L’aplicació BYOD transforma les operacions de missatgeria diàries en un flux de treball totalment connectat i basat en dades. Des de la validació dels paquets fins a la prova de lliurament i els informes d’interrupcions, cada acció es registra de manera segura i es transmet a la plataforma central, garantint que els proveïdors de logística estiguin completament informats.

Quan un missatger inicia la sessió, l’aplicació s’adapta automàticament a la configuració del desplegament específic del Living Lab. Les funcions i els fluxos de treball disponibles depenen del model operatiu de cada entorn. L’aplicació BYOD està dissenyada per admetre diferents desplegaments de ciutats amb configuracions personalitzades sense necessitat de canvis a l’aplicació principal.

A l’Athens Living Lab, per exemple, els missatgers poden operar a través de paquets o parades dins del menú principal. Aquesta flexibilitat permet que la mateixa aplicació admeti múltiples escenaris logístics sense alterar el sistema principal.

Funció Parcel

A la funcionalitat Parcel, els missatgers afegeixen paquets escanejant codis QR o introduint manualment els ID dels paquets. Per a una major eficiència, es poden seleccionar diversos paquets alhora escanejant conjunts de codis o introduint un ID de conjunt per al processament per lots.

Un cop validats, els paquets apareixen a la llista de treball actual, confirmant que estan correctament vinculats al missatger. Romanen visibles fins que es completa el lliurament o es retira manualment o un cop es confirma el lliurament al sistema. Una opció d’actualització permet al missatger recuperar la informació més actualitzada del paquet en qualsevol moment.

La selecció d’un paquet proporciona accés a dades essencials de lliurament, com ara el seu número d’identificació, estat, adreça de lliurament, data de lliurament prevista, pes, tipus de servei i ronda associada. Durant el procés de lliurament, els missatgers poden registrar esdeveniments i actualitzar la qualitat del paquet directament dins de l’aplicació.

Com a prova de lliurament, se selecciona un sol paquet i el receptor signa directament al dispositiu. La signatura es registra de manera segura i es notifica immediatament, garantint una confirmació fiable del lliurament i la traçabilitat.

Funció Stop

A través del menú principal, els missatgers poden canviar a la funcionalitat d’aturada, que proporciona una visió general estructurada de les parades planificades i la informació relacionada amb els paquets agrupats per ubicació de lliurament. Les parades es poden visualitzar en un mapa interactiu, oferint una visibilitat clara de la ruta i una millor consciència situacional mitjançant la geolocalització en temps real.

En seleccionar una parada, es revelen els paquets assignats a aquesta ubicació, cosa que permet als missatgers gestionar els lliuraments agrupats de manera eficient. Si es produeix una interrupció, el missatger pot informar-ne directament dins de l’aplicació seleccionant el tipus d’interrupció, afegint comentaris i compartint automàticament la seva posició. Aquesta comunicació en temps real permet ajustaments operatius immediats i una gestió proactiva de problemes.

Impacte del BYOD

L’eina Green-Log BYOD garanteix que cada acció, des de la validació dels paquets fins a la captura de signatures i els informes d’interrupcions, es transmeti de manera segura als operadors logístics. Aquest flux continu d’informació millora:

• La transparència
• Millora la coordinació
• Admet la presa de decisions basada en dades

En combinar flexibilitat, visibilitat operativa en directe i informes segurs, BYOD reforça l’eficiència del lliurament d’última milla alhora que contribueix a operacions logístiques urbanes més sostenibles i optimitzades en diferents entorns urbans.

→ Revisa la nostra solució Digital Twins

La entrada Bring Your Own Device overview se publicó primero en Mosaic Factor.

Dins del projecte AutoMoTIF, aquest repte s’aborda mitjançant el shunting as a service automatitzat, amb Mosaic Factor liderant el desenvolupament del framework de simulació.

Del coll d’ampolla operacional a les operacions ferroviàries coordinades

El shunting té un paper central a les terminals intermodals, vinculant els fluxos de càrrega marítima amb la distribució interior. Tanmateix, les operacions de maniobres tradicionals sovint són reactives, fragmentades entre sistemes, requereixen molta mà d’obra i són ineficients energèticament.

