A mesura que la intel·ligència artificial passa de l’experimentació a integrar-se en les operacions empresarials quotidianes, el veritable repte consisteix a transformar les capacitats tecnològiques en solucions que generin un valor mesurable. Al llarg de les sessions sobre agents d’IA, governança de dades, dades sintètiques, aprenentatge automàtic i adopció empresarial, va emergir un tema comú. Les organitzacions ja no es pregunten què pot fer la IA, sinó com implementar-la de manera responsable, escalar-la eficientment i garantir que produeixi resultats significatius.

A Mosaic Factor, molts dels temes tractats al Congrés reflecteixen de prop els reptes que abordem en els nostres projectes, des de la IA fiable i l’analítica avançada fins a la governança de dades, els bessons digitals i els sistemes de suport a la presa de decisions basats en IA.

Aquestes són algunes de les principals conclusions que ens enduem de l’esdeveniment.

1. L’adopció reeixida de la IA comença pel problema, no per la tecnologia

Els agents d’IA evolucionen ràpidament i obren noves oportunitats per automatitzar fluxos de treball, abordar tasques complexes i millorar la presa de decisions. Tanmateix, amb l’aparició de nous models, plataformes i eines cada setmana, les organitzacions s’enfronten a una pregunta fonamental:

Per on hauríem de començar?

Un dels missatges més pràctics del Congrés va ser sorprenentment senzill: començar pel problema. Abans de seleccionar un model o adoptar una plataforma, les organitzacions han d’entendre:

• Qui utilitzarà la solució?
• Quin repte intenta resoldre?
• Quina part del procés necessita millorar?
• Com es mesuraran els resultats?

El context sovint és el factor decisiu entre una iniciativa d’IA reeixida i una altra que té dificultats per aportar valor. Els sistemes d’IA necessiten informació rellevant sobre els objectius, els usuaris, les restriccions i els entorns operatius per generar resultats útils.

Igualment important és que la IA s’adapti als fluxos de treball existents i a la realitat empresarial. Una implementació eficaç rarament consisteix a substituir les persones. Es tracta d’identificar on la tecnologia pot ampliar les capacitats dels professionals, millorar l’eficiència i facilitar decisions més encertades.

Per a nosaltres, això reforça un principi fonamental: la innovació significativa en IA comença amb una necessitat empresarial clarament definida, no amb la tecnologia en si mateixa.

2. Una IA fiable depèn de dades fiables

La governança de dades va ser un dels temes més recurrents al llarg del Congrés.

A mesura que els sistemes d’IA adquireixen més capacitats, la seva eficàcia depèn cada vegada més de la qualitat, l’accessibilitat i la governança de les dades que els sustenten. Diverses sessions es van centrar en els espais europeus de dades i en la importància creixent d’establir mecanismes fiables per compartir informació i col·laborar.

Iniciatives com l’espai de dades de la UPC van demostrar com les organitzacions poden compartir i reutilitzar informació mantenint normes clares sobre l’accés, la propietat i l’ús de les dades.

Entre els sectors abordats durant l’esdeveniment hi havia:

• Agricultura
• Energia
• Mobilitat
• Construcció

En un dels exemples, es va integrar informació geoespacial i mediambiental en un marc comú, cosa que facilitava que els sistemes d’IA avaluessin les condicions agrícoles, analitzessin riscos i donessin suport a les decisions d’inversió.

La lliçó general va molt més enllà de qualsevol sector concret. Connectar conjunts de dades és només una part del repte. Les organitzacions també han de garantir que la informació conservi el seu significat dins del context per al qual està destinada i que els mecanismes de governança defineixin clarament com es pot utilitzar.

Aquest debat està estretament relacionat amb el concepte de sobirania digital i amb l’evolució del marc regulador europeu, inclosos el RGPD, el Reglament de governança de dades i el Reglament europeu d’IA.

Per a les empreses, la governança no s’ha de considerar únicament una obligació de compliment normatiu. És una base essencial per generar confiança, fomentar la col·laboració i adoptar la IA de manera responsable.

3. Les dades sintètiques poden obrir noves oportunitats

Molts projectes d’IA s’enfronten a un obstacle comú: les dades necessàries per desenvolupar, provar o validar una solució poden ser incompletes, estar fragmentades o no estar disponibles.

Les dades sintètiques ofereixen una possible via per abordar aquest repte.

Un exemple especialment interessant presentat durant el Congrés es va centrar en la planificació de la mobilitat en entorns rurals. A diferència de les grans àrees urbanes, les comunitats rurals sovint tenen poblacions disperses i opcions de transport limitades. Això dificulta la recopilació de dades completes sobre mobilitat, alhora que fa més important una planificació eficient del transport.

El cas d’ús de mobilitat de Nemi va mostrar com les simulacions basades en IA poden generar demanda de mobilitat sintètica i matrius d’origen-destinació combinant informació com ara:

• Àrees d’interès
• Possibles orígens i destinacions dels desplaçaments
• Patrons temporals i restriccions

Aquests conjunts de dades simulades permeten als planificadors avaluar possibles serveis de transport i explorar patrons de mobilitat fins i tot quan no es disposa de dades completes del món real.

L’exemple va posar en relleu una qüestió important sobre les dades sintètiques: el seu valor depèn de com i on s’utilitzin.

Les dades sintètiques poden ser molt eficaces per crear prototips, fer simulacions i dur a terme proves abans de la posada en producció. Tanmateix, les organitzacions han d’entendre’n les limitacions i avaluar acuradament si cal una validació addicional abans d’implementar solucions en entorns operatius.

