Guia per entendre els termes més comuns en IA

La intel·ligència artificial (IA) és un àmbit en constant evolució que engloba una gran varietat de disciplines i tecnologies. Amb el progrés constant d’aquest camp, apareixen nous termes de manera regular, per la qual cosa és important entendre el significat dels més habituals.

En aquest article, repassarem alguns dels conceptes que s’han convertit en fonamentals dins del món de la IA. Aquests termes no només són rellevants per a professionals del sector tecnològic, sinó que també resulten útils per a qualsevol persona que vulgui comprendre com la IA està transformant molts aspectes de la nostra vida quotidiana. Des dels fonaments de l’aprenentatge automàtic fins a les últimes tendències en xarxes neuronals, conèixer aquest vocabulari és clau per estar al dia en un camp que està redefinint constantment els límits del que considerem possible.

Intel·ligència artificial

Quan parlem d’intel·ligència artificial (IA), ens referim a la capacitat d’una màquina per dur a terme tasques que habitualment requereixen intel·ligència humana. Aquestes tasques inclouen el reconeixement de patrons, la presa de decisions, la resolució de problemes i l’aprenentatge.

Dins del concepte general d’IA, podem distingir dues categories principals:

• IA feble (Weak AI): Sistemes dissenyats per fer tasques específiques. Són molt eficients en el seu àmbit, però no tenen la flexibilitat per actuar fora d’aquest. Exemples habituals serien els assistents virtuals com Siri o Alexa, que poden gestionar calendaris, controlar dispositius o respondre preguntes; o els sistemes de recomanació que suggereixen pel·lícules o productes segons les preferències de l’usuari.
• IA forta (Strong AI): Encara teòrica, aquesta forma d’IA faria referència a sistemes amb capacitat per entendre, raonar i aprendre com ho faria una persona, incloent la consciència i la capacitat emocional. Encara no s’ha aconseguit desenvolupar aquest tipus de sistemes.

Aprenentatge automàtic

L’aprenentatge automàtic, també conegut com a machine learning (ML), és una branca de la IA que se centra en desenvolupar algoritmes que permetin a les màquines aprendre a partir de dades. En lloc de programar-les explícitament, les màquines aprenen i milloren per si soles a través de l’experiència.

Tipus principals d’aprenentatge:

• Aprenentatge supervisat: El model aprèn a partir de dades etiquetades i crea una funció de predicció. Per exemple, un filtre antispam pot entrenar-se amb correus classificats com a “spam” o “no spam”, i després identificar-ne de nous de forma automàtica.
• Aprenentatge no supervisat (unsupervised learning): El model treballa amb dades no etiquetades i tracta d’identificar patrons ocults o estructures dins d’aquestes. És molt útil en àmbits com el màrqueting, per segmentar audiències segons el comportament dels usuaris.
• Aprenentatge per reforç (reinforcement learning): El sistema aprèn mitjançant la interacció amb l’entorn, adaptant les seves accions en funció de recompenses o penalitzacions. És el cas, per exemple, d’un algoritme que aprèn a jugar escacs a través de milers de partides simulades.

Processament del llenguatge natural

El processament del llenguatge natural (Natural Language Processing o NLP) és la branca de la IA que permet als ordinadors comprendre i interactuar amb el llenguatge humà.

• Anàlisi de sentiments: Permet detectar les emocions o opinions expressades en textos. És molt útil per analitzar opinions a les xarxes socials o a enquestes de satisfacció.
• Xatbots: Aplicacions basades en NLP que permeten conversar amb màquines en llenguatge natural. Es fan servir àmpliament en serveis d’atenció al client o com assistents personals.
• Reconeixement d’entitats (Named Entity Recognition – NER): Procés que identifica noms de persones, llocs, dates o organitzacions dins d’un text. Ajuda a estructurar grans volums d’informació de manera útil.

Xarxes neuronals

Les xarxes neuronals (neural networks) són models d’aprenentatge automàtic inspirats en el funcionament del cervell humà. Estan formades per capes de neurones artificials interconnectades, que processen informació i prenen decisions a partir de les dades que reben.

• Aprenentatge profund (Deep Learning): Es tracta d’un tipus d’aprenentatge automàtic que utilitza xarxes neuronals profundes, és a dir, amb múltiples capes ocultes. Aquesta estructura permet al model aprendre representacions molt complexes de les dades, especialment útils en tasques com la visió per computador o la comprensió del llenguatge natural.

• Xarxes neuronals convolucionals (CNNs): Aquestes xarxes són especialment eficients per al tractament i l’anàlisi d’imatges i vídeos. Estan dissenyades per detectar patrons espacials i estructures visuals, cosa que les fa ideals per al reconeixement d’objectes, la segmentació d’imatges o la detecció de trets facials.
• Xarxes neuronals recurrents (RNNs): Estan pensades per gestionar dades seqüencials, com ara text, àudio o sèries temporals. A diferència de les xarxes convencionals, les RNN disposen de connexions internes que els permeten conservar informació prèvia i tenir en compte el context, una característica fonamental per a tasques com la traducció automàtica o la generació de veu.

