2.4
8	Hugging Face: transformers, pipeline, model hub, datasets.	AC5073/08: Inferència de sentiment amb Hugging Face pipeline.	CA2.1, CA2.2
9	OpenAI API: GPT-4o, embeddings, tokens i costos. Function calling.	AC5073/09: Chatbot amb OpenAI API i gestió de costos.	CA2.1, CA2.3
10	Anthropic API: Claude 3.5 Sonnet i Claude 3 Haiku. Comparativa amb OpenAI.	AC5073/10: Aplicació d'anàlisi de text amb Claude.	CA2.1, CA2.3
11	Google AI: Gemini 1.5 Pro/Flash. AWS Bedrock. Azure AI Foundry. Mistral AI.	AC5073/11: Comparativa de costos i capacitats entre plataformes.	CA2.1, CA2.5
12	Ollama: instal·lació, models locals (LLaMA 3.1, Mistral, Phi-3, Gemma 2).	AC5073/12: Desplegar LLaMA 3.1 amb Ollama en Docker local.	CA2.1, CA2.4
13	Arquitectura Transformer. Mecanisme d'atenció. Tokenització: BPE, WordPiece.	AC5073/13: Explorar la tokenització amb tiktoken i sentencepiece.	CA2.2, CA2.3
14	Prompt Engineering: zero-shot, few-shot, chain-of-thought, ReAct.	AC5073/14: Experiments de prompting amb mesura de qualitat.	CA2.3, CA2.5
15	Structured outputs: JSON mode, function calling, tool use.	AC5073/15: Agent que retorna JSON estructurat per a un cas d'ús empresarial.	CA2.3, CA2.4
16	RAG (1): arquitectura, chunking, embeddings, vector stores (Chroma, FAISS).	AC5073/16: Crear un vector store amb documents propis i Chroma.	CA2.3, CA2.4
17	RAG (2): retrieval, reranking, HyDE, query expansion. Avaluació de RAG.	AC5073/17: Sistema RAG complet amb LangChain + Ollama.	CA2.4, CA2.5
18	LangChain: chains, memory, retrieval. LCEL (LangChain Expression Language).	AC5073/18: Cadena RAG amb LangChain LCEL.	CA2.2, CA2.4
19	LangGraph: agents amb state machines. Nodes, edges, estat.	AC5073/19: Agent amb LangGraph que usa tools.	CA2.2, CA2.4
20	Fine-tuning: quan, LoRA, QLoRA, PEFT. Eines: Axolotl, Unsloth.	AC5073/20: Demo de fine-tuning amb LoRA en Colab (o Docker GPU).	CA2.3, CA2.4
21	Models multimodals: GPT-4o vision, Gemini 1.5, LLaVA. Whisper (audio).	AC5073/21: App d'anàlisi d'imatges amb GPT-4o vision.	CA2.2, CA2.4
22	FastAPI: disseny d'APIs REST per a IA. Swagger, Pydantic schemas.	AC5073/22: API REST que exposa un LLM amb FastAPI.	CA2.4, CA2.5
23	Desplegament Docker: Dockerfile, docker-compose, variables d'entorn per a claus API.	PR5075/01: Pràctica LangChain amb Docker (inici).	CA2.4, CA2.5
24	Continuació PR5075/01: testing, monitoratge, healthcheck. Presentació resultats.	PR5075/01: Lliurament i presentació pràctica LangChain.	CA2.4, CA2.5
25	PR5074/01: Pràctica API IA en producció. Disseny, implementació i tests.	PR5074/01: Pràctica API IA (inici).	CA2.4, CA2.5

RA3 — Convergència Tecnològica (45h / 15 sessions)