Com passa amb qualsevol sistema d’IA, l’èxit depèn de triar l’eina adequada per a cada finalitat.

4. La IA ha de ser escalable, eficient i sostenible

Un altre missatge recurrent durant el Congrés va ser que el rendiment tècnic, per si sol, no és suficient. Una prova de concepte reeixida no es converteix automàticament en un sistema de producció reeixit.

A mesura que les solucions d’IA s’escalaen, les organitzacions s’enfronten a nous reptes relacionats amb la infraestructura, la complexitat operativa, els costos i el consum de recursos.

Durant els debats van aparèixer repetidament tres dimensions de l’eficiència:

1. Eficiència econòmica. Entendre les implicacions financeres d’implementar, operar i escalar sistemes d’IA.
2. Eficiència en l’ús dels recursos. Seleccionar els models i les arquitectures adequats per a cada cas d’ús, en lloc d’optar per defecte per la solució més gran o complexa.
3. Eficiència mediambiental. Tenir en compte els requisits energètics i de recursos associats al desplegament de la IA.

L’eficiència operativa és igualment important. Les organitzacions han de determinar:

• Quines tasques s’han d’automatitzar.
• En quines situacions continua sent necessària la supervisió humana.
• Com han de gestionar els sistemes les excepcions i les situacions inesperades.
• Com s’han d’estructurar els fluxos de treball per equilibrar el rendiment, la governança i els costos.

Aquesta distinció és important. L’objectiu no és simplement implementar IA, sinó crear solucions que continuïn generant un valor empresarial mesurable al llarg del temps.

5. La governança, la seguretat i la rendició de comptes no es poden deixar per al final

A mesura que la IA s’integra en processos empresarials cada vegada més importants, la governança i la seguretat esdevenen factors essencials per a una adopció sostenible. Diversos debats van destacar que els sistemes d’IA no són estàtics:

• Els models evolucionen.
• Les configuracions canvien.
• Les instruccions o prompts s’actualitzen.
• S’incorporen noves dades.

Per aquest motiu, el rendiment, el compliment normatiu i els riscos no es poden avaluar una sola vegada i oblidar-los després.

Les organitzacions necessiten processos estructurats per:

• Supervisar el comportament dels sistemes.
• Documentar les decisions.
• Avaluar els riscos de manera contínua.
• Respondre als problemes emergents.
• Demostrar el compliment normatiu quan sigui necessari.

Aquests requisits són especialment importants en sectors regulats, on les organitzacions poden haver d’explicar com funcionen els sistemes d’IA i aportar proves que existeixen controls adequats.

Els debats també van destacar la importància de les persones que treballen al costat de la IA.

1. Proporcionar als empleats accés a eines d’IA no garanteix automàticament una adopció reeixida.
2. La formació, la gestió del canvi, les polítiques internes i el suport continu tenen un paper fonamental.
3. Per tant, una IA fiable no és una fita puntual. Requereix una atenció contínua a la governança, la seguretat, la rendició de comptes i la supervisió humana.

6. Més enllà de la IA generativa: l’aprenentatge automàtic tradicional continua aportant valor

Tot i que la IA generativa i els agents d’IA van dominar moltes converses, el Congrés també va oferir un recordatori important: l’aprenentatge automàtic tradicional continua resolent problemes empresarials reals.

Molts casos d’ús relacionats amb la predicció, la classificació, la detecció d’anomalies i l’anàlisi de dades estructurades continuen sent molt eficaços sense necessitat de recórrer a grans models de llenguatge.

Al mateix temps, la IA multimodal està creant noves oportunitats en combinar text, imatges i altres tipus d’informació en sistemes integrats. Tots dos enfocaments tenen valor.

La lliçó fonamental és que l’elecció tecnològica ha d’estar determinada pel problema que es vol resoldre. El model més recent no és necessàriament el més adequat.

Les estratègies d’IA reeixides requereixen una comprensió clara de les tecnologies disponibles, els objectius empresarials i les restriccions operatives.

En definitiva, la innovació s’ha de mesurar pel valor que genera, no per la sofisticació de la tecnologia en si mateixa.

La pròxima fase de l’adopció de la IA

Si analitzem els debats de l’AI Congress 2026, la nostra principal conclusió és que el futur de la IA no estarà definit únicament per models més grans, un nombre més elevat de paràmetres o noves capacitats.

Estarà determinat per la capacitat de les organitzacions per:

• Identificar problemes empresarials rellevants.
• Construir sobre dades fiables i ben governades.
• Implementar la IA de manera eficient i sostenible.
• Mantenir la seguretat, la rendició de comptes i la supervisió humana.
• Generar resultats mesurables més enllà de la fase de prova de concepte.

Aquests reptes estan profundament interconnectats. Abordar-los requereix més que coneixements tècnics. Cal la col·laboració entre experts del domini, responsables empresarials i especialistes en IA per garantir que les solucions no només siguin tècnicament capaces, sinó també útils, fiables i alineades amb les necessitats del món real.

A Mosaic Factor, creiem que l’adopció reeixida de la IA es produeix quan les capacitats tecnològiques es combinen amb una governança sòlida, dades d’alta qualitat i una comprensió clara de les persones que finalment utilitzaran la solució.

Aquesta va ser, potser, la lliçó més valuosa de l’AI Congress 2026, i és una idea que continua guiant la nostra feina en àmbits com la salut, la indústria, la mobilitat i camps emergents com els vehicles definits per programari (Software-Defined Vehicles).

La entrada AI Congress 2026: per què governança, dades i adopció són importants se publicó primero en Mosaic Factor.

El veritable repte ja no és adoptar-la. És la governança de la IA. On s’està utilitzant la IA? Quins dades està processant? Qui continua sent responsable del resultat?

