Què és la IA?

La IA apareix a tot arreu: al telèfon, a la safata d'entrada, remenant mapes, redactant correus electrònics que gairebé volíeu escriure. Però, què és la IA ? En resum: és un conjunt de tècniques que permeten als ordinadors realitzar tasques que associem amb la intel·ligència humana, com ara reconèixer patrons, fer prediccions i generar llenguatge o imatges. Això no és màrqueting artificial. És un camp fonamentat amb matemàtiques, dades i molta prova i error. Les referències autoritàries emmarquen la IA com a sistemes que poden aprendre, raonar i actuar per assolir objectius de maneres que considerem intel·ligents. [1]

Articles que potser t'agradaria llegir després d'aquest:

🔗 Què és la IA de codi obert?
Comprendre la IA de codi obert, els seus beneficis, els models de llicències i la col·laboració comunitària.

🔗 Què és una xarxa neuronal en IA?
Aprèn els conceptes bàsics de les xarxes neuronals, els tipus d'arquitectura, l'entrenament i els usos més comuns.

🔗 Què és la visió per computador en la IA?
Vegeu com les màquines interpreten imatges, tasques clau, conjunts de dades i aplicacions.

🔗 Què és la IA simbòlica?
Explora el raonament simbòlic, els gràfics de coneixement, les regles i els sistemes neurosimbòlics híbrids.

Què és la IA: la versió ràpida 🧠➡️💻

La IA és un conjunt de mètodes que permeten al programari aproximar-se al comportament intel·ligent. En lloc de codificar cada regla, sovint entrenem models sobre exemples perquè puguin generalitzar-se a noves situacions: reconeixement d'imatges, conversió de veu a text, planificació de rutes, assistents de codi, predicció de l'estructura de proteïnes, etc. Si voleu una definició clara per a les vostres notes: penseu en sistemes informàtics que realitzen tasques relacionades amb processos intel·lectuals humans com ara raonament, descobriment de significat i aprendre de les dades. [1]

Un model mental útil des del camp és tractar la IA com a sistemes dirigits a objectius que perceben el seu entorn i trien accions, cosa que és útil quan comences a pensar en l'avaluació i els bucles de control. [1]

Què fa que la IA sigui realment útil✅

Per què recórrer a la IA en lloc de les regles tradicionals?

• Poder de patrons : els models detecten correlacions subtils entre conjunts de dades enormes que els humans passarien per alt abans de dinar.

• Adaptació : amb més dades, el rendiment pot millorar sense haver de reescriure tot el codi.

• Velocitat a escala : un cop entrenats, els models s'executen de manera ràpida i consistent, fins i tot a volums estressants.

• Generativitat : els sistemes moderns poden produir text, imatges, codi i fins i tot molècules candidates, no només classificar coses.

• Pensament probabilístic : gestionen la incertesa amb més gràcia que els boscos fràgils amb possibilitat que sigui així.

• Eines que utilitzen eines : podeu connectar models a calculadores, bases de dades o cerques per amplificar la fiabilitat.

• Quan no és bo : biaix, al·lucinacions, dades d'entrenament obsoletes, riscos per a la privadesa. Hi arribarem.

Siguem sincers: de vegades la IA sembla una bicicleta per a la ment, i de vegades és un monocicle sobre grava. Totes dues coses poden ser certes.

Com funciona la IA, a velocitat humana 🔧

La majoria dels sistemes d'IA moderns combinen:

1. Dades : exemples de llenguatge, imatges, clics, lectures de sensors.

2. Objectius : una funció de pèrdua que indica què és "bo".

3. Algoritmes : el procediment d'entrenament que empeny un model a minimitzar aquesta pèrdua.

4. Avaluació : conjunts de proves, mètriques, comprovacions de seguretat.

5. Implementació : proporcionar al model monitoratge, seguretat i baranes de protecció.

Dues grans tradicions:

• IA simbòlica o basada en la lògica : regles explícites, gràfics de coneixement, cerca. Ideal per al raonament formal i les restriccions.

• IA estadística o basada en l'aprenentatge : models que aprenen de les dades. Aquí és on rau l'aprenentatge profund i d'on prové la major part de l'enrenou recent; una revisió àmpliament citada mapeja el territori des de les representacions en capes fins a l'optimització i la generalització. [2]

Dins de la IA basada en l'aprenentatge, hi ha uns quants pilars importants:

• Aprenentatge supervisat : aprendre a partir d'exemples etiquetats.

• No supervisat i autosupervisat : aprèn l'estructura a partir de dades sense etiquetar.

