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.

Com a coordinadors de Twin-Loop, estem encantats de liderar aquest esforç innovador per desenvolupar un Marc Obert per a les tecnologies TwinOps i Digital Twin adaptades als Vehicles Elèctrics. L’objectiu final del projecte: reduir significativament el consum d’energia dels VE i obrir el camí cap a una mobilitat més intel·ligent i sostenible.

Aspectes destacats de l’Assemblea

• Avanços Col·laboratius. Socis de tota Europa es van reunir en sessions dinàmiques centrades en el Consell Assessor i els Casos d’Ús, alineant-se en estratègies tècniques i objectius compartits.
• Revisió del progrés del projecte. Una avaluació exhaustiva dels fites, lliuraments i objectius futurs va assegurar que tots els implicats avançessin amb claredat i cohesió.
• Networking i sinèrgies. Les trobades informals i les activitats estructurades de networking van afavorir noves relacions i van enfortir les existents, reforçant l’esperit col·laboratiu de Twin-Loop.
• Tallers pràctics. Les sessions interactives van encendre noves idees i coneixements pràctics, proporcionant als participants un renovat ímpetu i un full de ruta clar per a la següent fase.

A mesura que Twin-Loop continua evolucionant, l’energia i la implicació d’aquesta Assemblea General serviran com a catalitzador poderós per a la innovació, l’impacte i el progrés cap a un futur de vehicles elèctrics més eficient.

Avançant la intel·ligència del Digital Twin per al Futur del SDV en vehicles elèctrics

Twin-Loop està liderant una nova generació d’innovació en Digital Twin aprofitant les capacitats creixents de les arquitectures cloud-native i la computació d’alt rendiment (HPC). A mesura que els vehicles elèctrics evolucionen cap a vehicles completament definits per programari (SDV), el projecte utilitza l’orquestració de dades en temps real i la integració edge-to-cloud per redefinir la manera com les rèpliques digitals interactuen amb els sistemes físics. La nostra ambició és elevar l’experiència dels vehicles elèctrics: millorant la personalització, incrementant l’eficiència energètica i incorporant ciberseguretat.

Les solucions actuals de Digital Twin sovint passen per alt la complexitat granular dels VE, on cada vehicle funciona amb una combinació única de maquinari, firmware i actualitzacions de programari. Twin-Loop abraça aquesta individualitat, utilitzant la intel·ligència operativa de tota la flota i la fusió de dades al llarg del cicle de vida per construir models adaptatius que evolucionen amb cada vehicle. Aquest enfocament permet reduir el consum d’energia de manera intel·ligent, sense comprometre el rendiment, la comoditat ni la seguretat.

Mitjançant el desenvolupament d’un Open TwinOps Framework i d’una suite modular d’eines digitals, Twin-Loop permetrà l’optimització contínua en les quatre etapes crítiques del cicle de vida dels VE: disseny, producció, operació i fi de vida.

→ Consulta la nostra solució Digital Twins

La entrada Meeting del projecte Twin-Loop a Catania 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.

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.

Co-creation interactive workshop

Durant les sessions, vam organitzar un World Café: un taller interactiu de cocreació per definir millor les tasques tècniques principals identificant, mapejant i debatent:

1. Iniciatives recents en el tema.
2. Els principals reptes (classificats per importància).
3. Quins dels resultats clau del projecte són més rellevants per a la seva explotació.

Innovation in Digital Twins for SDV

Twin-Loop aprofita una nova oportunitat en la capacitat de computació al núvol gràcies a la implementació del High-Performance Computing combinat amb la digitalització dels vehicles elèctrics dins de l’arquitectura SDV. Els nostres objectius principals són millorar l’experiència del conductor, la seguretat i la ciberseguretat.

L’estat actual dels Digital Twin encara està lluny de representar la complexitat real del rendiment dels EV. Cada vehicle és únic i té la seva pròpia versió de maquinari i programari. Tenint en compte aquesta singularitat, i aprenent de les dades operatives d’una flota de vehicles, així com de l’ús de models digitals al llarg del seu cicle de vida, serà possible fer un pas endavant per reduir el consum d’energia sense comprometre el confort ni la seguretat.

Twin-Loop desenvoluparà un Open Framework for TwinOps per a EVs, juntament amb un conjunt d’eines digitals per millorar constantment els següents elements en les quatre etapes del cicle de vida del vehicle:

• Consum d’energia
• Costos de maquinari
• Experiència del conductor
• Resiliència del vehicle

El projecte implementarà l’Open Framework, el connectarà amb eines específiques per a EV i en valorarà l’eficàcia en condicions reals a través de tres casos d’ús identificats per la seva rellevància. També fomentarà sinergies entre sectors i actors diversos, alineant-se amb les prioritats europees i associacions estratègiques com 2ZERO i Chips JU. Això garantirà la transferibilitat dels resultats esperats i reforçarà el compromís del Twin-Loop amb la innovació, la recerca i l’acceptació al mercat dins de la indústria de l’automoció.

Planning the HE project

Desenvolupat a la “Sala Barcelona” de l’edifici de Mobilitat de l’Ajuntament de Barcelona, el consorci del projecte va abordar diversos temes per iniciar el Twin-Loop:

• Tendències dels vehicles definits per programari i requisits del projecte
• Desenvolupament eficient i efectiu d’EVs
• Open Framework for TwinOps i eines digitals per a EVs
• Perfilat de conductors, privacitat i ciberseguretat
• Casos d’ús i avaluació
• Visió general i planificació del projecte
• Presentació de la Comissió Europea
• Expectatives polítiques
• Gestió i temes administratius del projecte

T’informarem de les pròximes novetats d’aquest emocionant projecte d’innovació.

→ Consulta la nostra Digital Twins solution

La entrada El projecte Twin-Loop HE comença a Barcelona 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.