El shunting com a servei reinventa aquestes operacions com una plataforma de servei orquestrada digitalment on les locomotores autònomes, els recursos de les patis i els sistemes de programació operen com un ecosistema integrat. L’objectiu no és simplement l’automatització, sinó l’optimització del servei.

Simulació que impulsa la transformació

L’entorn de simulació avançat de Mosaic Factor replica la complexitat operativa de les terminals ferroviàries, incloent-hi els moviments de trens, la classificació de vagons, les restriccions de capacitat de les estacions, els cicles de manipulació de contenidors, l’assignació de recursos i els escenaris de disrupció.

Les locomotores de shunting autònomes es modelen com a agents intel·ligents que responen dinàmicament a la congestió, els canvis d’horari i les restriccions d’infraestructura.

Mitjançant la modelització d’escenaris, les simulacions avaluen:

• Temps de maniobres reduït
• Temps de rotació de vagons més ràpids
• Temps d’inactivitat i d’espera més baixos
• Consum d’energia optimitzat
• Augment del rendiment de les estacions
• Millora de la seguretat i costos operatius més baixos

Aquest enfocament basat en dades garanteix que els conceptes d’automatització es validen abans del desplegament al món real.

Plataforma Shunting as a Service

El shunting as a service introdueix un canvi en la manera com s’estructuren les operacions de les estacions. En lloc d’una activitat interna fixa, el shunting es modela com una plataforma orientada al servei on la capacitat s’assigna dinàmicament, les operacions es coordinen digitalment i el rendiment es controla contínuament.

Aquest enfocament admet una major interoperabilitat entre els operadors de terminals, els gestors d’infraestructures ferroviàries, els proveïdors de logística i les autoritats portuàries, alhora que permet la integració amb altres processos automatitzats dins d’AutoMoTIF.

Donant suport a terminals ferroviàries més intel·ligents 

Per garantir resultats realistes, Mosaic Factor calibra simulacions utilitzant dades operatives històriques, entrades de planificació i escenaris de proves d’estrès que reflecteixen la demanda màxima i el creixement futur.

Els models resultants proporcionen eines de suport a la decisió per a la inversió en infraestructura, estratègies d’automatització, models de negoci i alineació normativa, ajudant a reduir el risc i accelerar el desplegament.

Enfortiment de la xarxa ferroviària de mercaderies d’Europa

En millorar l’eficiència ferroviària, les maniobres automatitzades donen suport a objectius logístics més amplis, com ara:

• Canvi modal de carretera a ferrocarril
• Reducció de la congestió de les terminals
• Menors emissions
• Condicions de treball més segures
• Operacions logístiques més fiables

Mitjançant la validació basada en simulació, Mosaic Factor demostra com les maniobres automatitzades poden augmentar el rendiment, reduir els retards, optimitzar l’ús d’energia i millorar la seguretat.

El shunting automatitzat com a plataforma orientada al servei representa més que una actualització tecnològica. Introdueix un nou model operatiu que reforça el paper del ferrocarril en el sistema de transport europeu alhora que dóna suport a una xarxa logística més eficient i sostenible.

→ Revisa la nostra solució en Digital Twins

La entrada Automated Shunting as a Service Platform se publicó primero en Mosaic Factor.

Afrontant els punts cecs urbans

En entorns urbans amb trànsit intens, els cotxes aparcats, els edificis i la vegetació sovint bloquegen els sensors dels vehicles, creant punts cecs que suposen riscos greus, especialment per als usuaris vulnerables de la via (VRUs) com nens, ciclistes o treballadors viaris. Els sistemes de detecció actuals tenen dificultats en aquests escenaris, amb taxes de reconeixement que cauen per sota del 65% quan els individus estan completament ocults.

HIDDEN vol superar aquest repte millorant la consciència col·lectiva mitjançant la comunicació Vehicle-to-Everything (V2X) i la intel·ligència artificial. En compartir dades de sensors entre vehicles, infraestructura i usuaris de la via, el projecte permet una comprensió més completa i dinàmica de l’entorn urbà.

Intel·ligència híbrida: la fusió entre humans i màquines

El que diferencia HIDDEN és l’ús de la Hybrid Intelligence (HI): una combinació d’intel·ligència humana i artificial. Aquest enfocament permet que els sistemes automatitzats prenguin decisions no només tècnicament sòlides, sinó també èticament i legalment fonamentades, reflectint el judici i el comportament humans.