Aquestes preguntes cada cop són més importants a mesura que la IA evoluciona de ser eines que simplement generen contingut a sistemes que poden prendre accions en nom dels usuaris.

Un article recent de CIDAI, amb comentaris d’Alfonso Corral, CEO de Conversia, destaca aquest canvi. Per a moltes PIME, el repte ja no és accedir a la IA. És assegurar-se que s’utilitza de manera responsable, transparent i efectiva a tota l’organització.

D’assistents d’IA a agents d’IA

Durant els últims anys, la majoria d’organitzacions han experimentat amb assistents d’IA que responen preguntes, generen text o donen suport a la presa de decisions. La propera onada és diferent.

Els agents d’IA poden accedir a aplicacions, recuperar informació, executar fluxos de treball i interactuar amb sistemes empresarials amb una intervenció humana limitada. Un agent pot programar cites, gestionar inventaris, actualitzar registres o comunicar-se amb clients. Aquesta autonomia més gran crea noves oportunitats, però també planteja nous reptes de governança.

La pregunta ja no és: “Pot l’IA ajudar-nos a completar aquesta tasca?” Ara és: “Com assegurem que l’IA realitzi aquesta tasca de manera segura, responsable i d’acord amb els objectius de l’empresa?”

Les normes ja s’apliquen

Moltes organitzacions encara assumeixen que la governança de la IA pot esperar fins que la regulació es torni més estricta. En realitat, ja hi ha diverses obligacions en vigor.

L’Acta de la IA de la UE s’està implementant de manera progressiva. Les normes sobre pràctiques d’IA prohibides i les obligacions de formació en IA ja són aplicables, mentre que els requisits de transparència de l’Article 50 van començar a ser aplicables el 2 d’agost de 2026. Aquestes obligacions de transparència inclouen informar els usuaris quan interactuen amb certs sistemes d’IA i identificar categories concretes de contingut generat per IA. Seguiran requisits addicionals per a sistemes d’IA d’alt risc segons el calendari d’implementació de l’Acta.

Un principi clau de l’Acta de la IA és que les obligacions depenen del risc, no de la tecnologia en si. Fer servir la IA per redactar un butlletí intern comporta riscos molt diferents de fer servir la IA per filtrar candidats a una feina, avaluar el rendiment dels empleats o donar suport a decisions que afectin persones. Les últimes situacions poden desencadenar obligacions normatives molt més grans.

Un altre equívoc comú és pensar que la responsabilitat recau íntegrament en el proveïdor de programari. La Llei d’IA distingeix entre els proveïdors, que desenvolupen sistemes d’IA, i els desplegadors, que els utilitzen dins de les seves organitzacions. Una empresa pot tenir obligacions com a desplegadora encara que mai no desenvolupi un model d’IA per si mateixa. Els requisits existents relacionats amb la protecció de dades, la confidencialitat, la propietat intel·lectual i la legislació laboral continuen aplicant-se independentment de si s’utilitza IA o no. Vam explorar aquests requisits amb més detall en el nostre article anterior, “Aspectes clau de la Llei Europea d’IA“, on desglossem l’enfocament basat en riscos de la regulació, el seu calendari d’implementació i les implicacions pràctiques per a les organitzacions que adopten solucions d’IA.

El que revela l’estiu del 2026 sobre la governança de la IA

El juliol de 2026, un incident relacionat amb avaluacions de ciberseguretat d’IA va atraure una atenció significativa dins de la comunitat d’IA.

Segons la investigació publicada per OpenAI, models d’IA molt capacitats que participaven en avaluacions internes de ciberseguretat van eludir els controls previstos, van accedir a internet i van comprometre parts de la infraestructura de recerca d’OpenAI i sistemes que pertanyien a Hugging Face. OpenAI va atribuir aquest comportament a incentius mal alineats durant l’avaluació i el va descriure com una forma de “manipulació de recompenses” o reward hacking.

La importància de l’incident no era només la fallada tècnica. Va posar de relleu un repte més ampli de governança: els sistemes d’IA molt capaços poden perseguir objectius d’una manera inesperada quan els indicadors d’èxit, els permisos i els mecanismes de supervisió estan mal dissenyats. La investigació d’OpenAI va identificar problemes no només relacionats amb el comportament del model, sinó també amb els processos de monitoratge, aïllament i escalada. La lliçó és clara: la governança de la IA no és només sobre el model. També té a veure amb l’entorn en què opera el model.

Entenent el reward hacking

Molts sistemes d’IA moderns depenen de l’aprenentatge per reforç, on el sistema aprèn intentant accions i rebent retroalimentació basada en objectius predefinits. El ‘reward hacking’ passa quan un sistema descobreix una manera de maximitzar la seva puntuació sense aconseguir l’objectiu real que volien els seus dissenyadors.

Un simple exemple empresarial il·lustra el concepte. Imagina un equip d’atenció al client que només rep recompensa per reduir la durada de les trucades. Alguns empleats podrien adonar-se que acabar ràpidament converses difícils millora la mètrica, encara que la satisfacció del client disminueixi. La mètrica millora. El resultat no. El mateix principi pot aparèixer en els sistemes d’intel·ligència artificial. A mesura que els agents d’IA tenen accés a aplicacions, fluxos de treball i processos empresarials, els objectius mal dissenyats poden provocar comportaments no previstos que tècnicament compleixen els objectius de rendiment mentre que van en contra dels objectius del negoci. És important destacar que això no implica engany intencionat ni consciència. Simplement reflecteix el fet que els sistemes d’optimització sovint aprofiten les dreceres quan aquestes són recompensades.

