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.

La discussió va formar part del treball més ampli al voltant del llibre blanc del CIDAI, creat a través del seu grup de reflexió amb contribucions d’actors públics i privats. Com a participants en aquest esforç, vam tenir el plaer de contribuir a la taula rodona, on Stefano Persi va compartir exemples pràctics i estudis de casos que destacaven el paper de la IA i l’intercanvi de dades fiable en entorns logístics reals.

Dades sobre el sector

Els volums de transport ferroviari de mercaderies es mantenen per sota de la mitjana europea i una tarifa de 5 milions d’euros agreuja el repte. El transport de mercaderies per ferrocarril continua enfrontant-se a reptes operatius i estructurals, fins i tot quan s’espera que la demanda creixi significativament.

D’acord amb els objectius del Climate Neutrality 2050, es preveu que els volums de transport ferroviari de mercaderies es dupliquin en comparació amb les mitjanes històriques recents. Aconseguir aquest creixement requerirà no només inversió en infraestructura, sinó també una millor coordinació, optimització i col·laboració en tot l’ecosistema logístic.

Des de la perspectiva de CIMALSA, la multimodalitat és una palanca central per millorar l’eficiència i la sostenibilitat logística. El model òptim combina el ferrocarril per al transport de mitjana i llarga distància i el transport per carretera principalment per a operacions de primera i última milla. La IA permet aquest canvi donant suport a la reassignació dels fluxos de transport del camió al ferrocarril, optimitzant rutes, horaris i ús de la capacitat. Aquest enfocament pot reduir significativament les emissions en comparació amb el transport només per carretera, alhora que manté la flexibilitat operativa.

Compartició de dades i espais de dades

Un repte recurrent identificat és la reticència dels operadors i agents logístics a compartir informació. Si bé les preocupacions sobre la privadesa són legítimes, sovint limiten l’optimització a nivell de sistema. Els espais de dades es van destacar com un factor clau, ja que proporcionen:

• Intercanvi segur de dades i accés controlat.
• Normes clares sobre com es comparteixen i s’utilitzen les dades.
• Base tècnica perquè les eines d’IA suggereixin rutes, calculin costos i simulin escenaris operatius.

En garantir la confiança de les dades, els espais de dades permeten a la IA donar suport a una millor presa de decisions sense comprometre la informació empresarial sensible.

Reptes del sector logistic

Cinc reptes importants configuren el futur del transport de mercaderies i la logística ferroviària:

• Pressió per la sostenibilitat i la descarbonització.
• Resiliència davant les crisis globals i geopolítiques.
• Congestió urbana i regulació de l’última milla.
• Interoperabilitat de la digitalització i vulnerabilitats de la ciberseguretat.
• Preparació organitzativa i transformació tecnològica.

Aquests reptes estan estretament interconnectats i requereixen respostes coordinades.

On la IA pot aportar valor tangible 

La IA ja està demostrant beneficis mesurables en les operacions de transport i distribució, on pot aportar millores en eficiència, cost i sostenibilitat. Per a Mosaic Factor, això inclou projectes d’automatització per a la càrrega i descàrrega de contenidors als ports.

Malgrat el seu potencial, hi ha barreres dificulten l’adopció de la IA. Aquests reptes inclouen:

• Manca d’una estratègia d’IA dins de les organitzacions,
• problemes de governança i fragmentació de dades,
• manca de dades històriques de qualitat, dificultat per avaluar el retorn de la inversió de les iniciatives d’IA,
• i un entorn regulador complex i inconsistent. Abordar aquestes barreres requereix una alineació estratègica més clara entre tecnologia, operacions i regulació.

Els participants es van alinear en un model de tres nivells per al sector:

1. Digitalització: digitalització bàsica i automatització, on el progrés ja és visible.
2. Compartició de dades: intercanvi segur de dades, que permet la visibilitat de la xarxa.
3. Visibilitat i històries d’èxit: més xarxes que logística i guanyar visibilitat de les històries d’èxit.

Avançar a través d’aquests nivells és essencial per desbloquejar tot el potencial de la IA en la logística.