“HIDDEN va més enllà de la IA convencional”, va dir el Dr. Angelos Amditis, coordinador del projecte i director de R+D a ICCS. “Integrem el judici humà en el procés perquè els sistemes automatitzats actuïn no només amb precisió, sinó també amb saviesa.”

Proves en entorns reals

El projecte provarà el seu enfocament en quatre escenaris urbans d’alt risc:

• Un nen corrent des de darrere d’un vehicle aparcat
• Un ciclista que circula per zones de trànsit mixt
• Un treballador viari amagat per la vegetació
• Un vehicle ocult en una intersecció sense semàfor

Aquests casos reflecteixen reptes complexos del món real on una percepció millorada i una presa de decisions ètica poden salvar vides.

Una col·laboració paneuropea cap a ciutats més segures i intel·ligents

Finançat pel Cluster 5 d’Horizon Europe amb una subvenció d’aproximadament 5 milions d’euros, HIDDEN compta amb el suport de la Connected, Cooperative and Automated Mobility (CCAM) Partnership. El consorci inclou 14 socis i 2 entitats afiliades de 7 països de la UE, reunint experts d’instituts de recerca, universitats, pimes, líders de l’automoció, organismes reguladors i investigadors en ciències socials.

HIDDEN no tracta només de vehicles més intel·ligents —sinó de construir confiança, alinear la tecnologia amb els valors humans i obrir el camí cap a carrers més segurs a tot Europa. Mitjançant proves de camp i simulacions virtuals, el projecte validarà les seves tecnologies i col·laborarà estretament amb els organismes europeus d’homologació i els grups de treball de la UNECE per influir en les futures normatives i polítiques.

La contribució de Mosaic Factor

Mosaic Factor lidera el desenvolupament de mètodes d’Explainable AI (XAI) i Human-Feedback Reinforcement Learning (RLHF) dins del projecte. El seu treball se centra en la creació d’un kit d’eines explicatiu basat en la transparència que fomenti la confiança, l’acceptació dels usuaris i la integració ètica de la IA en vehicles connectats i automatitzats.

Per a més informació, pots llegir i descarregar la nota de premsa completa aquí:

HIDDEN Press Release _EN_final

→ Revisa les nostres solucions de Data Enhanced Products

La entrada HIDDEN project launch se publicó primero en Mosaic Factor.

Principals reptes per als equips d’IA en automoció

Els principals reptes en el desenvolupament de models d’IA per a SDV són:

• Classificació d’alt risc: els sistemes d’IA en SDV sovint es classifiquen com a “d’alt risc”, cosa que activa processos obligatoris d’avaluació de conformitat, documentació i preparació per a auditories.
• Paisatge normatiu complex: amb més de 450 pàgines de text legal, traduir la regulació en tasques d’enginyeria és un repte considerable. Les revisions manuals i la documentació fragmentada frenen la innovació i augmenten els costos.
• Pressió d’auditories: els equips han d’estar preparats per a inspeccions programades i imprevistes. El no compliment pot comportar multes de fins a 7,5 milions d’euros o el 3% de la facturació global.

Marcs de confiança i compliment en IA

Per afrontar aquests obstacles, és essencial desenvolupar marcs de compliment modulars i automatitzats adaptats als SDV per permetre:

• Avaluacions de sistema integrals: revisions ràpides i preparades per a auditories, alineades amb la Llei d’IA de la UE.
• Informes configurables: avaluacions dirigides a components específics d’IA, com l’equilibri del conjunt de dades o la transparència del model.
• Interfície per a la fase d’auditoria: eines per a avaluadors externs que agilitin el feedback i redueixin el temps d’avaluació.

Qui s’hi ha de preocupar?

• OEMs: responsables del compliment a nivell de sistema, han de garantir que tots els components d’IA compleixin els estàndards normatius abans del llançament del vehicle.
• Proveïdors Tier 1: desenvolupadors de mòduls crítics d’IA que han de demostrar el compliment a nivell de component davant els OEMs, millorant la col·laboració i la competitivitat al mercat.