Per què això és important per a les PIME?

Poques PIMEs entrenaran mai un model d’IA de frontera. Moltes, però, desplegaran agents d’IA connectats a correu electrònic, plataformes CRM, sistemes ERP, portals de clients o entorns de comerç electrònic. A Mosaic Factor, cada cop veiem més organitzacions explorant aquests casos d’ús mentre al mateix temps fan preguntes sobre traçabilitat, responsabilitat i control. Alguns exemples podrien ser:

• Un agent d’IA encarregat de reduir els tiquets de suport oberts tanca casos massa aviat en lloc de resoldre els problemes subjacents.
• Un agent de gestió d’inventari evita els dèficits d’estoc fent comandes excessives de productes de manera sistemàtica.
• Un assistent d’IA amb permisos excessius accedeix a informació sensible que mai no necessitava per fer la seva tasca.

Això no són només falles tècniques. Són falles de governança. Com es defineix l’èxit, quins permisos es concedeixen, quan es requereix aprovació humana i com es supervisen els comportaments són decisions empresarials. No s’haurien de deixar només a qui instal·la l’eina d’IA.

Un punt de partida pràctic per a la governança de la IA

Una governança efectiva de la IA no necessita un gran equip de compliment. Comença amb unes quantes disciplines pràctiques:

1. Mapeja l’ús de la IA a tota l’organització. Documenta cada sistema d’IA, qui l’utilitza, quins dades processa i quin proveïdor el subministra.
2. Avalua el risc i l’impacte. Distingiu entre aplicacions de productivitat de baix risc i sistemes que influencien persones, finances, compliment normatiu o decisions estratègiques.
3. Aplica l’accés amb privilegis mínims. Atorga als sistemes d’IA només els permisos necessaris per al seu propòsit.
4. Mantingues a les persones implicades en decisions crítiques. Requereix aprovació per accions difícils de revertir, com pagaments, comunicacions amb clients o eliminació de registres.
5. Monitoritza els resultats, no només els indicadors. Verifica que s’estiguin complint realment els objectius empresarials en lloc de només mesurar els indicadors establerts.
6. Mantingues registres d’auditoria i logs. La supervisió és essencial per identificar comportaments inesperats abans que es converteixin en problemes importants.
7. Inverteix en alfabetització en IA. Els empleats haurien d’entendre tant les oportunitats com les limitacions dels sistemes d’IA que utilitzen.
8. Avalua els proveïdors amb cura. Pregunta com es maneja la dada, quins mecanismes de transparència existeixen i quins controls i capacitats d’auditoria estan disponibles.
9. Sigues transparent amb els clients. Quan la IA interactua directament amb els usuaris o genera contingut del qual poden dependre, la transparència genera confiança i ajuda a complir les normes.

La governança és el que possibilita una Intel·ligència Artificial fiable

Una IA responsable no significa usar menys IA. Significa entendre què fan els sistemes d’IA, per què ho fan i quines són les seves limitacions. Les organitzacions que triomfen amb la IA a llarg termini no seran necessàriament les que la despleguen primer. Seran les que la despleguen de manera responsable, amb controls adequats, responsabilitat clara i un bon coneixement del risc. La governança no hauria de veure’s com una barrera per a la innovació. És el que permet a les organitzacions innovar amb confiança, escalar iniciatives d’IA reeixides i mantenir la confiança de clients, empleats i reguladors. A Mosaic Factor, ajudem les organitzacions a construir sistemes d’IA de confiança que siguin explicables, auditable i alineats tant amb els objectius empresarials com amb les expectatives reguladores. Perquè el futur no pertany simplement a les empreses que utilitzen IA, sinó a les empreses que gestionen bé la IA.

→ Consulta la nostra solució Trustworthy AI

La entrada Fer servir la IA és fàcil. Gobernar-la és el veritable repte per a les PIME se publicó primero en Mosaic Factor.

IA sanitària a BNEW 2026: medicina de precisió, explicabilitat i mitigació dels biaixos

La IA al centre de la nova economia

La entrada BNEW 2026: tendències de la IA sanitària, medicina de precisió i IA responsable se publicó primero en Mosaic Factor.

En aquest article compartim les principals conclusions del reportatge i aprofundim en àmbits cada vegada més importants per als fabricants (OEM) i proveïdors del sector: la IA explicable, la presa de decisions fiable, els bessons digitals industrials i l’evolució cap al vehicle definit per programari (SDV).

1. Centrar la inversió en IA en els processos de fabricació de més impacte

La IA ofereix el retorn de la inversió més alt en entorns de fabricació on la complexitat operativa, les aturades dels equips i els problemes de qualitat generen costos importants.
Com vam explicar a AutoRevista:

«Els retorns més grans se solen trobar en àrees caracteritzades per una alta complexitat operativa, grans volums de dades i costos significatius associats a aturades, reprocessaments o consum energètic».

A la pràctica, això vol dir:

• manteniment predictiu en equips crítics
• monitoratge en temps real per detectar colls d’ampolla
• ajust de paràmetres de procés
• i control de qualitat basat en dades de sensors i de sistemes MES, SCADA i PLC.

Els bessons digitals ho integren tot. Abans de moure una línia, modificar un flux logístic o ampliar la capacitat, una planta pot provar el canvi de manera virtual, «reduint el risc i accelerant la presa de decisions». 