Sessió	Continguts	Activitats	CAs Treballats
26	Introducció convergència tecnològica. IoT + IA: arquitectura i casos d'ús.	AC5073/23: Mapa conceptual de convergència IoT + IA.	CA3.1, CA3.2
27	Edge AI: TensorFlow Lite, ONNX, Intel OpenVINO. NVIDIA Jetson.	AC5073/24: Exportar model a ONNX i executar inferència local.	CA3.2, CA3.3
28	Cloud + IA: serverless ML. AWS Lambda + SageMaker. Cloud Run + Vertex AI.	AC5073/25: Desplegament serverless d'un model de classificació.	CA3.2, CA3.3
29	5G i 6G + IA: latència baixa per a inferència en temps real. Aplicacions crítiques.	AC5073/26: Anàlisi de casos d'ús 5G + IA en manufactura i salut.	CA3.2, CA3.3
30	Blockchain + IA: federated learning, verificació de dades, provenantica.	AC5073/27: Debat sobre privacitat en federated learning.	CA3.3, CA3.4
31	Realitat Augmentada + IA: Apple Vision Pro, Meta Quest. Aplicacions industrials.	AC5073/031: Demo de RA + IA per a manteniment industrial.	CA3.2, CA3.3
32	Smart Manufacturing: IA per a predictive maintenance, quality control.	AC5073/032: Cas d'estudi: IA a la planta de producció de SEAT.	CA3.1, CA3.5
33	Smart Cities: IA per a gestio del transit, energia, seguretat.	AC5073/033: Analisi d'un pla de smart city (Barcelona, Singapore).	CA3.1, CA3.5
34	Connected Health: IA per a diagnostic, monitoratge de pacients, drug discovery.	AC5073/034: Cas d'us IA a l'Hospital Clinic de Barcelona.	CA3.1, CA3.5
35	Seguretat en la convergencia: superficie d'atac ampliada, zero trust per a sistemes IA.	AC5073/035: Analisi de vulnerabilitats en un sistema IoT + IA.	CA3.4, CA3.5
36	Atacs a models IA: adversarial examples, model poisoning, prompt injection.	AC5073/036: Demo de prompt injection i mesures de mitigacio.	CA3.4
37	Data-driven decisions: BI + ML. Dashboards en temps real.	AC5073/037: Dashboard BI + ML amb dades reals.	CA3.5
38	Regulació i etica de la convergencia: EU AI Act, GDPR, ISO 42001.	AC5073/038: Analisi de conformitat EU AI Act per a un cas d'us.	CA3.4, CA3.5
39	MLOps: MLflow, Weights and Biases, DVC. CI/CD per a models IA.	AC5073/039: Experiment tracking amb MLflow en Docker.	CA3.2, CA3.3
40	Sintesi RA3: casos practics reals, presentacio de treballs.	Presentacio AC5073/032/AC5073/034.	CA3.1, CA3.5

RA4 — Automatització Industrial i de Negoci (45h / 15 sessions)

Sessió	Continguts	Activitats	CAs Treballats
41	Introducció automatitzacio. RPA classica: UiPath, Automation Anywhere, Blue Prism.	AC5073/041: Analisi comparativa d'eines RPA.	CA4.1, CA4.3
42	IPA (Intelligent Process Automation) = RPA + IA. Casos d'us empresarials.	AC5073/042: Disseny d'un flux IPA per a un proces de facturacio.	CA4.3, CA4.4
43	n8n: automatitzacio low-code amb IA. Instal·lacio Docker, exemples practics.	AC5073/043: Automatitzar un flux de treball amb n8n i una API d'IA.	CA4.3, CA4.4
44	Zapier i Make: integracio de serveis SaaS amb IA. Casos d'us de marketing.	AC5073/044: Crear un flux Make que analitza tweets amb un LLM.	CA4.3, CA4.4
45	Copilots empresarials: Microsoft 365 Copilot, GitHub Copilot, Salesforce Einstein.	AC5073/045: Demo i analisi critic de Microsoft 365 Copilot.	CA4.1, CA4.2
46	GitHub Copilot en profunditat: code completion, chat, CLI, extensions.	AC5073/046: Mesura de productivitat amb i sense Copilot (benchmark).	CA4.3, CA4.4
47	Predictive Maintenance: IA per a manteniment industrial. Sensors, anomalia.	AC5073/047: Model de predictive maintenance amb scikit-learn.	CA4.3, CA4.4
48	Quality Control automatitzat: visio per computador per a defectes de fabricacio.	AC5073/048: Classificador d'imatges per a quality control (PyTorch).	CA4.3, CA4.4
49	Nous models de negoci: SaaS vs AaaS (AI as a Service). API-first companies.	AC5073/049: Analisi de model de negoci d'una empresa AI-native.	CA4.1, CA4.2
50	Estrategies corporatives 2025: IA com a commoditat, diferenciacio via dades.	AC5073/050: Analisi DAFO d'una empresa davant la disrupcio de la IA.	CA4.1, CA4.2
51	Gestio del canvi: adopcio de IA a les empreses, resistencies, formacio.	AC5073/051: Pla d'adopcio de IA per a una PYME catalana.	CA4.2, CA4.4
52	LLMs per a automatitzacio de workflows: agents que executen tasques.	AC5073/052: Agent LangGraph que automatitza un proces empresarial.	CA4.3, CA4.4
53	Casos d'exit i fracas en automatitzacio amb IA: lessons learned.	AC5073/053: Post-mortem d'un projecte d'IA fracassat (cas real).	CA4.4
54	Sintesi del modul: presentacio de projectes d'automatitzacio.	Presentacio PR5074/01 (API IA en produccio).	CA4.3, CA4.4
55	Revisio final i preparacio de la prova escrita del modul 5073.	Repas de tots els RA i CAs. Preguntes de revisio.	CA1 a CA4

Panorama 2025: Python com a lingua franca de la IA

Per que Python domina la IA?