• Aprenentatge per reforç : aprendre mitjançant proves i retroalimentació.

• Modelització generativa : aprendre a produir noves mostres que semblin reals.

Dues famílies generatives de les quals sentiràs a parlar cada dia:

• Transformadors : l'arquitectura que hi ha darrere de la majoria de models de llenguatge grans. Utilitza l'atenció per relacionar cada element amb els altres, permetent un entrenament paral·lel i sortides sorprenentment fluïdes. Si heu sentit a parlar d'"autoatenció", aquest és el truc principal. [3]

• Models de difusió : aprenen a invertir un procés de soroll, passant d'un soroll aleatori a una imatge o àudio nítid. És com desbarallar una baralla, lentament i amb cura, però amb càlcul; el treball fonamental va mostrar com entrenar i mostrejar de manera eficaç. [5]

Si les metàfores semblen estirades, és just: la IA és un objectiu mòbil. Tots aprenem a ballar mentre la música canvia a mitja cançó.

On ja trobes la IA cada dia 📱🗺️📧

• Cerca i recomanacions : resultats de classificació, feeds, vídeos.

• Correu electrònic i documents : autocompletar, resumir, controls de qualitat.

• Càmera i àudio : eliminació de soroll, HDR, transcripció.

• Navegació : previsió del trànsit, planificació de rutes.

• Assistència i servei : agents de xat que trien i redacten esborranys de respostes.

• Codificació : suggeriments, refactoritzacions, proves.

• Salut i ciència : triatge, suport d'imatge, predicció d'estructures. (Tracteu els contextos clínics com a crítics per a la seguretat; utilitzeu la supervisió humana i les limitacions documentades.) [2]

Mini anècdota: un equip de producte podria fer proves A/B d'un pas de recuperació davant d'un model de llenguatge; les taxes d'error sovint disminueixen perquè el model raona sobre un context més nou i específic de la tasca en lloc d'endevinar. (Mètode: definir mètriques per endavant, mantenir un conjunt de dades reservades i comparar indicacions similars.)

Fortaleses, límits i el lleuger caos que hi ha entremig ⚖️

Punts forts

• Gestiona conjunts de dades grans i desordenats amb elegància.

• S'escala entre tasques amb la mateixa maquinària principal.

• Aprèn una estructura latent que no hem dissenyat a mà. [2]

Límits

• Al·lucinacions : els models poden produir resultats que semblen plausibles però incorrectes.

• Biaix : les dades d'entrenament poden codificar biaixos socials que els sistemes reprodueixen.

• Robustesa : els casos límit, les entrades contradictòries i el canvi de distribució poden trencar les coses.

• Privacitat i seguretat : les dades sensibles es poden filtrar si no es té cura.

• Explicabilitat : per què deia això? De vegades no és clar, cosa que frustra les auditories.

La gestió de riscos existeix perquè no hi hagi caos en els enviaments: el Marc de Gestió de Riscos d'IA del NIST proporciona una guia pràctica i voluntària per millorar la fiabilitat en el disseny, el desenvolupament i el desplegament: penseu en el mapeig de riscos, la seva mesura i la governança de l'ús de principi a fi. [4]

Normes de circulació: seguretat, governança i responsabilitat 🛡️

La regulació i les directrius s'estan posant al dia amb la pràctica:

• Enfocaments basats en el risc : els usos de més risc s'enfronten a requisits més estrictes; la documentació, la governança de dades i la gestió d'incidents són importants. Els marcs públics emfatitzen la transparència, la supervisió humana i el seguiment continu. [4]

• Matisos del sector : els dominis crítics per a la seguretat (com la salut) requereixen la participació humana i una avaluació acurada; les eines d'ús general encara es beneficien de documents clars sobre l'ús previst i les limitacions. [2]

No es tracta d'ofegar la innovació; es tracta de no convertir el vostre producte en una màquina de crispetes en una biblioteca... cosa que sona divertit fins que no ho és.

Tipus d'IA a la pràctica, amb exemples 🧰

• Percepció : visió, parla, fusió de sensors.

• Llengua - xat, traducció, resum, extracció.

• Predicció : previsió de la demanda, puntuació de riscos, detecció d'anomalies.

• Planificació i control : robòtica, logística.

• Generació : imatges, àudio, vídeo, codi, dades estructurades.

Sota el capó, les matemàtiques es basen en l'àlgebra lineal, la probabilitat, l'optimització i les piles de computació que ho mantenen tot en funcionament. Per obtenir una anàlisi més detallada dels fonaments de l'aprenentatge profund, consulteu la revisió canònica. [2]

Taula comparativa: eines populars d'IA d'un cop d'ull 🧪

(Lleugerament imperfecte a propòsit. Els preus varien. El quilometratge variarà.)

