1. Introducció a la intel·ligència artificial

Models d’intel·ligència artificial

Què és la intel·ligència artificial?

   
Intel·ligència La intel·ligència és la capacitat d’aprendre, comprendre i resoldre problemes.
Intel·ligència artificial La intel·ligència artificial estudia i construeix sistemes capaços de percebre, raonar, aprendre o actuar per assolir objectius.
Màquina intel·ligent Un sistema intel·ligent utilitza informació de l’entorn per seleccionar accions orientades a un objectiu.

Agents intel·ligents (I)

  • Un agent percep l’entorn mitjançant sensors i hi actua amb actuadors.
  • Un agent racional selecciona accions per maximitzar el rendiment esperat amb la informació disponible.
  • L’objectiu descriu què es vol aconseguir.
  • La mesura de rendiment permet avaluar el resultat: per exemple, neteja, temps i energia consumida.

Agents intel·ligents (II)

  • L’assignatura tracta sobre la construcció d’agents intel·ligents.
  • Veurem:
    • Diferents tècniques per a construir agents intel·ligents.
    • Els seus avantatges i inconvenients.
    • Els seus camps d’aplicació.
    • Els seus riscos i reptes ètics.

Una mica d’història

1950: Alan Turing

  • Turing publica Computing Machinery and Intelligence.
  • Proposa substituir «poden pensar les màquines?» pel joc d’imitació, una prova del comportament observable.
  • La prova avalua la capacitat de conversar de manera semblant a una persona.
  • Superar-la no demostra, per si sol, consciència o comprensió.

Font: Turing (1950).

El test

  • En la versió habitual, una persona conversa per escrit amb un humà i una màquina, sense veure’ls.
  • Ha d’identificar quin interlocutor és la màquina a partir de les respostes.
  • El resultat depén de les preguntes, el temps i les condicions de la prova.
  • Imitar una conversa humana no equival a demostrar totes les capacitats intel·lectuals humanes.

Font: Turing (1950).

La pregunta de Turing

  • Pregunta inicial: «Poden pensar les màquines?»
  • Dificultat: no hi ha una definició única i operativa de «pensar».
  • Proposta: estudiar si una màquina pot participar amb èxit en el joc d’imitació.
  • Abast: és un criteri de comportament en una situació concreta, no una prova general de consciència.

Aquest resum és una paràfrasi de l’article, no una citació literal.

Font: Turing (1950), apartats 1 i 6.

1955–1974: Els inicis

  • 1955: McCarthy i col·laboradors utilitzen el terme intel·ligència artificial en la proposta de Dartmouth.
  • 1956: se celebra la trobada de Dartmouth.
  • 1958: Rosenblatt publica el seu treball sobre el perceptró, un model que aprén a classificar.
  • Les primeres demostracions generen expectatives que superen les capacitats dels sistemes de l’època.

Fonts: Dartmouth (1955), Rosenblatt (1958).

1974–1993: Expectatives i límits

  • Els hiverns de la IA són períodes de desencantament i reducció del finançament.
  • Als anys 80 creix l’ús comercial dels sistemes experts, amb antecedents com DENDRAL als anys 60.
  • Recollir i mantenir el coneixement expert resulta costós.
  • Les dificultats comercials no fan desaparèixer la recerca ni els sistemes basats en regles.

Font: Història de DENDRAL i dels sistemes experts.

1997: Deep Blue

  • Deep Blue, d’IBM, derrota el campió mundial Garri Kaspàrov en un matx d’escacs.
  • Combina cerca, avaluació de posicions i maquinari especialitzat.
  • Mostra que una màquina pot superar els millors humans en una tasca delimitada.
  • Guanyar als escacs no demostra intel·ligència general.

Font: IBM: Deep Blue.

2002: Roomba

  • iRobot llança Roomba el 2002 i contribueix a popularitzar els robots aspiradors domèstics.
  • Combina sensors i accions per netejar el terra i reaccionar davant d’obstacles.
  • L’autonomia no elimina el manteniment ni la preparació de l’entorn per part de l’usuari.
  • Les funcions, com el retorn a la base o la creació de mapes, depenen del model i la generació.

Font: Història d’iRobot.