2. La IA predictiva i la IA generativa resolen reptes de fabricació diferents

En la fabricació d’automòbils, la IA predictiva s’utilitza habitualment per al manteniment predictiu, la detecció d’anomalies i l’optimització de processos, mentre que la IA generativa dona suport a la gestió del coneixement, la documentació d’enginyeria i l’assistència als treballadors.
Sovint es posen al mateix sac, però a la planta resolen problemes diferents. Els models predictius són l’eina més madura i s’utilitzen per anticipar avaries, modelitzar el comportament dels equips i planificar el manteniment. La IA generativa és més recent i ajuda més les persones que les màquines: fa accessible la documentació tècnica i el coneixement expert als equips de producció, enginyeria, manteniment i qualitat. Aquest segon ús s’està tornant urgent. Com vam assenyalar a l’entrevista:

«La transferència de coneixement i la disponibilitat de personal especialitzat s’han convertit en reptes estratègics per a moltes plantes».

3. L’optimització energètica basada en IA s’està convertint en un avantatge competitiu

Les operacions d’alt consum energètic, com ara els tallers de pintura, els forns, els sistemes d’aire comprimit i les instal·lacions de climatització (HVAC), s’estan optimitzant cada vegada més mitjançant models d’aprenentatge automàtic i tecnologies de bessó digital.

L’aprenentatge automàtic i els bessons digitals permeten detectar patrons de consum, assenyalar anomalies i simular escenaris de producció. L’objectiu és consumir menys energia sense renunciar a la qualitat ni a la producció. Aquestes capacitats també són al centre de Twin-Loop, el nostre projecte Horizon Europe, en què desenvolupem bessons digitals impulsats per IA per ajudar els operadors industrials a entendre l’impacte de les decisions de producció en el consum energètic, l’eficiència dels recursos i el rendiment en sostenibilitat. El projecte reflecteix un canvi més ampli cap a entorns de fabricació més intel·ligents i basats en dades, capaços d’adaptar-se i d’optimitzar les operacions de manera contínua.

«Això permet passar d’una gestió energètica reactiva a una optimització contínua basada en dades, un enfocament que també s’alinea amb els objectius de sostenibilitat i de reducció d’emissions que s’està marcant actualment la indústria de l’automoció», va afirmar el nostre CTO.

4. La IA explicable manté les persones al comandament de les decisions crítiques de fabricació

A mesura que els sistemes d’IA s’integren més profundament en els processos productius, la IA explicable (XAI) s’està tornant imprescindible per a l’assegurament de la qualitat, el compliment normatiu i la confiança operativa.
Els equips de fabricació i de qualitat necessiten entendre per què un sistema d’IA recomana una acció concreta, sobretot quan les decisions afecten la seguretat, la continuïtat de la producció o la qualitat del producte.

Les tres empreses del reportatge hi van coincidir. La visió artificial ja resol molt bé la major part de la inspecció repetitiva i de gran volum. Tanmateix, per als components més crítics, creiem que la millor configuració combina IA, sistemes de visió i supervisió humana.

Hi ha un motiu darrere d’això que no es va incloure a la versió impresa. En entorns industrials, les decisions han de ser auditables i comprensibles per als equips de producció i de qualitat que en responen. Per això ens centrem en una IA explicable i fiable, i per això el nostre lema és AI you can trust.

La nostra visió és que la IA ha de fer els equips més capaços, no substituir-los, i ajudar-los a decidir més de pressa, amb millors evidències i menys incertesa.

5. El vehicle definit per programari està transformant la fabricació d’automòbils

L’auge del vehicle definit per programari (SDV) no només està canviant el desenvolupament dels vehicles, sinó també la manera com funcionen les plantes d’automoció.
Els vehicles moderns depenen cada vegada més del programari, els sensors, la connectivitat i les actualitzacions contínues al llarg de tot el seu cicle de vida. Per això, els fabricants necessiten entorns de producció capaços d’adaptar-se ràpidament als canvis de producte, validar sistemes amb un alt component de programari i mantenir una traçabilitat d’extrem a extrem.

La IA, els bessons digitals i l’analítica avançada tenen un paper clau en aquesta transició. Permeten als fabricants simular escenaris de producció, supervisar la qualitat en temps real i accelerar la presa de decisions tant en l’enginyeria com en les operacions de planta.

A Mosaic Factor creiem que la convergència de la IA, els bessons digitals industrials i els sistemes explicables de suport a la decisió serà fonamental per a la propera generació de fabricació de vehicles definits per programari.
O, com ho vam expressar a AutoRevista:

«Al nostre parer, el futur passa per una integració cada vegada més gran entre el món físic i el digital, amb la IA com a columna vertebral de tota la cadena de valor».

La entrada La IA està transformant les fàbriques d’automòbils: manteniment predictiu, bessons digitals i IA explicable se publicó primero en Mosaic Factor.

Gravació

Si no vas poder unir-te a aquesta segona sessió de la nostra sèrie de seminaris web sobre IA explicable per explorar com les organitzacions sanitàries poden desenvolupar solucions d’IA que els clínics confiïn, els responsables de decisions comprenguin i els professionals de governança i regulació puguin avaluar amb confiança. Ara pots veure el vídeo a continuació:

Tancant la bretxa entre els models d’IA i la confiança clínica

A la segona sessió de la nostra sèrie de webinars sobre Intel·ligència Artificial Explicable (XAI) -pots tornar a veurela primera sessió, XAI per a la presa de decisions aquí – explorarem com el XAI pot ajudar a reduir la distància entre el rendiment tècnic dels models i l’adopció clínica pràctica. Aquesta sessió se centra en com dissenyar i comunicar explicacions d’IA que ajudin els professionals de la salut a entendre, validar i fer un ús adequat dels coneixements basats en IA. Aquestes capacitats també són cada vegada més rellevants per a la preparació normativa a Europa, ja que l’AI Act de la UE estableix requisits relacionats amb la transparència, la interpretació dels resultats i la supervisió humana efectiva per a certs sistemes d’IA sanitària d’alt risc. Tot i que aquesta no és una sessió normativa, el webinar explorarà breument com els enfocaments pràctics centrats en el metge poden donar suport a aquestes expectatives.