Conclusions

L’eficiència logística depèn de la combinació eficaç d’innovació, sostenibilitat i regulació. La pregunta clau per als operadors és quin valor es crea compartint dades. La IA, quan es combina amb la multimodalitat i marcs de confiança per compartir dades, pot millorar significativament l’eficiència, la sostenibilitat i la resiliència dels sistemes de transport ferroviari de mercaderies i logística.

Durant la taula rodona, Stefano va destacar tres projectes als quals Mosaic Factor va contribuir:

1. Pioneers: Previsió del transport de contenidors (Iniciativa de Ports Verds de la UE)
2. Port of Antwerp-Bruges: Predictor del flux de càrrega
3. Disruptive: Detecció i classificació de les interrupcions de la xarxa logística

Junts, aquests projectes mostren l’impacte pràctic de la IA i la col·laboració de dades en operacions logístiques reals, fonamentant la taula rodona de la CIDAI en solucions tangibles.

Feu clic aquí per consultar el llibre blanc del CIDAI.

La entrada El paper de la IA en la logística multimodal i el transport ferroviari sostenible se publicó primero en Mosaic Factor.

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.

Aquí hi ha les tendències i desenvolupaments clau que van destacar.

Digital Twins com a protagonistes

La tecnologia Digital Twin (DT) ha estat un dels temes més destacats als estands dels expositors. Les ciutats estan adoptant cada cop més els DT per simular i gestionar sistemes urbans complexos. Les aplicacions més comunes mostrades inclouen:

• Emergency and disaster management
• Human behaviour modelling
• Traffic and parking optimisation
• Energy demand forecasting
• Urban planning, com identificar àrees on calen noves instal·lacions de cura infantil

Diverses empreses també van presentar l’evolució del concepte Citiverse, part d’una iniciativa europea que integra Digital Twins amb ciberseguretat, IoT i altres tecnologies avançades (Projecte Citiverse de la Comissió Europea). Un altre punt destacat va ser la introducció dels 4D Digital Twins, que incorporen la dimensió temporal per permetre simulacions urbanes predictives (Nfold ROI).

Smart Cities i visual Language Models

La innovació en IA va ser un altre dels grans focus. NVIDIA va presentar la seva plataforma de Model de Llenguatge Visual (VLM) per a ciutats, dissenyada per transformar les dades d’imatges capturades per sensors en un “cervell de la ciutat” intel·ligent capaç d’interpretar escenaris urbans actuals i potencials. Es van demostrar aplicacions pràctiques a Leipzig, on s’estan utilitzant DTs impulsats per IA per optimitzar els aparcaments i la infraestructura per a bicicletes. Mentrestant, la Universitat d’Hamburg va mostrar projectes d’IA col·laboratius i de codi obert, posant èmfasi en el seu interés per unir-se a iniciatives finançades per Europa (DCS Intro 2024).

Cybersecurity i Global Engagement

La ciberseguretat ha estat un tema recurrent durant tota l’exposició, subratllant el seu paper crític en la protecció de les infraestructures de les ciutats intel·ligents. Cal destacar que el Banc Mundial hi va participar activament, reflectint la importància global dels ecosistemes digitals segurs.

La nostra contribució: Open Innovation Challenges

Com a part de la nostra participació, vam participar en reptes d’innovació oberta, presentant propostes que aprofiten els grans Models de Llenguatge Gran (LLM) i els Bessons Digitals per a aplicacions corporatives. Aquestes iniciatives demostren el nostre compromís amb superar els límits de la intel·ligència artificial i la tecnologia urbana, assegurant que les ciutats del futur siguin no només més intel·ligents, sinó també més resilients i inclusives.

La nostra presència a la Smart City Expo de Barcelona va reafirmar el nostre paper com a proveïdor de tecnologia amb visió de futur. Contribuint a les discussions sobre Digital Twins, IA, ciberseguretat i innovació oberta, continuem donant forma al futur de la vida urbana, impulsant solucions que fan que les ciutats siguin més adaptatives, eficients i centrades en les persones.

La entrada Smart City Expo Barcelona 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.

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.