2004–2005: DARPA Grand Challenge

  • El 2004, 15 vehicles intenten recórrer autònomament una ruta desèrtica d’uns 229 km.
  • Cap vehicle completa el recorregut.
  • El 2005, cinc equips completen una nova ruta d’uns 212 km.
  • El repte impulsa la integració de percepció, planificació i control per a la conducció autònoma.

Fonts: DARPA: 2004, DARPA: 2005.

2011: Watson

  • Watson, d’IBM, guanya a Ken Jennings i Brad Rutter en una competició de Jeopardy!.
  • Processa preguntes en llenguatge natural i busca possibles respostes.
  • Combina evidències i estima la confiança de cada resposta.
  • L’èxit en el concurs no implica que comprenga qualsevol situació com una persona.

Font: IBM: Watson a Jeopardy!.

2016: AlphaGo

  • AlphaGo derrota Lee Sedol per 4–1 en un matx de Go.
  • Combina xarxes neuronals, aprenentatge per reforç i cerca.
  • El moviment 37 de la segona partida exemplifica una jugada sorprenent per als experts.
  • Assolir un nivell superhumà no significa haver resolt matemàticament el joc.

Font: Google DeepMind: AlphaGo.

2017: AlphaGo Zero

  • Parteix de les regles del Go, sense entrenar-se amb partides humanes.
  • Aprén jugant contra si mateix mitjançant aprenentatge per reforç.
  • Combina una xarxa neuronal amb cerca per seleccionar jugades.
  • Després de tres dies d’entrenament, supera per 100–0 la versió d’AlphaGo que havia derrotat Lee Sedol.

Font: Silver i Hassabis (2017).

2020: GPT-3

  • Model de llenguatge autoregressiu de la família GPT, basat en Transformers.
  • La versió més gran presentada té 175.000 milions de paràmetres.
  • Genera text predient el token següent a partir del context.
  • Pot fer tasques com traducció i resposta a preguntes amb instruccions i exemples dins del context, sense actualitzar els pesos.

Font: Brown i col·laboradors (2020).

2021: DALL·E

  • El primer DALL·E genera imatges a partir de descripcions textuals.
  • Utilitza un Transformer que modela seqüències de tokens de text i d’imatge.
  • El model té 12.000 milions de paràmetres: aquesta xifra no és la mida d’una base de dades en GB.
  • S’entrena amb parelles de text i imatge.

Font: Ramesh i col·laboradors (2021).

2023: GPT-4

  • L’informe de 2023 presenta un model basat en Transformers que accepta text i imatges i produeix text.
  • Pot generar explicacions, resums i codi; això no equival a generar directament imatges o àudio.
  • L’informe no publica el nombre de paràmetres.
  • Pot produir errors i informació inventada, encara que la resposta semble convincent.

Font: Informe tècnic de GPT-4 (2023).

Situació actual

  • Els sistemes d’IA poden treballar amb text, imatges, àudio, prediccions o accions, segons el model i la tasca.
  • Les seues capacitats i limitacions varien: un bon resultat en una prova no garanteix el mateix rendiment en qualsevol context.
  • Per valorar una aplicació, pregunta’t què fa, amb quines dades i en quines condicions.

Persona en una trobada de treball sobre IA.

Món laboral

  • La IA pot automatitzar, complementar o reorganitzar tasques. Exposició potencial no és una predicció de llocs de treball que desapareixeran.
  • Segons l’OIT (2025), una de cada quatre persones treballadores està en una ocupació amb algun grau d’exposició a la IA generativa. L’estudi apunta que és més probable que moltes ocupacions es transformen que no que desapareguen.
  • L’OCDE compara capacitats de la IA amb tasques de les ocupacions; els efectes reals també depenen de l’adopció, la regulació i les decisions de cada organització i societat.
  • Per valorar un cas concret, analitza quines tasques canvien, qui n’assumeix les conseqüències i quines competències o controls calen.

Tenim ja una màquina intel·ligent?