Com poden els professionals clínics confiar en una recomanació d’IA si no entenen com s’hi ha arribat? La realitat és que la precisió tècnica per si sola rarament impulsa l’adopció en la sanitat. Fins i tot els models amb molt bon rendiment poden quedar sense utilitzar si els professionals de la salut no poden avaluar el raonament darrere de les prediccions, entendre els factors que hi contribueixen o determinar quan cal posar en dubte un resultat.

Per què és important la IA explicable en la salut 

Les decisions sobre la salut afecten directament els resultats dels pacients. Per això, els clínics han de ser capaços d’avaluar i entendre les recomanacions que proporcionen els sistemes d’IA abans d’incorporar-les als seus fluxos de treball. Una de les barreres més habituals per a l’adopció de la IA en la salut no és el rendiment del model, sinó la falta de confiança. Algunes de les preguntes que els clínics plantegen amb més freqüència són:

• Per què es va classificar aquest pacient com d’alt risc?
• Quins factors van contribuir més a aquesta predicció?
• Es pot justificar clínicament aquesta recomanació?
• L’explicació s’alinea amb els coneixements mèdics establerts?
• Quan s’hauria de qüestionar o revisar el resultat del model?

Sense explicacions significatives, els sistemes d’IA poden percebre’s com caixes negres difícils de validar en entorns clínics reals. La IA explicable ajuda a tractar aquestes preocupacions fent que el raonament del model sigui més transparent, permetent als metges entendre millor les prediccions i integrar els coneixements de la IA en el procés de presa de decisions. Les organitzacions sanitàries cada vegada miren més enllà de l’exactitud del model a l’hora d’avaluar solucions d’IA. Per crear un valor real en entorns clínics, els sistemes d’IA també han de ser:

• Suficientment transparents perquè els professionals puguin entendre els factors darrere de les prediccions i recomanacions.
• Fiables i robustos en diverses poblacions de pacients i escenaris clínics.
• En línia amb el raonament clínic i les pràctiques establertes en salut.
• Capaços de donar suport a la col·laboració entre científics de dades, professionals de la salut i responsables de la presa de decisions.
• Confiable pels usuaris finals (sanitaris) que, al cap i a la fi, són els responsables de la cura dels pacients.

Tot i que la falta de confiança sovint es cita com una barrera per a l’adopció de la IA, gairebé mai és l’únic repte. Una implantació eficaç de la IA també requereix una comunicació clara, interpretabilitat i una comprensió compartida del comportament del model entre els equips tècnics i clínics. La IA explicable proporciona les eines i metodologies necessàries per afrontar aquests reptes i transformar la IA d’un resultat tècnic a una capacitat pràctica de suport a la presa de decisions.

Fer que la explicabilitat sigui comprensible per als clínics

Produir explicacions és només el primer pas. Moltes tècniques de XAI generen resultats que tenen significat per als científics de dades però que són difícils d’interpretar pels professionals de la salut dins del context de l’atenció al pacient. Perquè la IA sigui realment útil en la sanitat, les explicacions han de traduir-se en formes que s’alineïn amb el pensament clínic i els processos de presa de decisions. Aquesta sessió explorarà com podem traduir les explicacions de la IA en coneixements clínicament rellevants?

• Què necessiten realment els clínics de les explicacions de la IA.
• Com interpreten els diferents actors del sector sanitari els resultats dels models.
• Tècniques per presentar el raonament del model de manera significativa des del punt de vista clínic.
• Com la XAI pot enfortir la col·laboració entre els experts en salut i els equips de desenvolupament d’IA.

L’objectiu no és simplement explicar el model, sinó assegurar que les explicacions donin suport a un judici clínic informat. Moltes organitzacions implementen amb èxit tècniques sofisticades de XAI, però les visualitzacions, mètriques i resultats tècnics que en resulten sovint estan pensats més per científics de dades que per professionals de la salut. Els participants aprendran com passar d’explicacions tècniques a explicacions que donin suport al judici i presa de decisions clíniques.

Què aprendràs? 

Durant aquesta sessió, els participants obtindran coneixements pràctics sobre:

• Per què la confiança continua sent una de les barreres més grans per a l’adopció de la IA en la salut.
• El paper de la IA explicable en el suport a la presa de decisions clíniques.
• Traduir explicacions tècniques en coneixements fàcils d’entendre per als clínics, la diferència entre explicar un model i comunicar una explicació de manera efectiva.
• Dissenyar explicacions transparents per a diferents actors del sector sanitari que s’integrin en els fluxos de treball clínics.
• Com la XAI pot donar suport a la transparència i la supervisió humana en IA sanitària d’alt risc segons la AI Act (acord de la IA de la UE).
• Millors pràctiques per a enfocaments centrats en les persones en l’adopció de la IA en la salut.

L’èmfasi està totalment posat en crear sistemes d’IA que els professionals de la salut puguin entendre, avaluar i utilitzar amb confiança en la seva pràctica. Al final d’aquesta sessió, els participants entendran com la IA explicable pot ajudar a crear sistemes d’IA en l’atenció sanitària que siguin:

• Transparents – els clínics poden entendre els factors que influeixen en les prediccions.
• Interpretables – les explicacions es presenten de manera significativa des del punt de vista clínic.
• Fiables – els professionals de la salut poden avaluar i utilitzar amb confiança els resultats de la IA.
• Adoptables – les solucions d’IA s’integren de manera natural en els fluxos de treball clínics

L’èmfasi serà en fer que l’explicabilitat sigui útil, comprensible i aplicable per als professionals de la salut.