Implicacions per a tota la indústria

La Llei d’IA de la UE no és només un obstacle legal, sinó una oportunitat estratègica. En integrar el compliment dins del cicle de desenvolupament, els fabricants poden crear sistemes d’IA més resilients, transparents i preparats per al futur.

La Llei fomenta:

• Col·laboració transversal: els equips d’IA, ciberseguretat, seguretat i regulació han de treballar conjuntament.
• Responsabilitat durant tot el cicle de vida: des del disseny fins al seguiment post-mercat, la traçabilitat esdevé un requisit essencial.
• Innovació a través de l’estructura: les eines i marcs automatitzats converteixen el compliment en un catalitzador de millors pràctiques d’enginyeria.

A mesura que els SDV esdevenen la norma, la Llei d’IA de la UE definirà com es construeix, valida i desplega la IA en l’automoció. Els desenvolupadors i proveïdors amb visió de futur que adoptin un compliment estructurat no només evitaran sancions, sinó que lideraran la nova onada de mobilitat intel·ligent.

GPAI i GenAI sota la Llei d’IA de la UE: què han de saber els desenvolupadors

El Codi de bones pràctiques de GPAI, finalitzat el maig del 2025, ofereix una orientació essencial per als proveïdors de models d’Intel·ligència Artificial d’Ús General (GPAI), inclosos els sistemes d’IA generativa (GenAI). La Llei d’IA europea diferencia entre models GenAI complexos —amb risc sistèmic— i models GenAI simples, cadascun amb diferents nivells d’exigència normativa:

• GenAI complexos (models de risc sistèmic): aquests models superen llindars com els 10²⁵ FLOPs de capacitat de càlcul en l’entrenament o mostren altes capacitats d’impacte en diversos dominis. Els proveïdors han de dur a terme proves adversàries, avaluacions de risc i informes d’incidents, així com garantir proteccions de ciberseguretat. També han de notificar la Comissió Europea per a la seva inclusió en la base de dades pública i mantenir una documentació detallada de l’arquitectura i les estratègies d’avaluació del model.
• Models GenAI simples: no es consideren de risc sistèmic i tenen obligacions més lleugeres. Els proveïdors han de publicar un resum de les dades d’entrenament, garantir el compliment dels drets d’autor i mantenir documentació tècnica per als usuaris finals. La transparència és clau: les sortides han d’estar degudament etiquetades i els usuaris han de ser informats quan interactuen amb sistemes d’IA.

El Codi de bones pràctiques actua com una guia per demostrar el compliment normatiu, ajudant els desenvolupadors a navegar pels requisits multinivell de la Llei d’IA, alhora que fomenta la innovació i la confiança en les tecnologies GenAI.

La entrada Interpretant l’AI Act de la UE: què significa per als desenvolupadors de vehicles definits per programari (SDV) i per als innovadors del sector de l’automoció se publicó primero en Mosaic Factor.

A continuació, destaquem les principals tendències i desenvolupaments que van sobresortir.

Innovacions en Digital Twin

La fira va reunir nombroses solucions de Digital Twin, amb èmfasi en la posada en marxa virtual i els serveis de fabricació en temps real:

• Delta Electronics va presentar un Digital Twin per a la posada en marxa virtual de cèl·lules robòtiques d’encolat, millorant l’eficiència de l’automatització.
• Una iniciativa de codi obert d’IDTA (Eclipse Foundation) va despertar interès per facilitar l’accessibilitat en la tecnologia Digital Twin.
• La circularitat va emergir com un tema clau, amb aportacions de Fraunhofer i Schneider per promoure pràctiques de fabricació sostenibles. Aquests projectes van abastar sectors com la producció alimentària i el reciclatge de components d’automoció.
• Siemens va mostrar una simulació de túnel de vent utilitzant tecnologies de Digital Twin i IA, demostrant el potencial per a mètodes de prova avançats.