Intel·ligència humana (I)

  • És una capacitat molt complexa, com a resultat de milions d’anys d’evolució.
  • Alguns dels aspectes de la intel·ligència humana:
    • Aprendre
    • Resoldre problemes
    • Adaptar-se a nous entorns
    • Prendre decisions
    • Comunicar-se i col·laborar amb altres humans
    • Sentir emocions

Intel·ligència humana (II)

  • La intel·ligència humana implica percepció, memòria, aprenentatge, raonament i interacció social.
  • Aquests processos es relacionen entre si i amb l’experiència de cada persona.
  • Els models computacionals permeten estudiar i reproduir aspectes concrets d’aquestes capacitats.
  • Resoldre una tasca amb èxit no implica utilitzar els mateixos mecanismes que una persona.
  • Com podem avaluar les capacitats i els límits d’un sistema?

Intel·ligència computacional

  • La IA estudia i construeix sistemes capaços de percebre, raonar, aprendre o actuar per assolir objectius.
  • Alguns enfocaments s’inspiren en la intel·ligència humana; altres busquen solucions diferents.
  • Avaluem els sistemes segons les tasques que resolen i les condicions en què funcionen.
  • És un camp de la informàtica amb aportacions de les matemàtiques, la psicologia i altres disciplines.

Intel·ligència humana i artificial

Aspecte Persones Sistemes d’IA
Aprenentatge Experiència, cos i interacció social Dades, regles i interacció, segons el sistema
Adaptació Transferència entre contextos Variable; cal avaluar-la en cada tasca
Decisions Raonament, emocions i biaixos Objectius definits, aproximacions i biaixos
Limitacions Errors i recursos limitats Errors i dependència del disseny i les dades

El rendiment observable no demostra, per si sol, consciència o experiència subjectiva.

IA estreta, IA general i IA forta

  • IA estreta: especialitzada en tasques o dominis delimitats; pot superar el rendiment humà en aquests àmbits.
  • IA general (AGI): capacitat d’aprendre i transferir coneixement entre una gran varietat de tasques. La definició i l’avaluació són objecte de debat.
  • IA forta, en sentit filosòfic: tesi que un sistema computacional pot tenir comprensió o estats mentals reals.
  • Són distincions diferents: amplitud de capacitats i naturalesa de la comprensió. No convé usar «general» i «forta» com a sinònims automàtics.

Font: McCarthy sobre el debat de la IA forta.

Racionalitat

Què és una decisió racional?

  • Un agent racional selecciona l’acció amb més utilitat o rendiment esperat, segons la informació disponible.
  • Cal considerar els possibles resultats, les seues probabilitats, els costos i les restriccions.
  • Exemple: un robot pot triar una ruta més llarga si redueix prou el risc de col·lisió.
  • Racionalitat no significa omniscència: una bona decisió pot tenir un resultat desfavorable.

Font: Poole i Mackworth: utilitat esperada.

Paradigmes de la IA

Definicions

  • Un paradigma és un enfocament per a representar i resoldre problemes.
  • En IA podem destacar els enfocaments simbòlic, connexionista i estadístic.
  • Aquesta classificació és orientativa: els enfocaments se solapen i es poden combinar.
  • Per exemple, una xarxa neuronal també es pot entrenar amb mètodes estadístics.

Paradigma simbòlic

  • Representa coneixement explícit amb símbols, fets, relacions i regles.
  • Manipula aquestes representacions per inferir conclusions o construir plans.
  • La validesa dels resultats depén del coneixement i de les regles utilitzades.
  • Exemples: sistemes basats en regles, planificació i raonament lògic.

Paradigma connexionista

  • Utilitza xarxes de neurones artificials, unitats de càlcul interconnectades.
  • Ajusta els pesos de les connexions durant l’aprenentatge.
  • La inspiració biològica és parcial: aquestes xarxes no reprodueixen fidelment el cervell.
  • Aplicacions: reconeixement d’imatges, llenguatge i control.

Font: Stanford CS231n: neurones artificials.

Paradigma estadístic

  • Utilitza models estadístics i probabilístics per a analitzar dades i representar la incertesa.
  • Estima patrons o relacions i avalua les prediccions amb dades.
  • La qualitat depén de les dades, dels supòsits del model i del context d’ús.
  • Es combina amb altres enfocaments, incloses les xarxes neuronals.
  • Exemples: classificació, regressió i agrupament.