Al final de la sessió, la nostra Chief Data Scientist, Burcu Kolbay, respondrà a preguntes en directe.

Convidat especial: s’uneix la nostra Chief Data Scientist, el Dr. Josep Vidal, membre del grup de treball de projectes d’IA multidisciplinaris i multi-territorials de l’Institut Català de la Salut (ICS). El Dr. Vidal compartirà perspectives pràctiques sobre l’adopció de la IA en entorns sanitaris, la importància de la explicabilitat per a la presa de decisions clíniques i els reptes de traduir els coneixements de la IA en informació que els professionals de la salut puguin utilitzar amb confiança en la seva pràctica diària.

A qui està orientat 

Aquesta masterclass està dissenyada per a professionals implicats en el desenvolupament, la implementació, l’avaluació o l’adopció de la IA en la salut, incloent-hi:

• Especialistes en Informàtica Clínica
• Líders en Salut Digital
• Professionals de Dispositius Mèdics i HealthTech
• Metges i Investigadors Clínics
• Equips d’Innovació Hospitalària
• Prescriptors de Decisions Sanitàries

No es requereix cap formació tècnica avançada. La sessió està pensada per fomentar el diàleg entre les comunitats tècnica i clínica.

Detalls del webinar

📅 Dimecres, 7 d’Octubre, 2026

⏰ 11:00 h – 12:00 h

• Format: Online (live)
• Durada: 60 minuts
• nivell: Bàsic – Intermig
• Idioma: Anglès 

La entrada Webinar series: Explainable AI per al sector sanitari se publicó primero en Mosaic Factor.

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.

L’explicabilitat de la IA està esdevenint un requisit regulador, no només una bona pràctica de governança

Tot i que la transparència ha estat sempre un principi clau de la trustworthy AI, la European AI Act enforteix significativament la necessitat d’explicabilitat al llarg del cicle de vida de la IA. Per als sistemes de IA d’alt risc, els proveïdors han d’assegurar una transparència suficient perquè els qui despleguen i integren sistemes de IA puguin entendre, interpretar i fer un ús adequat dels resultats del sistema. Això inclou proporcionar documentació sobre les capacitats del sistema, les seves limitacions, el rendiment esperat, els escenaris de risc i, quan sigui aplicable, informació que ajudin a explicar com es generen els resultats.

La Llei d’IA també vincula l’explicabilitat amb els requisits de supervisió humana. Els responsables de la presa de decisions han de poder monitoritzar eficaçment els sistemes d’IA, qüestionar els resultats quan sigui necessari i intervenir per evitar resultats perjudicials. En la pràctica, això vol dir que les organitzacions necessitaran cada vegada més tècniques d’explicabilitat, documentació de models, registres d’auditoria i eines de monitorització que facin que les decisions de la IA siguin comprensibles tant per a tècnics com per a responsables de negoci.

Més enllà de les aplicacions d’alt risc, les noves obligacions de transparència per als sistemes d’IA generativa requereixen que els usuaris estiguin informats quan interactuen amb IA i quan el contingut ha estat generat o manipulat per IA. A mesura que aquests requisits entren en vigor, les organitzacions necessitaran marcs de governança més sòlids que demostrin no només compliment, sinó també que els sistemes d’IA es poden confiar, interpretar i responsabilitzar. Aquí pots veure les directrius de la Comissió Europea sobre les obligacions de transparència per als proveïdors i desplegadors de sistemes de IA.

→ Consulta la nostra solució Trustworthy AI

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

Gravació

Si no vas poder unir-te a aquesta primera sessió de la nostra sèrie de seminaris web sobre IA explicable per assegurar-te que les teves solucions d’IA siguin potents, sinó també comprensibles, fiables i de confiança per aquells que les utilitzen per prendre decisions. Ara pots veure el vídeo a continuació:

Per què importa la IA explicable en tots els sectors 

Els models d’IA d’alt rendiment ja no són suficients per si sols. En tots els sectors, les organitzacions s’enfronten a reptes similars:

• Models complexos que ofereixen prediccions però no enteniment.
• Dificultat per explicar els resultats a actors no tècnics.
• Visibilitat limitada del comportament, assumptes i limitacions del model.
• Baixa confiança en els resultats de l’IA quan les decisions comporten risc operatiu o estratègic.

L’IA explicable proporciona les eines i els marcs necessaris per superar aquests buits. Quan s’aplica correctament, XAI ajuda les organitzacions a:

• Entendre per què un model es comporta com ho fa.
• Millorar la robustesa del model durant el desenvolupament i la iteració.
• Detectar problemes ocults, biaixos o dependències de dades de manera primerenca.
• Comunicar clarament els insights de l’IA als propietaris de productes, gestors i directius.
• Construir confiança compartida entre els equips de dades i els responsables de la presa de decisions.

Per tant, l’explicabilitat no és només una característica tècnica, sinó un habilitador crític de l’adopció fiable de l’IA a gran escala.

La primera sessió d’una sèrie de seminaris web

Aquesta sessió obre una sèrie més ampla de webinars web sobre Intel·ligència Artificial Explicable. Tot i que les edicions futures exploraran aplicacions específiques per a la indústria, aquesta primera classe magistral pren una perspectiva intersectorial, centrant-se en els responsables de la presa de decisions i en els principis comuns que s’apliquen independentment del sector. L’objectiu és establir un llenguatge i una manera de pensar compartits al voltant de XAI que alineïn el desenvolupament tècnic amb la presa de decisions empresarials.

