Data Enhanced Products

Mitjançant diferents fonts de dades (com ara proves físiques) i models de ML, i habitualment en combinació amb les nostres solucions de *digital twin*, la nostra solució de millora de dades pot aprendre, predir i simular resultats per oferir configuracions automàtiques de producte que permetin millorar els productes i components durant el procés de desenvolupament.

Veure solution

Data As a Service Products

Data as a Service (DaaS) és un model basat en el núvol que permet a les empreses accedir, gestionar i analitzar dades sota demanda, sense necessitat de disposar d’una infraestructura local extensa.

Veure solution

Models d’optimització

Els models d’IA d’optimització permeten als nostres clients millorar processos, reduir costos i augmentar la competitivitat.

Veure solution

Models Descriptius

Els models descriptius tenen com a objectiu descriure patrons, relacions i estructures dins de les dades. No prediuen resultats futurs, però proporcionen informació sobre els fenòmens existents.

Veure solution

Models Predictius

El modelatge predictiu, també conegut com a anàlisi predictiva, és una disciplina que utilitza tècniques estadístiques, matemàtiques i d’intel·ligència artificial per predir resultats futurs basats en dades històriques.

Veure solution

LLMs

A Mosaic Factor, ens centrem en la creació de LLM específics de sector (o models lingüístics lleugers) per a les nostres organitzacions clientes.

Veure solution

Dades sintètiques

Les dades sintètiques són dades artificials generades a partir de dades originals mitjançant un model entrenat per reproduir-ne les característiques i l’estructura.

Veure solution

Digital Twins

Per supervisar i optimitzar els actius de l’empresa en temps real, Mosaic Factor utilitza Digital Twins. Aquests poden predir fallades, detectar ineficiències i millorar la presa de decisions mitjançant l’ús de dades.

Veure solution

Manteniment Predictiu

Per als models de manteniment predictiu, utilitzem tant dades històriques com dades en temps real per anticipar fallades dels equips o necessitats de manteniment. En analitzar les dades dels sensors, els registres de manteniment i altra informació rellevant, podem programar el manteniment de manera proactiva, reduir el temps d’inactivitat i prolongar la vida útil de la maquinària.

Veure solution

Previsió de Demanda i Cost

Els nostres models predictius ajuden les empreses a pronosticar la demanda de productes o serveis. Mitjançant l’anàlisi de les dades històriques de vendes, l’estacionalitat, els factors econòmics i els esdeveniments externs, podem optimitzar els nivells d’inventari, assignar els recursos de manera eficient i minimitzar l’excés d’estocs o els desproveïments.

Veure solution

Quality Analytics

Identifiquem patrons que es correlacionen amb defectes o problemes de qualitat, cosa que permet a les empreses prendre mesures correctives amb antelació i mantenir alts estàndards de qualitat.

Veure solution

Inventory Management

Utilitzem models predictius per optimitzar els nivells d’inventari tenint en compte factors com el temps de lliurament, la variabilitat de la demanda i els costos d’emmagatzematge.

Veure solution

Supply Chain Management

Podem utilitzar l’anàlisi de dades històriques i en temps real per gestionar la cadena de subministrament, optimitzar el transport i garantir el lliurament puntual dels productes.

Veure solution

Tendències de Mercat

Els nostres models predictius analitzen les dades del mercat, el comportament dels consumidors i els factors externs per comprendre els patrons, identificar tendències i anticipar canvis.

Veure solution

Market Understanding

Els nostres models descriptius d’IA proporcionen informació valuosa per a la presa de decisions i la comprensió dels sistemes complexos de les organitzacions.

Veure solution

Exploració de Patrons

Els nostres models descriptius d’IA proporcionen informació valuosa per a la presa de decisions i la comprensió dels sistemes complexos de les organitzacions.

Veure solution

Trustworthy AI

En integrar models d’IA en entorns on els estàndards de compliance són importants, Mosaic Factor ajuda les empreses a gestionar la governança de dades mitjançant l’aplicació de solucions Trustworthy AI.

Veure solution

Logística

La prioritat més gran de Mosaic Factor en logística és compartir dades clau entre els diferents actors de la cadena de subministrament per optimitzar el rendiment i gestionar la sostenibilitat, mitigant l’impacte d’aquestes operacions.

Veure industry

Automoció

Mosaic Factor aplica solucions d’IA en diversos àmbits de la indústria de l’automoció, generalment millorant els vehicles i els seus components durant el seu desenvolupament.

Veure industry

Mobility

La prioritat més gran de Mosaic Factor en Mobilitat és optimitzar els sistemes de transport per a la mobilitat de les persones, millorant alhora la seguretat general i la sostenibilitat de les solucions de transport.

Veure industry

Corporate Services

El nostre aprenentatge automàtic i els algoritmes complexos ajuden les organitzacions a gestionar el compliment normatiu i el servei al client per augmentar el nivell de servei de la seva organització, alhora que optimitzen el temps de resolució de diversos processos.