Tècniques de la IA

Definicions

  • Tècnica: Conjunt de procediments o recursos que s’han d’aplicar per a aconseguir un objectiu.
  • Tècniques de la IA: Conjunt de tècniques, algorismes i mètodes que s’apliquen per a resoldre problemes d’IA.
  • Una tècnica pot combinar idees de diferents paradigmes.

Tècniques de la IA

  • Algunes de les tècniques més utilitzades són:
    • Sistemes experts
    • Xarxes neuronals
    • Algorismes genètics
    • Sistemes multiagent
    • Algorismes de cerca
    • Algorismes de planificació
    • Algorismes d’aprenentatge

Sistemes experts

  • Un sistema expert utilitza coneixement especialitzat per resoldre problemes en un domini concret.
  • Combina una representació del coneixement amb mecanismes de raonament.
  • Pot donar suport a tasques que requereixen experiència, però els resultats depenen de la qualitat del coneixement incorporat.

Sistemes experts (II)

Sistemes basats en casos

  • S’intenta resoldre un problema a partir de casos similars resolts anteriorment.
  • Es recuperen casos similars i s’adapten a la nova situació.
  • Una vegada solucionat el problema, el cas es guarda per a utilitzar-lo en el futur.
  • Els casos nous, una vegada revisats, poden ampliar el coneixement reutilitzable del sistema.
  • Camps d’aplicació: Medicina, enginyeria, disseny, etc.

Sistemes experts (III)

Sistemes basats en regles

  • La base de coneixement conté fets i regles, sovint definits amb ajuda d’experts.
  • El motor d’inferència aplica les regles per derivar nous fets o conclusions.
  • Exemple: «si el sòl està sec, cal regar» + «el sòl està sec» → «cal regar».
  • Inferir conclusions no és el mateix que aprendre o generar noves regles.
  • Aplicacions: diagnòstic, control de processos i suport a decisions.

Font: Poole i Mackworth: inferència amb clàusules definides.

Sistemes experts (IV)

Sistemes basats en lògica difusa

  • Representen conceptes graduals, com «temperatura alta» o «velocitat baixa».
  • Un grau de pertinença entre 0 i 1 indica fins a quin punt un valor encaixa en un conjunt difús.
  • Exemple: 28 °C pot pertànyer a «calor» amb grau 0,7, segons la funció definida. No significa un 70 % de probabilitat que faça calor.
  • Les regles s’activen gradualment i combinen els seus resultats.
  • Aplicacions: control de temperatura, robòtica i altres sistemes de control.

Font: Fuzzy sets, Scholarpedia.

Xarxes neuronals

  • Models formats per unitats de càlcul i connexions amb pesos que s’ajusten durant l’entrenament.
  • En una xarxa de propagació endavant, la informació va de l’entrada a l’eixida sense cicles.
  • En un perceptró multicapa, cada capa transforma l’eixida de l’anterior.
  • Altres arquitectures incorporen recurrència o connexions entre capes no consecutives.
  • Aplicacions: classificació, regressió i generació de contingut.

Font: Deep Learning, capítol 6.

Diagrama d’una xarxa neuronal amb capes d’entrada, ocultes i d’eixida.

Tipus de xarxes neuronals

  • Perceptró: model senzill de classificació amb una frontera de decisió lineal.
  • Xarxes profundes: combinen múltiples capes de transformació per aprendre representacions.
  • Xarxes recurrents: mantenen un estat que s’actualitza en processar una seqüència.
  • Xarxes convolucionals: utilitzen filtres compartits per detectar patrons locals, per exemple en imatges.

Aquestes categories se solapen: una xarxa convolucional o recurrent també pot ser profunda.

Algorismes genètics

  • Els algorismes genètics són una tècnica d’optimització basada en la teoria de l’evolució de Darwin.
  • Es tracta de generar una població d’individus i aplicar-los operadors genètics.
  • La selecció afavoreix els individus amb millor valor de la funció d’aptitud, definida segons el problema.
  • Útils per a resoldre problemes d’optimització i de cerca.

Sistemes multiagent

  • Un sistema multiagent és un sistema compost per diversos agents que interactuen entre ells.
  • Un agent és un sistema computacional que actua en un entorn.
  • Els agents poden ser reactius, deliberatius o socials.
  • Útils per a resoldre problemes de planificació, disseny, control, etc.

