Més enllà del RAG tradicional

Els canals del RAG tradicional incorporen una consulta, recuperen context i generen una resposta. Agentic RAG introdueix intel·ligència en el procés. Classificant la intenció abans de decidir si cal recuperar informació, trucar eines o respondre directament, les empreses reporten reduccions de costos de fins al 40% i millores de latència del 35%.

Patrons clau que n’impulsen l’adopció

Els experts de la indústria assenyalen tres patrons arquitectònics que defineixen Agentic RAG:.

• Intent-Based Query Routing: determina si és necessari recuperar informació o si una resposta directa és suficient.
• Orquestració d’eines amb gestió d’errors: coordina APIs, calculadores i bases de dades mentre gestiona els errors de manera eficient.
• Avaluació contínua de costos i latència: controla l’ús de tokens i els indicadors de rendiment en temps real.

Aquests patrons permeten als sistemes decidir, adaptar-se i optimitzar, un requisit crític per a la IA a escala empresaria

Arquitectura en pràctica

Els sistemes Agentic RAG normalment es construeixen sobre tres capes:

• Capa d’Orquestració: el “cervell de decisió” que dirigeix les consultes de manera intel·ligent.
• Capa d’Execució: gestiona la recuperació d’informació, les crides a eines i la inferència LLM.
• Capa d’Infraestructura: proporciona bases de dades vectorials, gestió del desplegament i observabilitat.

A diferència del RAG tradicional, que sempre realitza recuperació d’informació, l’Agentic RAG avalua si la recuperació és necessària, organitzant la combinació òptima de recuperació, eines i generació.

Flexibilitat del proveïdor a través de capes de gateway

Una altra tendència clau és l’auge de les abstraccions de gateway que permeten als desenvolupadors canviar sense problemes entre proveïdors com OpenAI, Anthropic, Google i Bedrock. Aquest enfocament permet:

• Encaminament de reserva quan els proveïdors tenen temps d’inactivitat;
• proves A/B sense canvis de codi;
• optimització de costos dirigint les consultes al model més eficient;
• llibertat respecte a la dependència d’un proveïdor.

Les empreses estan adoptant cada cop més passarel·les unificades per equilibrar velocitat, cost i fiabilitat entre els proveïdors.

Conclusió

L’Agentic RAG ja no és un experiment de nínxol, sinó el model per als sistemes d’IA de producció. En combinar la recuperació amb la presa de decisions, l’orquestració i l’observabilitat, la tècnica estableix nous estàndards d’eficiència i adaptabilitat en l’IA empresarial.

“L’IA de producció no tracta només de la recuperació. Tracta d’intel·ligència: saber quan recuperar, quan utilitzar eines i quan respondre directament. L’Agentic RAG ofereix aquesta intel·ligència”.

La entrada Agentic RAG per IA se publicó primero en Mosaic Factor.

Analitzem els principals tipus d’IA i com t’ajudem a aplicar-los.

AGI: l’horitzó a llarg termini

La IA general, o Artificial General Intelligence (AGI), fa referència a màquines capaces de dur a terme qualsevol tasca intel·lectual que pugui fer un humà. És flexible, autònoma i capaç de raonar a través de diferents dominis.

Estat actual: l’AGI encara és teòrica. No existeix cap sistema que hagi assolit una intel·ligència realment general.

Creiem que és un tema altament interessant, i seguim amb gran interès i expectació la seva evolució.

IA generativa: creativitat real a escala

La IA generativa (o GenAI) ja està transformant indústries. Aquests models creen contingut nou —text, imatges, codi o àudio— a partir de patrons de dades apresos.

Casos d’ús que podem oferir amb GenAI:

• Generació automàtica de contingut per a sectors específics (com el sanitari).
• Resum de documents i anàlisi de contractes per a equips legals o de compliment normatiu.
• Chatbots intel·ligents per a consultes internes o atenció al client.
• Eines de generació i depuració de codi per a desenvolupadors d’indústries específiques (com l’automoció).

Les nostres solucions: som capaços de crear i ajustar models de IA generativa utilitzant dades propietàries, garantint resultats precisos, alineats amb la marca i complint la normativa. Tant si necessites un assistent personalitzat tipus GPT com un generador d’imatges per al disseny de productes, podem fer-ho realitat.

Tècniques específiques d’IA

El nostre focus principal és ajudar les empreses a resoldre reptes concrets mitjançant tècniques avançades d’IA. És el que sempre hem fet —el que anomenem “IA tradicional”— i ha estat central en el nostre recorregut des de la fundació.