Com avaluar un sistema d'IA com un professional 🧪🔍

1. Definir la feina : enunciat de tasca d'una sola frase.

2. Trieu mètriques : precisió, latència, cost, activadors de seguretat.

3. Feu un conjunt de proves : representatiu, divers i exclusiu.

4. Comprovar els modes de fallada : les entrades que el sistema hauria de rebutjar o escalar.

5. Prova de biaix : segments demogràfics i atributs sensibles, si escau.

6. Humà en el bucle : especifica quan una persona ha de revisar.

7. Registre i monitorització : detecció de desviacions, resposta a incidents, reversions.

8. Document : fonts de dades, limitacions, ús previst, senyals d'alerta. El NIST AI RMF us ofereix un llenguatge i processos compartits per a això. [4]

Idees errònies comunes que sento tot el temps 🙃

• «Només és copiar.» L'entrenament aprèn l'estructura estadística; la generació compon nous resultats coherents amb aquesta estructura. Això pot ser inventiu (o erroni), però no és copiar i enganxar. [2]

• «La IA entén com una persona.» Modela patrons . De vegades això sembla comprensió; de vegades és una borrositat segura. [2]

• «Com més gran, sempre millor.» L'escala ajuda, però la qualitat de les dades, l'alineació i la recuperació sovint importen més. [2][3]

• «Una IA per governar-les totes.» Les piles reals són multimodel: recuperació de dades, generativa per a text, models petits i ràpids al dispositiu, a més de la cerca clàssica.

Una ullada una mica més profunda: Transformadors i difusió, en un minut ⏱️

• Els transformadors calculen les puntuacions d'atenció entre els tokens per decidir en què centrar-se. L'apilament de capes captura dependències a llarg termini sense recurrència explícita, cosa que permet un alt paral·lelisme i un rendiment sòlid entre les tasques lingüístiques. Aquesta arquitectura sustenta la majoria dels sistemes lingüístics moderns. [3]

• Els models de difusió aprenen a desfer el soroll pas a pas, com polir un mirall entelat fins que apareix una cara. Les idees bàsiques d'entrenament i mostreig van desbloquejar el boom de la generació d'imatges i ara s'estenen a l'àudio i el vídeo. [5]

Microglossari que pots conservar 📚

• Model : una funció parametritzada que entrenem per assignar entrades a sortides.

• Entrenament : optimització de paràmetres per minimitzar les pèrdues en exemples.

• Sobreajustament : funciona molt bé amb les dades d'entrenament, meh en altres llocs.

• Al·lucinació : producció fluida però factualment incorrecta.

• RAG : generació augmentada per recuperació que consulta fonts fresques.

• Alineació : modelar el comportament per seguir instruccions i normes.

• Seguretat : prevenir els productes nocius i gestionar el risc al llarg del cicle de vida.

• Inferència : utilitzar un model entrenat per fer prediccions.

• Latència : temps des de l'entrada fins a la resposta.

• Baranes de protecció : polítiques, filtres i controls al voltant del model.

Massa llarg, no l'he llegit - Observacions finals 🌯

Què és la IA? Un conjunt de tècniques que permeten als ordinadors aprendre de les dades i actuar intel·ligentment per assolir objectius. L'onada moderna es basa en l'aprenentatge profund, especialment en transformadors per al llenguatge i difusió per als mitjans de comunicació. Si s'utilitza amb cura, la IA escala el reconeixement de patrons, accelera el treball creatiu i analític i obre noves portes científiques. Si s'utilitza sense cura, pot enganyar, excloure o erosionar la confiança. El camí feliç combina una enginyeria sòlida amb governança, mesurament i un toc d'humilitat. Aquest equilibri no només és possible, sinó que es pot ensenyar, comprovar i mantenir amb els marcs i les regles adequades. [2][3][4][5]

Referències

[1] Enciclopèdia Britànica - Intel·ligència artificial (IA) : llegiu-ne més
[2] Nature - “Aprenentatge profund” (LeCun, Bengio, Hinton) : llegiu-ne més
[3] arXiv - “L'atenció és tot el que necessiteu” (Vaswani et al.) : llegiu-ne més
[4] NIST - Marc de gestió de riscos d'IA : llegiu-ne més
[5] arXiv - “Models probabilístics de difusió amb eliminació de soroll” (Ho et al.) : llegiu-ne més

Troba la darrera versió d'IA a la botiga oficial d'assistents d'IA

Sobre nosaltres