El 2025, Python no es simplement popular a la comunitat d'IA: es omnipresent. Mes del 90% dels repositoris de GitHub relacionats amb Machine Learning i IA usen Python com a llengua principal. Pero per que?

La resposta no esta en les caracteristiques tecniques del llenguatge en si —de fet, Python es lent per a calcul intensiu i el seu Global Interpreter Lock (GIL) limita el paral·lelisme real. La clau esta en l'ecosistema acumulat durant dues decades:

NumPy (2005) va establir la manera estandard de fer calcul numeric eficient en Python, delegant les operacions reals a codi C/Fortran optimitzat.
scikit-learn (2007) va democratitzar el Machine Learning amb una API consistent i documentacio exemplar.
TensorFlow (2015) i despres PyTorch (2016) van convertir Python en la plataforma de referencia per a deep learning.
Jupyter Notebooks van facilitar la ciencia de dades exploratoria, permetent barrejar codi, visualitzacions i text.
Hugging Face (2018+) va centralitzar milers de models preentrenats accessibles amb poques linies de Python.
LangChain (2022+) i LangGraph (2023+) van crear el marc dominant per a aplicacions basades en LLMs.

Cada nova eina que apareix al mercat de la IA (quasi sempre) ofereix una SDK de Python en primer lloc. Canviar ara seria incomprensiblement costós.

L'ecosistema actual: mapa de biblioteques

graph TD
    PY["Python 3.11/3.12"] --> CORE["Nucli Cientific"]
    PY --> DL["Deep Learning"]
    PY --> LLM["LLMs i Agents"]
    PY --> MLOPS["MLOps"]
    PY --> DEPLOY["Desplegament"]

    CORE --> NP["NumPy 2.x"]
    CORE --> PD["Pandas 2.x"]
    CORE --> SKL["scikit-learn 1.5"]
    CORE --> MPL["Matplotlib / Seaborn"]

    DL --> PT["PyTorch 2.x"]
    DL --> HF["Hugging Face Transformers"]
    DL --> TF["TensorFlow/Keras 2.16"]

    LLM --> LC["LangChain 0.3"]
    LLM --> LG["LangGraph 0.2"]
    LLM --> LI["LlamaIndex"]
    LLM --> CA["CrewAI"]

    MLOPS --> MF["MLflow"]
    MLOPS --> WB["Weights and Biases"]
    MLOPS --> DVC["DVC"]

    DEPLOY --> FA["FastAPI"]
    DEPLOY --> DK["Docker"]
    DEPLOY --> RS["Ray Serve"]

Alternatives a Python: quan te sentit?

Tot i la dominancia de Python, hi ha escenaris on d'altres llenguatges son superiors:

Rust esta guanyant terreny per a components critics de rendiment: el motor d'inferencia candle de Hugging Face esta escrit en Rust, igual que parts de Pola rs (alternativa a Pandas ultrarapida). Quan necessitem rendiment maxim sense sacrificar seguretat de memoria, Rust es l'opcio.

Julia es dissenyat especificament per a computacio cientifica d'alt rendiment. Combina la facilitat de Python amb la velocitat de C. El seu ecosistema es inferior al de Python, pero per a certs problemes numerics (simulacions, calcul diferencial) pot ser 10-100x mes rapid.

C++ continua sent la base sobre la que s'assenta tot: PyTorch, TensorFlow i la majoria d'eines d'IA estan implementades en C++ per als kernels de calcul, usant Python com a interficie d'usuari.

JavaScript/TypeScript: amb TensorFlow.js i ONNX Runtime Web, es possible executar inferencia al navegador. Cada cop hi ha mes frameworks d'agents per a Node.js (Langchain.js).

Consell professional

Per a la majoria d'aplicacions d'IA del 2025, Python es l'eleccio correcta. Pero un professional complet sap quan sortir de Python: usa Rust per a eines de CLI rapides, escriu els endpoints d'API amb FastAPI (Python) pero optimitza els kernels critics en C++, i considera Julia si treballes en investigacio numerica intensiva.

L'era dels LLMs: la nova programacio d'IA

Fins al 2020, "programar IA" significava principalment entrenar models des de zero o fer fine-tuning. El 2025, la realitat es molt diferent:

graph LR
    ANT["Abans del 2020"] --> T1["Entrenar models propis"]
    ANT --> T2["Dataset enorme necessari"]
    ANT --> T3["GPU cara i mesos d'entrenament"]

    ACT["Actualitat 2025"] --> T4["Usar LLMs via API"]
    ACT --> T5["RAG per a coneixement especific"]
    ACT --> T6["Agents per a tasques complexes"]
    ACT --> T7["Fine-tuning selectiu i economi c"]

La gran majoria de projectes d'IA en produccio el 2025 no entrenen cap model: consumeixen models preentrenats (OpenAI, Anthropic, Google) o models open-source via Ollama, i afegeixen valor a traves de:

Prompt engineering: disseny acurat de les instruccions
RAG: connectar el model amb fonts de coneixement propietaries
Agents: donar al model la capacitat d'usar eines (cercar a internet, executar codi, llegir bases de dades)
Orquestració: coordinar multiples cridades a LLMs per a tasques complexes

Aixo no significa que entrenar models sigui irrellevant, sino que ha passat a ser una tasca especialitzada per a equips de recerca i empreses amb datasets únics.

