INTRODUCCIÓ

https://www.youtube.com/watch?v=mJeNghZXtMo&t=2s

1.1 Què és la intel·ligència artificial?

Segons John McCarthy, creador del terme intel·ligència artificial, “és fer que una màquina es comporti d’una manera que seria considerada intel·ligent en un humà.” Però què es considera que és intel·ligent? Prendre decisions? Nosaltres ja hem fet programes que prenen decisions (p.ex. utilitzant els condicionals).

Una cosa que tots els programes d'IA tenen en comú és que ajuden a resoldre problemes on hi ha algun tipus d'incertesa sobre la sortida correcta. La incertesa pot venir de molts llocs, de vegades és un problema complex amb molts factors, per la qual cosa predir el resultat manualment seria massa temps, per exemple, predir els preus a la borsa. També pot haver-hi certa incertesa sobre quin resultat és adequat per a una situació, per exemple, recomanacions de contingut a les plataformes de streaming.

1.2 MACHINE LEARNING

D'altra banda, el machine learning (o aprenentatge automàtic) és un tipus d'intel·ligència artificial. La IA, es pot dir, que és l'aparença general de ser intel·ligent, mentre que el machine learning és l'aprenentatge per part de les màquines de coneixements i comportaments que serien difícils de dur a terme per l'humà. És més, el machine learning pot anar molt més enllà de la intel·ligència humana.

Principalment, aquesta tecnologia s'usa per a realitzar el processament d'ingents quantitats de dades d'una forma molt ràpida. Per a això, s'utilitzen algoritmes que canvien amb el temps i que es milloren de manera que puguin treballar molt millor. Per exemple, una planta de fabricació podria recollir dades de màquines i sensors en la seva xarxa en quantitats molt majors a les quals l'home és capaç de processar. En aquest cas, el machine learning podria detectar patrons i trobar anomalies que poden indicar que hi ha un problema.

L'aprenentatge automàtic combina principis d'altres disciplines per crear algorismes extremadament especialitzats. El disseny i l'enginyeria dels algorismes utilitza principis informàtics, mentre que el disseny d'algoritmes "intel·ligents" s'hereta de la IA. Les dades que s'utilitzen tant per entrenar com per provar els algorismes es recullen, s'organitzen i es netegen utilitzant els principis de la ciència de dades. Dins dels algorismes s'usen tècniques estadístiques per ajudar a tractar la probabilitat i la incertesa.

Exercici: Coneixes altres usos i aplicacions dels programes intel·ligents?

1.3 QUINS PROBLEMES PODEM RESOLDRE?

La programació tradicional (programes d'ordinador que tenen regles rígides establertes pel programador) és adequada per a molts, si no la majoria dels problemes que els ordinadors poden resoldre. La IA i el ML poden ajudar a resoldre problemes que serien massa complexos o consumeixen molt de temps amb les tècniques de programació tradicionals.

L'aprenentatge automàtic permet aprendre regles en lloc de construir-les manualment. Vegem alguns exemples de problemes comuns que es poden resoldre amb IA i ML:

1.3.1 Identificació complexa (classificació)

Els problemes de classificació impliquen subministrar dades a un ordinador perquè pugui assignar una etiqueta adequada a les dades. La classificació es pot utilitzar, per exemple, per identificar característiques a les imatges o per a l'anàlisi de sentiments, detecció de correu brossa i reconeixement de veu.

1.3.2 Predicció (regressió)

Un dels principals usos de l'aprenentatge automàtic és fer prediccions sobre esdeveniments futurs. Això es fa mitjançant un mètode conegut com a regressió, que analitza les dades històriques per fer prediccions futures. Mentre que la classificació tria una predicció per a una etiqueta, la regressió calcularà un nombre dins d'un interval. Un exemple d'on s'utilitza la regressió és la previsió meteorològica.

1.3.3 Organització del coneixement (clustering)

Tant la classificació com la regressió solucionen problemes requereixen una única sortida, sigui una etiqueta o una predicció. Però, també podeu utilitzar la IA i l'aprenentatge automàtic per analitzar i després organitzar grans conjunts de dades, per trobar grups i connexions que els humans potser no identifiquen.

Per exemple, els serveis de reproducció de música podrien utilitzar-ho per agrupar usuaris similars per fer recomanacions amb més precisió.

El procés s'anomena organització del coneixement perquè agrupa dades similars per mostrar millor les relacions en el conjunt de dades (coneixement). Hi ha dos tipus principals d'organització del coneixement: l'associació i l'agrupació (clústers).

1.4 COM APRENEN LES MÀQUINES?

En lloc de programar les regles d'una tasca directament, podeu pensar en l'aprenentatge automàtic com un procés que permet que un programa creï les seves pròpies regles per completar una tasca.

El producte final s'anomena model. Quan s'ha acabat l'aprenentatge, desplegueu el model en un programa d'IA que sap interpretar els resultats.

1.4.1 El procés d'aprenentatge automàtic

Tot i que cada projecte d'aprenentatge automàtic és diferent, tots segueixen el mateix cicle.

Entrada:

El primer pas és reunir les dades rellevants i netejar-les mitjançant la ciència de dades. A continuació, podeu dividir les dades en conjunts d'entrenament i de prova.

Entrenament:

El model analitzarà repetidament les dades d'entrenament i intentarà produir la sortida desitjada, ajustant-se a mesura que es faci més precís.

Test:

Durant les proves, el model s'exposa a dades de prova, que no havia vist abans.

Els models d'aprenentatge automàtic normalment inclouran una puntuació de confiança amb les seves prediccions. Podeu utilitzar-los per avaluar com s'ha entrenat el vostre model i per identificar punts de dades dels quals no està segur.

1.4.2 Com entrenar la teva màquina

Els processos d'entrenament per a l'aprenentatge automàtic poden diferir molt segons el tipus de problema, però gairebé tots seguiran aquest mateix patró.

Predir:

El model constarà de regles sobre com tractar les diferents característiques de les vostres dades. Les regles inicials solen ser aleatòries, per donar a l'algorisme un lloc on començar.

Aleshores, el model utilitzarà aquestes regles per fer una predicció sobre el resultat de les dades.

Error/pèrdua:

Després que el model hagi fet les seves prediccions, l'algoritme comprovarà la precisió del model. Aquest procés s'anomena error/pèrdua. El model necessita alguna manera de puntuar-se; normalment, això es genera utilitzant una funció d'error o pèrdua que retorna un valor únic que mostra com de diferents són les prediccions del model respecte al resultat real.

Ajust

Abans de la següent iteració, l'algoritme ajustarà les regles del model.

Finalment, el model arribarà a un punt en què una ronda d'ajust només condueix a un canvi insignificant en l'error. També podeu establir un nombre màxim d'iteracions després del qual deixarà d'entrenar.