Algorismes de cerca

  • Exploren estats i accions per trobar una solució.
  • Cerca no informada: no utilitza una estimació heurística del cost restant.
    • Amplada, profunditat, profunditat limitada, aprofundiment iteratiu i cost uniforme.
  • Cerca informada: utilitza una heurística per orientar l’exploració.
    • Cerca voraç i A*.
  • Cost uniforme ordena pel cost acumulat; A* combina aquest cost amb l’estimació del cost restant.

Font: Poole i Mackworth: cerca A*.

Algorismes d’aprenentatge

  • Ajusten un model a partir de dades o de la interacció amb un entorn.
  • Supervisat: aprén amb exemples que inclouen la resposta esperada; classificació i regressió.
  • No supervisat: busca estructura en dades sense respostes etiquetades; per exemple, agrupament.
  • Per reforç: aprén a seleccionar accions a partir de recompenses; per exemple, Q-learning.

Aplicacions de la IA

Robot industrial treballant en una màquina; la fotografia no indica si incorpora IA.

Robòtica

  • La robòtica és una de les aplicacions més conegudes de la IA.
  • La robòtica estudia el disseny, la construcció i el control de robots.
  • Un robot és un sistema físic programable que actua sobre el seu entorn.
  • Els robots poden ser autònoms o teleoperats.
  • Camps d’aplicació: Indústria, sanitat, exploració espacial, militar, domèstic, etc.

Processament del llenguatge natural

  • El PLN estudia mètodes per a analitzar, representar i generar llenguatge humà.
  • El context i l’ambigüitat fan que una mateixa expressió puga tenir interpretacions diferents.
  • Les respostes d’un sistema poden ser útils sense implicar comprensió humana.
  • Aplicacions: traducció automàtica, resum de textos, classificació de documents i assistents conversacionals.

Visió per computador

  • Extrau i interpreta informació d’imatges i vídeos per resoldre tasques concretes.
  • Classificació: assigna una categoria a una imatge.
  • Detecció i segmentació: localitzen objectes o assignen categories als píxels.
  • Aplicacions: inspecció industrial, seguiment d’objectes i reconstrucció 3D.
  • Els resultats poden canviar amb la il·luminació, el punt de vista i la qualitat de la imatge.

Sistemes de recomanació

  • Un sistema de recomanació és un sistema que recomana un conjunt d’elements a un usuari.
  • Els humans utilitzem la recomanació per a prendre decisions.
  • L’accés a grans quantitats de dades ha fet que els sistemes de recomanació siguen cada vegada més importants.
  • Camps d’aplicació: Recomanació de productes, recomanació de música, recomanació de pel·lícules, recomanació de llibres, recomanació de notícies, etc.

Jocs

  • Els jocs ens serveixen per a entendre la intel·ligència.
  • Els humans utilitzem els jocs per a aprendre, per a divertir-nos i per a competir.
  • Les regles i els resultats mesurables fan dels jocs un bon banc de proves per a la IA.
  • Camps d’aplicació: Jocs de tauler, jocs de cartes, jocs de rol, jocs d’estratègia, etc.

Cadira de rodes assistida, exemple de tecnologia accessible; la imatge no demostra que utilitze IA.

Altres aplicacions

  • Medicina: suport al diagnòstic, cirurgia assistida i medicina personalitzada.
  • Enginyeria: Disseny, control de processos.
  • Finances: Predicció de mercats, recomanació d’inversions.
  • Àmbit militar: drons i sistemes autònoms.
  • Àmbit domèstic: robots, assistents virtuals i domòtica.
  • Transport: Vehicles autònoms, planificació de rutes.

Referències

Treball pràctic 1 · Analitza una aplicació d’IA

Tria una aplicació documentada i explica:

  • quin problema resol, qui la fa servir i què rep o produeix;
  • quines tècniques del tema 1.1 hi intervenen;
  • quines proves en mostren els resultats i quins límits tenen.

Lliurament: informe breu i explicació de 3 minuts.

Guia, estructura i criteris d’avaluació

La pregunta sobre persones afectades, riscos i controls obrirà el tema 1.2.