El nostre enfocament: dissenyem, entrenem i implementem aquests models amb suport complet durant tot el seu cicle de vida: des de l’estratègia i la infraestructura de dades fins al govern i el seguiment del rendiment.

Per què col·laborar amb Mosaic Factor?

La IA és poderosa, però només quan s’aplica amb precisió. No només oferim eines, sinó transformació.

• Consultoria estratègica en IA i desenvolupament de fulls de ruta
• Disseny i integració de models personalitzats
• Desplegament escalable en el núvol o a l’edge
• Suport continu, compliment normatiu i optimització

Tant si explores la IA generativa per automatitzar processos creatius com el machine learning per millorar l’eficiència operativa, t’ajudem a transformar el potencial en rendiment real.

Estàs preparat per descobrir què pot fer la IA pel teu negoci? Contacta amb nosaltres per construir junts alguna cosa extraordinària.

La entrada IA general vs. IA generativa: què signifiquen per al teu negoci se publicó primero en Mosaic Factor.

En definitiva, parlem de tenir models oberts i conformes, basats en la diversitat i l’ètica, a escala europea.

LLM específics per a la indústria

Treballar en el desenvolupament de models de llenguatge específics per a la indústria, basats en els models OpenEuroLLM, ofereix una oportunitat única per a les empreses. Aquests models no només democratitzen l’accés a tecnologies d’IA d’alta qualitat, sinó que també permeten una personalització precisa per satisfer les necessitats concretes de cada sector.

Principals beneficis:

1. Adaptabilitat i precisió: els models es poden ajustar per a aplicacions específiques, millorant la precisió i la rellevància de les solucions d’IA en contextos industrials.
2. Compliment normatiu: desenvolupats dins del marc regulador europeu, aquests models garanteixen que les solucions d’IA compleixin la normativa vigent, reduint els riscos legals i ètics.
3. Diversitat lingüística i cultural: la capacitat multilingüe d’aquests models preserva la diversitat lingüística i cultural, permetent a les empreses operar de manera efectiva en múltiples mercats europeus.
4. Transparència i comunitat: la naturalesa oberta del projecte fomenta la col·laboració i l’intercanvi de coneixement, creant una comunitat activa de desenvolupadors i usuaris que poden contribuir a la millora contínua dels models.

Basats en IA fiable

Per a les empreses, invertir en el desenvolupament de models de llenguatge específics per a la indústria basats en OpenEuroLLM no és només una estratègia innovadora, sinó també una manera d’assegurar-se que es troben a l’avantguarda de la tecnologia d’IA, complint amb els estàndards europeus i aprofitant plenament les capacitats de la intel·ligència artificial per augmentar la seva competitivitat en el mercat global.

→ Consulta la nostra solució LLMs

La entrada LLM oberts per a la transparència en la IA 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.

1. Healthcare

Quan treballem amb el sector sanitari, parlem d’entorns altament regulats que han d’estar certificats, ser fiables i rendir comptes de les seves respostes. Per exemple, en fer el diagnòstic de la malaltia d’un pacient, la IA explicable pot explicar els elements i dades que s’han utilitzat per diagnosticar aquest pacient. D’aquesta manera, ajudem a crear una major confiança entre els pacients i els seus metges, alhora que es mitiguen possibles problemes ètics quan una màquina ajuda a detectar una malaltia.

Els casos d’ús típics per a això són la validació de prediccions d’IA que treballen amb dades d’imatges mèdiques en el diagnòstic del càncer.

2. Indústria

La IA explicable també es pot aplicar en una línia de producció per detectar, mapar i explicar les causes del comportament inadequat de la màquina o de les sortides defectuoses dels productes, fet que provoca les anomenades “no conformitats” en la qualitat del producte en el procés de producció o posa de manifest la necessitat de manteniment.

D’aquesta manera, hi ha una millor comprensió de la comunicació màquina-màquina i màquina-operador, i es poden establir polítiques de gestió empresarial per disminuir costos i guanyar productivitat, alhora que es mantenen la fiabilitat i els estàndards de producció que s’han de complir i certificar.

3. Mobility

La IA explicable està adquirint cada vegada més importància en el sector del transport i l’automoció a causa de l’expansió de l’IoT i de les solucions de mobilitat intel·ligent, així com de la possible expansió de l’ús de vehicles autònoms, primer en entorns empresarials com vehicles logístics autònoms o trens, i més tard entre els usuaris finals.
Això ha posat èmfasi en les tècniques d’explicabilitat per als algoritmes d’IA, especialment en casos d’ús que impliquen decisions crítiques per a la seguretat. La IA explicable es pot utilitzar per a vehicles autònoms, on proporciona una major consciència situacional en accidents o situacions inesperades, cosa que pot conduir a un funcionament més responsable de la tecnologia (és a dir, prevenir accidents).