Intel·ligència artificial generativa

La intel·ligència artificial generativa (Generative AI o GenAI) fa referència a models capaços de crear continguts que poden semblar elaborats per humans. Aquests continguts poden incloure text, imatges, vídeos, música, codi o fins i tot converses amb veu sintètica realista. Justament per això, la GenAI ha esdevingut una de les tecnologies més debatudes actualment, ja que el nivell de realisme que pot assolir sovint fa difícil distingir entre allò generat artificialment i allò real.

Per exemple, en les fotografies següents… segur que pots dir quina està feta amb IA, oi?

Pero… ¿y si te dijera que ambas son personas ficticias creadas con inteligencia artificial?

A continuació, presentem els principals models de GenAI que fan possible la generació de contingut com el que acabem de veure:

• Models generatius preentrenats (GPT): Aquest és un exemple clar d’IA generativa, on el model ha estat entrenat amb grans volums de text per generar respostes coherents i naturals en llenguatge humà.
• Xarxes generatives adversatives (GANs): Les GANs funcionen mitjançant dues xarxes neuronals que s’entrenen conjuntament en un procés competitiu: una xarxa generadora, que crea imatges, àudio o vídeos; i una xarxa discriminadora, que avalua si aquest contingut sembla real. L’objectiu és que la xarxa generadora arribi a produir resultats tan realistes que siguin indistingibles del material original.
• Generació de contingut procedimental (PCG): Utilitzada especialment en el món dels videojocs, permet crear escenaris, criatures o paisatges de forma automàtica. Això dona als desenvolupadors la capacitat de generar entorns únics sense haver-los de dissenyar manualment.

Visió artificial

La visió artificial (Computer Vision) és un camp de la IA que permet als ordinadors captar, processar i analitzar dades provinents d’imatges o vídeos. Aquesta tecnologia és essencial en aplicacions com el reconeixement facial, on no només s’identifica un rostre dins d’una imatge, sinó que es pot reconèixer una persona concreta gràcies a les seves característiques facials úniques.

• Reconeixement d’imatges: Capacitat d’un sistema per identificar i classificar objectes o patrons dins d’una imatge. Per exemple, pot detectar si una fotografia conté un cotxe, una senyal de trànsit o una persona.
• Segmentació d’imatges: Procés mitjançant el qual una imatge es divideix en regions més petites o objectes diferenciats per analitzar-los de forma més detallada. Aquesta tècnica és fonamental en àmbits com la conducció autònoma, on el vehicle ha de distingir entre carrils, altres cotxes, vianants i obstacles per prendre decisions segures mentre es desplaça.

Robòtica

La robòtica és una disciplina multidisciplinària que integra la IA amb l’enginyeria mecànica, electrònica i informàtica per crear robots capaços d’interactuar físicament amb el món real. Aquests sistemes sovint operen en entorns difícils o perillosos per als humans.

Un dels pilars de la robòtica actual és l’ús d’algoritmes d’intel·ligència artificial per dotar els robots de capacitats com la presa de decisions, l’adaptació a l’entorn o l’execució de tasques complexes amb autonomia.

• Robots autònoms: Aquests dispositius poden funcionar sense intervenció directa de les persones, ja que perceben el seu entorn, processen la informació i actuen en conseqüència. Alguns exemples habituals són els drons, els robots aspiradors o els vehicles sense conductor.
• Interacció Humà-Robot (HRI): Àrea centrada en facilitar la col·laboració entre persones i robots de manera natural i segura. Aquesta interacció és clau en contextos com la llar, hospitals o entorns industrials, on els robots cada vegada tenen un paper més destacat.

Edge AI

L’Edge AI fa referència a l’execució d’algoritmes d’intel·ligència artificial directament en dispositius locals, com ara sensors, càmeres, mòbils o dispositius IoT, en lloc d’enviar les dades a servidors centralitzats per al seu processament. El “borde” o “edge” és, per tant, el lloc on es generen les dades i on també es processen, permetent una resposta immediata i reduint la dependència de la connexió a la xarxa.

Aquest enfocament resulta especialment útil en aplicacions que requereixen baixa latència, privadesa de dades o funcionament en temps real, com la vigilància, la detecció de falles tècniques, o la gestió energètica intel·ligent.

Conclusions

La intel·ligència artificial és un camp que no deixa de sorprendre’ns per la seva evolució accelerada, i encara té un ampli recorregut per endavant. Per això, entendre els termes clau que l’envolten és fonamental per comprendre millor cap a on ens estem dirigint com a societat.

Totes les àrees que hem anat explorant formen part d’una cursa constant entre les grans empreses tecnològiques, que competeixen per liderar el desenvolupament de la IA, implementant innovacions amb un impacte directe en les nostres vides i en la manera com ens relacionem amb el món que ens envolta.

Esperem que aquesta guia t’hagi servit com un bon punt de partida per familiaritzar-te amb el llenguatge de la IA i entendre tot el que implica aquesta tecnologia emergent.

Recursos:
[1] Imatge 1
[2] Imatge 2

A Block&Capital, especialistes en selecció de personal, treballem per crear oportunitats on el creixement i l’èxit siguin a l’abast de tothom. Si estàs preparat per fer un pas endavant en la teva carrera professional, no dubtis a contactar amb nosaltres.