La IA com a motor de la innovació

Les aplicacions d’IA en la indústria van tenir una presència destacada, anant més enllà de l’aprenentatge automàtic tradicional:

• Es va subratllar la importància de la IA explicable (XAI) i de la IA certificada, reflectint el compromís del sector amb la transparència i la fiabilitat.
• Schneider va utilitzar la IA en la producció de begudes vegetals per optimitzar processos i garantir una concentració constant de sucre —un exemple de com l’aprenentatge automàtic pot automatitzar tasques complexes.
• Les solucions d’IA de DFKI van incloure l’anàlisi de configuracions de temperatura per a sistemes de calefacció i el control de qualitat en la construcció de carrosseries de vehicles, combinant anàlisi d’imatges, sensors i tecnologia Digital Twin.
• Les aplicacions de robòtica integrades amb IA també van introduir explicabilitat en tasques com la detecció d’errors de muntatge i la automatització de les revisions de qualitat.

Convergència entre robòtica i IA

Les exposicions de robòtica van presentar aplicacions molt diverses:

• El Projecte ROX va demostrar processos d’automatització industrial.
• Siemens va presentar projectes que combinaven robots amb PLC virtuals impulsats per IA i models de llenguatge massius (LLMs). Una de les aplicacions consistia a muntar joguines segons les instruccions dels clients a través d’una interfície digital.

La Hannover Messe va demostrar que la sinergia entre els Digital Twins, la IA i la robòtica està transformant la indústria. Aquestes tecnologies no només milloren l’eficiència, sinó que també obren el camí cap a solucions de producció més sostenibles i innovadores.

[https://youtube.com/shorts/hRGyJYvWxv8?si=ZXRM5nmH-dbDFyQ7

[https://youtube.com/shorts/SlGmJ61gLsk?feature=share

La entrada Hannover Messe: explorant el futur de la indústria se publicó primero en Mosaic Factor.

L’eina de planificació d’ubicació de punts de càrrega per a vehicles elèctrics inclou dades sociodemogràfiques, fluxos de mobilitat i dades de sessions de càrrega de punts existents per predir necessitats futures de punts de càrrega, tant lents com ràpids, d’acord amb escenaris que consideren l’adopció prevista dels vehicles elèctrics. L’eina es va presentar a grups d’usuaris objectiu, principalment autoritats públiques interessades en la col·locació efectiva i eficient dels punts de càrrega. Els seus comentaris han estat positius, especialment perquè els ajuda a determinar quins emplaçaments prioritzar i on desplegar nous carregadors.

D’altra banda, els usuaris han identificat diferents beneficis a partir de les demostracions de l’eina.

1. Facilita la presa de decisions informades permetent als usuaris prendre decisions basades en dades a l’hora de planificar la infraestructura de càrrega, millorant clarament els mètodes tradicionals basats en la intuïció.
2. L’eina també assegura l’eficiència en l’assignació de recursos centrant-se en les ubicacions amb més potencial per a nous punts de càrrega i estimant taxes d’ús i rendibilitat.
3. També millora la satisfacció dels conductors de vehicles elèctrics augmentant la disponibilitat de punts de càrrega a les zones amb més demanda.
4. Finalment, l’eina dona suport a la planificació a llarg termini simulant escenaris de tres a cinc anys, aportant confiança per a futurs desenvolupaments.

Tot i això, durant la reunió final del projecte es van destacar recomanacions per a responsables polítics i inversors per orientar futurs esforços i inversions en infraestructures de càrrega. Les experiències dels socis del projecte i una enquesta europea a autoritats públiques i operadors van assenyalar:

• la necessitat de guies de disseny adaptades,
• connexions de xarxa millorades,
• processos de planificació més àgils,
• la importància de la interoperabilitat,
• interfícies fàcils d’utilitzar,
• i suport polític per maximitzar l’impacte i l’accessibilitat de les solucions innovadores de mobilitat elèctrica.

De cara al futur, després de la finalització del projecte, esperem reutilitzar i possiblement escalar el concepte del producte. Els nostres esforços d’escalabilitat i explotació per a aquesta eina se centraran en:

1. Anàlisi de mercat i negoci per avaluar l’encaix en d’altres ubicacions i organitzacions d’Europa dins de l’ecosistema dels vehicles elèctrics.
2. Contacte i plans d’implementació per reutilitzar el concepte de l’Eina de Planificació d’Ubicació a nivell d’R+D en les ubicacions i organitzacions identificades, en col·laboració amb els socis del desenvolupament del model.
3. Recollida de resultats per avaluar la validació del pla de desplegament europeu en les ubicacions i organitzacions preidentificades i planificar possibles escales futures a altres regions fora de la UE.
4. Avaluació de diferents casos d’ús en què el producte podria escalar-se en mercats fora de l’àmbit del vehicle elèctric on l’aplicabilitat és rellevant (per exemple, vehicles d’hidrogen).