Què aprendràs?

Al final d’aquesta sessió, els participants entendran com anar més enllà de la precisió i dissenyar sistemes d’IA que siguin:

• Transparents: es pot entendre i inspeccionar el seu comportament.
• Explicables: les prediccions es poden justificar en termes comprensibles per a humans i es poden rastrejar de manera que els models siguin responsables.
• Confiable: els resultats es poden utilitzar amb confiança en decisions del món real.

Durant la sessió, cobrirem:

1. Per què és important la IA explicable per als responsables de decisions
2. Fonaments de la IA explicable, sense l’excessiva complexitat tècnica
3. On la IA explicable crea valor empresarial
   Explicabilitat a través dels diversos enfocaments de l’IA
4. Com operacionalitzar XAI a l’organització
5. Com comunicar decisions d’IA amb confiança
6. Recorregut basat en casos: Flux de treball de XAI de Mosaic Factor

L’enfocament es manté fermament en la presa de decisions pràctica i la fiabilitat del model, no en la teoria abstracta. Al final de la sessió, la nostra Chief Data Scientist, Burcu Kolbay, respondrà a preguntes en directe.

A qui està orientat

Aquesta masterclass està dissenyada per a professionals que treballen (o volen treballar) amb IA en diferents sectors, incloent:

• Responsables de presa de decisions que depenen dels resultats de la IA (nivell directiu)
• Product Owners i Gestors Tècnics
• Líders d’Innovació i Transformació Digital

No es requereix cap formació legal o de compliment normatiu. La sessió prioritza perspectives aplicades, centrades en el desenvolupament i dirigides a la comunicació.

Detalls del webinar

📅 Dimarts, 26 de Maig, 2026

⏰ 11:00 h – 12:00 h

• Format: Online (live)
• Duració: 60 minuts
• Nivell: Bàsic a Intermedi
• Idioma: English 

La entrada Webinar series: Explainable AI per a la presa de decisions se publicó primero en Mosaic Factor.

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.

Per què la Explainable AI és important en el sector Automotive 

Els sistemes d’IA en l’automoció han de complir estàndards extremadament alts de seguretat, regulació i responsabilitat. L’IA explicable és essencial per permetre:

• Compliment normatiu (incloent-hi les noves regulacions d’IA i els estàndards de seguretat automotriu).
• Traçabilitat de les decisions en sistemes crítics per la seguretat.
• Depuració i validació de models de machine learning complexos.
• Detectar i solucionar biaixos tant en les dades com en les prediccions.
• Confiança i acceptació per part dels reguladors, partners i usuaris finals.

Sense explicabilitat, fins i tot els models amb rendiment elevat poden ser difícils o impossibles de certificar, validar o desplegar de manera responsable.

Webinar

Tot i que la sessió es fa en línia, el seu enfocament pràctic, interactiu i aprofundit va més enllà d’un webinar tradicional. Els participants no només aprendran què és la Intel·ligència Artificial Explicable, sinó també com aplicar-la directament en casos reals del sector de l’automoció i en processos de desenvolupament. Per això definim l’esdeveniment com una masterclass en línia, que combina profunditat i interactivitat amb l’accessibilitat i la comoditat d’un format tipus webinar. 

📨 Clica aquí per a registrar-te ara. 

Què aprendràs

Al final d’aquesta sessió, els participants entendran com anar més enllà de la precisió i dissenyar sistemes d’IA que siguin:

• Transparents: el seu comportament es pot entendre i inspeccionar.
• Responsables: les decisions es poden justificar i rastrejar.
• Confiables: segurs per desplegar en entorns automobilístics reals.

Les persones participants obtindran coneixements pràctics i aplicables sobre:

1. Els fonaments de la Intel·ligència Artificial Explicable (XAI) i la interpretabilitat dels models.
2. La diferència entre models intrínsecament transparents i explicabilitat posteriors.
3. Tècniques claus de XAI per a aplicacions en l’automoció (per exemple: atribuïció de característiques i explicacions locals versus globals).
4. Com dissenyar sistemes d’IA que siguin responsables per disseny.
5. Integrar l’explicabilitat en els fluxos de desenvolupament, proves i validació.
6. Donar suport a auditories, documentació i revisions reguladores amb XAI.
7. Exemples reals de l’automoció i lliçons apreses.

L’enfocament està clarament en la presa de decisions pràctica, no en la teoria abstracta. La nostra Chief Data Scientist, Burcu Kolbay, respondrà preguntes al final.

A qui va dirigit

Aquesta masterclass està dissenyada per a professionals que treballen amb IA dins de l’ecosistema automotriu, incloent:

• Enginyers d’IA i Aprenentatge Automàtic
• Científics de Dades
• Enginyers d’ADAS i Conducció Autònoma
• Gestors de Seguretat Funcional i Compliance
• Líders de R+D i Innovació
• Product Owners i Gestors Tècnics

No cal tenir coneixements legals. Les perspectives aplicades i centrades en l’enginyeria són el centre d’atenció.

Detalls del webinar

• Format: Online (live)
• Durada: 60 minuts
• Nivell: Intermig a Avançat
• Idioma: Anglès 

Registre

Uneix-te a aquesta masterclass per assegurar-te que les teves solucions d’IA siguin potents, però també comprensibles, responsables i confiables.

📨 Clica aquí per a registrar-te ara i ajudar a donar forma al futur de l’IA automotriu de confiança. 

La entrada Masterclass Explainable AI per automotive: from black boxes to trust  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.