Visualització de Dades per a IA
Introducció
La millor model d'IA del món és inútil si els seus resultats no es poden comunicar. La visualització de dades és la capa que converteix prediccions, mètriques i patrons en informació accionable que els equips directius, els clients i els tècnics poden entendre i sobre la qual poden prendre decisions.
El 2025, un professional d'IA ha de dominar no només la construcció de models, sinó també la seva presentació. Això inclou:
- Dashboards de monitoratge de models en producció (accuracy, drift, latència)
- Informes de resultats de processos automatitzats per IA
- Visualitzacions de les dades usades per entrenar i avaluar models
- KPIs de negoci impulsats per prediccions d'IA
Per què la visualització és part de la programació d'IA
flowchart LR
A[Dades brutes] --> B[Model d'IA]
B --> C[Prediccions / Mètriques]
C --> D{Visualització}
D --> E[Decisió estratègica]
D --> F[Monitoratge tècnic]
D --> G[Informe de negoci]Sense la capa de visualització, el flux s'atura a les "prediccions" i mai arriba a impactar el negoci. La visualització és el pont entre l'IA i l'acció.
El panorama d'eines de BI el 2025
| Eina | Model | Públic objectiu | Punt fort | Preu |
|---|---|---|---|---|
| Power BI | Propietari (Microsoft) | Empreses Microsoft | Integració Office 365, Copilot IA | Gratuit (Desktop) / ~€10/usuari/mes (Service) |
| Metabase | Open source / SaaS | Equips tècnics, startups | Senzillesa, autodesplegament Docker | Gratuit (self-hosted) / ~$500/mes (Cloud) |
| Tableau | Propietari (Salesforce) | Analistes de dades | Potència visual, exploració | ~€75/usuari/mes |
| Grafana | Open source | Equips DevOps/SRE | Mètriques en temps real, sèries temporals | Gratuit (self-hosted) |
| Looker | Propietari (Google) | Empreses Google Cloud | LookML, governança de dades | Empresarial |
| Apache Superset | Open source | Equips tècnics | Alternativa a Tableau, SQL-first | Gratuit (self-hosted) |
Quan usar cada eina
flowchart TD
A{Quin és el context?} --> B[Empresa amb Microsoft 365]
A --> C[Startup o equip tècnic sense llicències]
A --> D[Monitoratge de métriques en temps real]
A --> E[Analítica avançada amb equip d'analistes]
B --> PBI[Power BI\nIntegració nativa amb Excel, Teams, Azure]
C --> MB[Metabase\nDocker gratuït, interfície intuïtiva]
D --> GF[Grafana\nPrometheus, InfluxDB, sèries temporals]
E --> TB[Tableau\nPotència i flexibilitat màxima]Recomanació per a projectes d'IA:
- Monitoratge de model en producció → Grafana (mètriques en temps real)
- Informe de resultats per a direcció → Power BI (si l'empresa usa Microsoft)
- Dashboard intern d'equip de dades → Metabase (ràpid, gratuït, Docker)
- Exploració ad-hoc de dades → Metabase SQL mode o Tableau
Conceptes clau de visualització
KPI (Key Performance Indicator)
Un KPI és una mètrica que mesura el rendiment respecte a un objectiu. Per a un model d'IA:
| Tipus | Exemple de KPI |
|---|---|
| Rendiment del model | Accuracy 94.2% (objectiu ≥90%) |
| Impacte de negoci | Reducció de falsos positius: -38% |
| Operacional | Temps de resposta de la API: 230ms (objectiu <500ms) |
| Econòmic | Estalvi mensual gràcies a la predicció de demanda: €12,400 |
Data Storytelling
La visualització efectiva no és posar dades en un gràfic. És contar una història:
- Context: Quina és la situació de partida?
- Conflicte: Quin problema o oportunitat existeix?
- Resolució: Com l'IA/dades aporten la solució?
Tipus de gràfics i quan usar-los
| Gràfic | Quan usar-lo |
|---|---|
| Línia | Evolució temporal (accuracy d'un model al llarg del temps) |
| Barres | Comparació entre categories (precisió per classe) |
| Circular (pie) | Proporcions (distribució d'errors per tipus) — amb moderació |
| Mapa de calor | Matriu de confusió, correlacions entre variables |
| Dispersió (scatter) | Relació entre dues variables numèriques |
| Histograma | Distribució d'una variable numèrica |
| Funnel | Conversió en processos seqüencials |
| Gauge/Indicador | Un sol valor KPI vs objectiu |
Visualització de resultats d'IA: exemples concrets
Dashboard de monitoratge d'un model en producció
Un model de classificació en producció hauria de tenir un dashboard que mostri:
┌─────────────────────────────────────────────────────┐
│ MODEL: Predicció de churn │
├──────────┬──────────┬──────────┬────────────────────┤
│ Accuracy │ Precision│ Recall │ F1-Score │
│ 94.2% │ 91.8% │ 96.1% │ 93.9% │
├──────────┴──────────┴──────────┴────────────────────┤
│ Prediccions avui: 1,247 Alertes actives: 3 │
├────────────────────────┬────────────────────────────┤
│ Accuracy últims 30d │ Distribució prediccions │
│ [Gràfic de línia] │ [Gràfic de barres] │
├────────────────────────┴────────────────────────────┤
│ Latència API (ms) — últimes 24h │
│ [Gràfic de línia amb alertes] │
└─────────────────────────────────────────────────────┘
Matriu de confusió visualitzada
La matriu de confusió és una de les visualitzacions més comunes per avaluar un model de classificació. En un dashboard BI es representa com un mapa de calor:
Metabase per a equips d'IA
Metabase és especialment útil per a equips d'IA perquè permet connectar directament a la base de dades on el model guarda les seves prediccions i construir dashboards sense escriure codi de frontend.
Integració Python → Dashboard
Els models d'IA generalment guarden els resultats en bases de dades. El flux típic és:
flowchart LR
A[Model Python] -->|Guarda prediccions| B[(PostgreSQL\nMySQL\nSQLite)]
B -->|Connector| C[Metabase\no Power BI]
C -->|Dashboard| D[Usuaris finals]# Exemple: guardar prediccions d'un model a PostgreSQL
import psycopg2
from datetime import datetime
import json
def guardar_prediccio(model_id, input_data, prediccio, confianca, conn):
"""Guarda el resultat d'una predicció per a visualització posterior."""
cursor = conn.cursor()
cursor.execute("""
INSERT INTO prediccions
(model_id, input_data, prediccio, confianca, created_at)
VALUES (%s, %s, %s, %s, %s)
""", (
model_id,
json.dumps(input_data),
prediccio,
confianca,
datetime.now()
))
conn.commit()
cursor.close()
Un cop les prediccions són a la BD, Metabase o Power BI les mostren en temps real sense cap codi addicional.
Activitat
Identifica un model d'IA que hagis vist al llarg del curs (o en un projecte propi) i dissenya en paper el dashboard ideal per monitorar-lo: quins KPIs mostraries? Quins gràfics usaries? A qui va dirigit el dashboard?