4. Recruitment

Selecció de currículums: la intel·ligència artificial explicable es pot utilitzar per explicar per què s’ha seleccionat o no un currículum. Això proporciona un nivell més alt de comprensió entre humans i màquines, cosa que ajuda a crear una major confiança en els sistemes d’IA i alhora mitiga els problemes relacionats amb el biaix i la injustícia.

5. Finance

Detecció de fraus: la IA explicable és important per a la detecció de fraus en els serveis financers. Es pot utilitzar per explicar per què una transacció s’ha marcat com a sospitosa o legítima, cosa que ajuda a mitigar els possibles reptes ètics associats amb el biaix injust i els problemes de discriminació en identificar transaccions fraudulentes.
Aprovacions de préstecs: la intel·ligència artificial explicable es pot utilitzar per explicar per què s’ha aprovat o denegat un préstec. Això és important perquè ajuda a mitigar possibles reptes ètics en proporcionar un nivell més alt de comprensió entre humans i màquines, la qual cosa contribueix a generar una major confiança en els sistemes d’IA.

→ Revisa els nostres Mosaic XAI dashboards

La entrada IA explicable per a diferents sectors se publicó primero en Mosaic Factor.

La Llei Europea d’Intel·ligència Artificial classifica la IA segons el seu risc:

1. Es prohibeixen els usos d’IA amb riscos inacceptables. Això vol dir que no s’han d’utilitzar els següents tipus de models:
   1. IA subliminal, manipuladora o enganyosa
   2. Models d’IA que explotin vulnerabilitats relacionades amb l’edat, la discapacitat o les circumstàncies socioeconòmiques per distorsionar el comportament, causant danys significatius.
   3. Sistemes de categorització biomètrica que infereixin atributs sensibles (com ara raça, opinions polítiques, afiliació sindical, creences religioses o filosòfiques, vida sexual o orientació sexual), excepte per a l’etiquetatge o el filtratge de conjunts de dades biomètriques adquirides legalment o quan les forces de seguretat categoritzen dades biomètriques.
   4. Sistemes de puntuació social.
   5. Sistemes que avaluïn el risc que una persona cometi delictes penals.
   6. Compilar bases de dades de reconeixement facial d’Internet o imatges de CCTV.
   7. Inferir emocions en llocs de treball o institucions educatives.
   8. Identificació biomètrica remota (RBI) «en temps real» en espais d’accés públic per a les forces de seguretat.
2. Sistemes d’IA d’alt risc: estan regulats, i l’AI Act se centra sobretot en aquesta tipologia.
3. Sistemes d’IA de risc limitat: estan subjectes a obligacions de transparència menys estrictes. Això significa que els desenvolupadors han d’assegurar-se que els usuaris finals siguin conscients que estan interactuant amb la IA (deixant clar que hi ha un model d’IA darrere dels chatbots i els deepfakes).
4. Els models d’IA de risc mínim: no estan regulats: entre aquests es troben la majoria de les aplicacions d’IA que estaven disponibles al mercat únic de la UE en el moment de l’entrada en vigor de la Llei d’IA el 2021. Per exemple, videojocs habilitats amb IA i filtres de correu brossa.

Clarament, aquest escenari està canviant amb la IA generativa, que augmenta el nivell de risc dels models d’IA, convertint-los majoritàriament en models d’alt risc.

Tot i que les regulacions de la IA estan avançant, creiem que els sistemes d’IA haurien de ser supervisats per persones, en lloc de per l’automatització, per evitar resultats perjudicials. Això inclou assegurar-nos que som capaços de generar sistemes d’IA fiables (trustworthy AI en anglès) que tinguin un disseny just i que siguin explicables i clars per als responsables de la presa de decisions.

És evident que la legislació no accelerarà l’adopció d’una IA responsable, però són les organitzacions les que han de compartir experiències i solucions per mostrar com són les «bones pràctiques».

Els consells d’administració han d’adoptar la responsabilitat digital corporativa per avaluar els impactes digitals dels productes o serveis en totes les parts interessades, examinant els impactes socials, econòmics, tecnològics i ambientals.

Per tant, estem donant suport a les empreses en el seu paper per garantir que la tecnologia no es desplegui en «casos d’ús negatius» que puguin perjudicar la societat i generant així models d’IA que siguin transparents, eficaços, justos i responsables.

→ Consulta la nostra solució Trustworthy AI

La entrada Aspectes clau de la Llei Europea d’IA (AI Act) se publicó primero en Mosaic Factor.