La plataforma de simulació

Durant el projecte, primer vam analitzar les necessitats dels conductors de vehicles elèctrics en relació amb la càrrega, la qual cosa va donar com a resultat la solució que vam dissenyar i integrar: l’Eina de Planificació d’Ubicació.

Aquesta eina s’ha utilitzat i validat en tres tipus d’àrees durant el projecte:

1. Un petit poble en un entorn rural sense vehicles elèctrics (Val Trompia, al nord d’Itàlia). Les autoritats públiques van validar l’eina.
2. Una ciutat, Barcelona. Una empresa ha validat l’eina: B:SM (Barcelona de Serveis Municipals).
3. Un país, Luxemburg, on els CPOs l’han validada.

Aquesta triple validació de l’eina ha demostrat ser valuosa per il·lustrar el potencial i les capacitats del nostre enfocament de combinar anàlisi de Big Data amb ús en temps real per permetre que les administracions públiques i les empreses privades planifiquin el desplegament futur d’infraestructures de càrrega als llocs adequats.

→ Consulta la nostra solució de Models Predictius

La entrada Eina de planificació d’ubicació de punts de càrrega se publicó primero en Mosaic Factor.

En el lliurable d’aquest projecte, proporcionem una visió completa de la Plataforma de Modelatge d’Intel·ligència Augmentada (AIMP), destacant-ne l’arquitectura, les funcionalitats i les metodologies dissenyades per afrontar els reptes de la logística urbana. També hem definit les etapes de desenvolupament de la plataforma, els principals components arquitectònics, les dependències i les funcionalitats orientades a l’usuari, establint una base sòlida per al seu perfeccionament continu.

S’ha fet un progrés significatiu en el desenvolupament de l’AIMP, incloent-hi la creació d’un Producte Mínim Viable (MVP) i posteriors versions iteratives, la implementació d’una arquitectura escalable i el desplegament de funcionalitats bàsiques com la predicció de la demanda i l’optimització ràpida. Aquests assoliments posen de manifest la capacitat de la plataforma per oferir solucions pràctiques i eficients per a escenaris reals de logística urbana.

De cara al futur, els esforços de desenvolupament se centraran en:

• Ampliar les funcionalitats i garantir la compatibilitat entre components.
• La versió 3 de la plataforma introduirà característiques interactives, que permetran als usuaris ajustar els paràmetres d’optimització directament dins de l’aplicació.
• La versió 4 estendrà totes les funcionalitats a tots els Living Labs, assegurant l’adaptabilitat als diversos contextos urbans.

La versió final incorporarà el mòdul d’optimització millorat, integrant fluxos de treball de simulació per crear una plataforma plenament operativa capaç d’afrontar necessitats logístiques complexes. Mitjançant la iteració contínua, la col·laboració amb les parts interessades i proves meticuloses, l’AIMP està en camí de convertir-se en una solució robusta i adaptable per a la logística urbana, donant resposta a les necessitats dels Living Labs i demostrant el seu potencial en aplicacions reals.

La plataforma de simulació

Aquí pots veure un petit avançament de com és l’AIMP:

→ Consulta la nostra solució de Digital Twins

La entrada Plataforma de Modelatge d’Intel·ligència Augmentada se publicó primero en Mosaic Factor.

Per oferir una idea, els cinc algorismes que fem servir més sovint per a models predictius són:

