Quan desenvolupem models predictius, creem algorismes ad hoc per ajudar les nostres empreses clients a resoldre problemes específics. Aquests algorismes poden variar segons el problema que calgui resoldre. De fet, seleccionar l’algorisme equivocat no només comportarà un rendiment deficient, sinó que també pot suposar una pèrdua de recursos. La millor manera d’escollir un algorisme és fent les preguntes adequades als professionals del sector per identificar el problema concret que volem resoldre amb el model predictiu. Per això treballem en estreta col·laboració amb els experts de la teva empresa.
Per oferir una idea, els cinc algorismes que fem servir més sovint per a models predictius són:
- 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.
- 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:
- agrupament (clustering),
- reducció de dimensionalitat,
- i aprenentatge de representacions.
- 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.
- 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:
- millorar la generalització,
- la escalabilitat,
- i la interpretabilitat mitjançant tècniques avançades que amplien els límits del que una màquina pot aprendre.
- 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.