Eines i entorns del mòdul

Configuracio recomanada

Per a aquest modul, l'entorn recomanat es Docker per a totes les practiques. Aixo garanteix reproduibilitat i evita problemes de dependencies entre alumnes amb sistemes operatius diferents.

# Verificar que Docker esta instal·lat
docker --version
docker compose version

# Verificar que Python esta disponible localment (per a scripts rapids)
python --version  # Ha de ser 3.11 o superior

# Clonar el repositori de practiques del modul
git clone https://github.com/sapalomera/iabd-5073-practiques
cd iabd-5073-practiques

Comptes i eines externes necessaries

Per a les practiques del modul necessitareu:

Eina	Necessitat	Cost
Docker Desktop	Obligatori	Gratis
Python 3.11+	Obligatori	Gratis
VS Code	Recomanat	Gratis
Compte GitHub	Obligatori	Gratis
OpenAI API	Practiques RA2	~5€ per a tot el modul
Compte Hugging Face	RA2	Gratis
Ollama	Alternativa local	Gratis
Google Colab	Fine-tuning GPU	Gratis (T4 GPU)

Cost de les APIs

Les practiques amb OpenAI API estan dissenyades per consumir el minim de tokens possible. El cost total estimat per a tot el modul es inferior a 5€ si s'usa GPT-4o-mini per a la majoria de proves. S'indica explicitament a cada practica quin model usar per minimitzar costos.

Alternativa sense cost: Ollama

Totes les practiques que usen LLMs tenen una variant amb Ollama (models locals gratuïts). Si el vostre ordinador te 8GB de RAM o mes, podeu fer el modul sense cost d'API usant LLaMA 3.1 8B o Mistral 7B via Ollama.

Estructura de les practiques del modul

PR5075/01 — LangChain amb Docker (RA2)

Construir un assistent RAG en catala sobre documentacio tecnica. L'alumnat desplegara un sistema complet amb Chroma, LangChain i una interficie Gradio o Streamlit.

Durada estimada: 8-10 hores RAM minima: 8 GB Referencia: Practica LangChain

PR5074/01 — API d'IA en Produccio (RA2)

Crear i desplegar una API REST amb FastAPI que exposi un model d'IA, amb tests, logging, healthcheck i documentacio automatica.

Durada estimada: 8-10 hores RAM minima: 4 GB Referencia: Practica API IA

Activitats del modul (AC509x)

Les activitats es codifiquen com AC509x on x es el numero d'activitat. Cada activitat es fa durant la sessio corresponent i s'entrega a Moodle abans de la sessio seguent.

Les activitats son individuals tret que s'indiqui explicitament que son en parella.

Sobre l'us d'IA en les activitats

L'us d'eines com GitHub Copilot, ChatGPT o Claude esta permes i fins i tot fomentat en aquest modul, pero amb una condicio: l'alumnat ha de ser capac d'explicar i defensar tot el codi que entrega. Si en la revisio oral no pots explicar que fa el codi, l'activitat sera qualificada amb 0.

Relacio entre el modul i el sector professional

El modul 5073 prepara per a rols professionals que el 2025 son dels mes demandats al mercat:

Rol Professional	Habilitats del modul que l'habiliten
AI Engineer	Python, LangChain, RAG, APIs, Docker
ML Engineer	scikit-learn, PyTorch, MLOps, desplegament
LLM Developer	Prompt engineering, agents, fine-tuning
AI Product Manager	Plataformes, convergencia, models de negoci
RPA/IPA Developer	Automatitzacio, n8n, copilots empresarials
Data Scientist	Python, NumPy, Pandas, visualitzacio, ML

Segons l'enquesta Stack Overflow Developer Survey 2024, Python es el tercer llenguatge mes usat globalment i el primer entre professionals de dades i IA. El salari mig d'un AI Engineer a Espanya el 2024 era de 55.000-80.000€ anuals, depenent de l'especialitzacio.

Mercat laboral catala i espanyol

A Catalunya, la demanda de professionals d'IA ha crescut un 340% entre 2022 i 2024 (Font: Infojobs Tech 2024). Les empreses mes actives en contractacio d'IA a Catalunya inclouen: Telefonica (IA), CaixaBank (IA financera), Mango (IA per a retail), Grifols (IA medica) i centenars de startups tecnologiques de Barcelona i Girona.