1. Models estadístics: models i enfocaments estadístics sofisticats com el modelatge generalitzat, la regularització, la inferència bayesiana i l’anàlisi i predicció de sèries temporals, que s’utilitzen per capturar dependències complexes, modelar la incertesa i fer prediccions robustes basades en distribucions de dades complexes i estructures latents.
2. Algorismes d’aprenentatge automàtic: models potents per capturar relacions complexes entre dades mitjançant tècniques basades en arbres, nuclis i conjunts (bagging, boosting, stacking, blending i ensembles de vot). Els enfocaments d’aprenentatge supervisat avançats s’enriqueixen amb tècniques que milloren la generalització i la interpretabilitat. L’aprenentatge per reforç es basa en la interacció amb l’entorn, aplicant optimització de polítiques, aprenentatge basat en valor i mètodes actor-crític per a la presa de decisions seqüencials. També desenvolupem i fem servir tècniques d’aprenentatge no supervisat per descobrir patrons ocults i crear segments i grups. Aquestes tècniques inclouen:
   1. agrupament (clustering),
   2. reducció de dimensionalitat,
   3. i aprenentatge de representacions.
3. Tècniques d’aprenentatge profund: l’aprenentatge profund es basa en xarxes neuronals profundes per aprendre representacions jeràrquiques de les dades, essent clau en aplicacions com el processament del llenguatge natural i el reconeixement d’imatges.
4. Xarxes neuronals: models i enfocaments avançats provinents de l’aprenentatge profund. L’aprenentatge de representacions i les arquitectures basades en atenció permeten assolir l’estat de l’art, i fins i tot anar més enllà, amb innovacions en àrees com la visió per computador, el processament del llenguatge natural i el modelatge seqüencial. L’objectiu és:
   1. millorar la generalització,
   2. la escalabilitat,
   3. i la interpretabilitat mitjançant tècniques avançades que amplien els límits del que una màquina pot aprendre.
5. Intel·ligència artificial explicable (XAI): mètodes que busquen entendre com els models amb conjunts de dades i estructures complexes fan les seves prediccions, aportant transparència als processos de presa de decisions. Aquestes tècniques inclouen enfocaments tant agnòstics com específics del model; són crucials per comprendre la raó darrere d’una sortida o decisió d’un model.

→ Consulta les nostres solucions de Models Predictius i també les nostres solucions de Trustworthy AI.

La entrada Els nostres principals algorismes per al modelatge predictiu se publicó primero en Mosaic Factor.

Què són els LLMs?

LLMs (Large Language Models) són sistemes avançats d’intel·ligència artificial capaços d’entendre i generar diverses formes de contingut, incloent-hi text, codi, imatges, vídeo i àudio. Aquests models estan entrenats amb almenys mil milions de paràmetres (punts de dades), que els permeten captar patrons del llenguatge i respondre adequadament.

Els LLMs tenen aplicacions en tasques de processament del llenguatge natural com ara generació de text, traducció, anàlisi de sentiments, anàlisi de dades, resposta a preguntes i resum de textos.

Evolució dels LLMs

Algunes fites clau són:

• 1966 ELIZA: el primer xatbot que simulava un psicoterapeuta.
• 2013 word2vec: mètodes eficients per aprendre representacions de paraules a partir de text cru.
• 2018 GPT i BERT: models revolucionaris.
• 2020 GPT-3: un salt significatiu.
• Finals de 2021 i 2022: GPT-4 i altres avenços.
• Models estadístics: desenvolupats per aprendre patrons a partir de dades textuals.

LLMs vs. NLP

Mentre que els models de NLP (Natural Language Processing) interpreten o transformen text existent, els LLMs destaquen per generar text nou i coherent des de zero.

Poden crear assajos, històries i fins i tot codi informàtic que imita l’estil d’escriptura humà.

Light LLMs

Actualment, hi ha una importància creixent dels models més petits (light LLMs) per a aplicacions en dominis específics.

Mentre que els models més grans són de “propòsit general”, els light LLMs es desenvolupen amb un ús específic de sector en ment.

És a dir:

• Els models grans utilitzen un gran nombre de paràmetres, sense ajustar-se a un ús concret, consumeixen molta energia, de vegades amb una fiabilitat qüestionable, i proporcionen respostes fins i tot quan no les saben.
• Els models més petits tenen en compte l’ús que se’ls donarà, refinant les seves respostes (fine-tuning) per adaptar el model a un ús específic.

Beneficis dels Light LLMs

1. Eficiència: els light LLMs requereixen menys recursos computacionals, fet que els fa més ràpids i econòmics.
2. Escalabilitat: les empreses poden desplegar light LLMs en diverses aplicacions sense saturar la infraestructura.
3. Personalització: els models lleugers permeten ajustar-los a tasques específiques segons les necessitats de l’empresa.
4. Privacitat: els models més petits redueixen el risc de filtració de dades sensibles.
5. Manteniment més senzill: els light LLMs són més fàcils de gestionar i actualitzar.

En conclusió, tot i que els LLMs de codi obert i tancat tenen els seus avantatges, els light LLMs ofereixen beneficis pràctics per a empreses que busquen solucions eficients i adaptables. Per tant, cal considerar les necessitats específiques a l’hora d’escollir el model adequat per a la teva organització.

→ Consulta la nostra solució LLMs

La entrada Què són els LLMs lleugers? se publicó primero en Mosaic Factor.

El nostre equip va visitar Kyutech al Japó per col·laborar en la creació de productes sanitaris millorats amb IA

Durant la conferència, vam poder connectar amb els principals investigadors, desenvolupadors i institucions de HealthTech. Després de la conferència, el nostre equip es va reunir amb el professor Sozo Inoue, director del “Care XDX Center Kyutech”, Institut de Tecnologia de Kyushu, centrat en l’aplicació de ML i IoT en el reconeixement d’activitats dirigit a la tecnologia de salut i d’infermeria. Aquestes tecnologies poden millorar significativament l’atenció i el seguiment del pacient. També va ser rellevant la conversa amb la doctora Colley de la Universitat de Hokkaido (Noriyo Colley, Ed.D., MNS, BE, BN, RN al Japó i Austràlia), qui, juntament amb el seu equip, ha desenvolupat un interactive simulator per formar infermeres i millorar la qualitat de l’atenció dels pacients d’infermeria, especialment de nens i nenes amb necessitats especials en homecare. La formació eficaç dels perfils d’infermeria és essencial per mantenir uns serveis sanitaris de gran qualitat.

Innovació en Big Data i IA

Aquests contactes facilitaran la col·laboració entre institucions tant en l’àmbit de la innovació en projectes de big data i IA com en la promoció de nous productes basats en dades al mercat internacional per millorar els sistemes assistencials (HealthTech). Sens dubte, col·laboracions com aquestes fomenten la innovació: la integració de big data i IA pot conduir a avenços en l’atenció mèdica, des d’anàlisis predictives fins a tractaments personalitzats. És emocionant veure com aquest tipus de col·laboració impulsarà nous productes basats en dades a escala mundial, millorant els sistemes de salut.

Seminari sobre Trustworthy AI

Durant la seva visita, la nostra CMO, en compliment del seu paper com a professora associada a la UAB, així com en la seva trajectòria professional com a experta en estratègia i negocis digitals, va realitzar el seminari titulat “Trustworthy AI: resolent problemes amb dades mentre es genera un impacte positiu en la societat” a l’Institut de Tecnologia de Kyushu. La xerrada va tractar sobre la importància de treballar no només en l’ús de les dades per resoldre problemes reals de les empreses i la societat, sinó també sobre la rellevància de pensar i establir com treballar amb les dades a nivell estratègic: prestant atenció tant als aspectes de mercat com al que s’anomena IA confiable (trustworthy AI). Això inclou elements com l’accessibilitat, la seguretat, l’equitat, la rendició de comptes, la transparència, la fiabilitat i la solidesa dels algoritmes d’intel·ligència artificial que s’integren, així com la capacitat d’explicar com arriben a les seves conclusions. És crucial garantir un desenvolupament ètic i transparent de la IA. Els factors anteriors són essencials per construir sistemes d’IA que beneficiïn la societat. Això significa treballar amb algoritmes d’IA amb una perspectiva “White box”, incloent enfocaments explicables per disseny i d’equitat per disseny; per tant, fer que la IA sigui confiable tenint també la capacitat d’explicar el raonament darrere de l’algoritme i fer que aquesta explicació sigui accessible a les diferents parts interessades perquè puguin prendre decisions estratègiques i comercials basades en aquesta informació, en lloc de treballar amb eines d’IA com si fossin una caixa negra. Finalment, la xerrada va incloure diferents casos d’ús en què estem treballant a Mosaic Factor sobre l’aplicació d’algoritmes d’IA en diferents sectors, entre ells l’explicabilitat dels algoritmes d’IA i les solucions de Trustworthy AI.

→ Revisa les nostres solucions de Trustworthy AI

La entrada Productes millorats amb IA per millorar l’atenció sanitària se publicó primero en Mosaic Factor.