Veure industry

Indústria

La prioritat més gran de Mosaic Factor en el sector de la fabricació és ajudar els nostres clients a reduir costos, augmentar la sostenibilitat i optimitzar la cadena de producció.

Veure industry

Healthcare

La prioritat més gran de Mosaic Factor en el sector sanitari és fer ús de les dades per millorar l’atenció i el seguiment dels pacients de manera segura, optimitzar els recursos dels sistemes de salut i facilitar la tasca dels professionals sanitaris.

Veure industry

Interpretant l’AI Act de la UE: què significa per als desenvolupadors de vehicles definits per programari (SDV) i per als innovadors del sector de l’automoció

A mesura que la indústria de l’automoció avança cap als vehicles definits per programari (SDV), la Llei d’IA de la UE s’està consolidant com un marc regulador clau que desenvolupadors i OEMs han de comprendre i integrar en els seus fluxos de treball. Dissenyada per garantir sistemes d’IA fiables, ètics i segurs, la Llei d’IA europea introdueix requisits estrictes, especialment per a aplicacions d’alt risc com la conducció autònoma i els sistemes avançats d’assistència al conductor (ADAS).

Principals reptes per als equips d’IA en automoció

Els principals reptes en el desenvolupament de models d’IA per a SDV són:

  • Classificació d’alt risc: els sistemes d’IA en SDV sovint es classifiquen com a “d’alt risc”, cosa que activa processos obligatoris d’avaluació de conformitat, documentació i preparació per a auditories.
  • Paisatge normatiu complex: amb més de 450 pàgines de text legal, traduir la regulació en tasques d’enginyeria és un repte considerable. Les revisions manuals i la documentació fragmentada frenen la innovació i augmenten els costos.
  • Pressió d’auditories: els equips han d’estar preparats per a inspeccions programades i imprevistes. El no compliment pot comportar multes de fins a 7,5 milions d’euros o el 3% de la facturació global.

Marcs de confiança i compliment en IA

Per afrontar aquests obstacles, és essencial desenvolupar marcs de compliment modulars i automatitzats adaptats als SDV per permetre:

  • Avaluacions de sistema integrals: revisions ràpides i preparades per a auditories, alineades amb la Llei d’IA de la UE.
  • Informes configurables: avaluacions dirigides a components específics d’IA, com l’equilibri del conjunt de dades o la transparència del model.
  • Interfície per a la fase d’auditoria: eines per a avaluadors externs que agilitin el feedback i redueixin el temps d’avaluació.

Qui s’hi ha de preocupar?

  • OEMs: responsables del compliment a nivell de sistema, han de garantir que tots els components d’IA compleixin els estàndards normatius abans del llançament del vehicle.
  • Proveïdors Tier 1: desenvolupadors de mòduls crítics d’IA que han de demostrar el compliment a nivell de component davant els OEMs, millorant la col·laboració i la competitivitat al mercat.

Implicacions per a tota la indústria

La Llei d’IA de la UE no és només un obstacle legal, sinó una oportunitat estratègica. En integrar el compliment dins del cicle de desenvolupament, els fabricants poden crear sistemes d’IA més resilients, transparents i preparats per al futur.

La Llei fomenta:

  • Col·laboració transversal: els equips d’IA, ciberseguretat, seguretat i regulació han de treballar conjuntament.
  • Responsabilitat durant tot el cicle de vida: des del disseny fins al seguiment post-mercat, la traçabilitat esdevé un requisit essencial.
  • Innovació a través de l’estructura: les eines i marcs automatitzats converteixen el compliment en un catalitzador de millors pràctiques d’enginyeria.

A mesura que els SDV esdevenen la norma, la Llei d’IA de la UE definirà com es construeix, valida i desplega la IA en l’automoció. Els desenvolupadors i proveïdors amb visió de futur que adoptin un compliment estructurat no només evitaran sancions, sinó que lideraran la nova onada de mobilitat intel·ligent.

GPAI i GenAI sota la Llei d’IA de la UE: què han de saber els desenvolupadors

El Codi de bones pràctiques de GPAI, finalitzat el maig del 2025, ofereix una orientació essencial per als proveïdors de models d’Intel·ligència Artificial d’Ús General (GPAI), inclosos els sistemes d’IA generativa (GenAI). La Llei d’IA europea diferencia entre models GenAI complexos —amb risc sistèmic— i models GenAI simples, cadascun amb diferents nivells d’exigència normativa:

  • GenAI complexos (models de risc sistèmic): aquests models superen llindars com els 10²⁵ FLOPs de capacitat de càlcul en l’entrenament o mostren altes capacitats d’impacte en diversos dominis. Els proveïdors han de dur a terme proves adversàries, avaluacions de risc i informes d’incidents, així com garantir proteccions de ciberseguretat. També han de notificar la Comissió Europea per a la seva inclusió en la base de dades pública i mantenir una documentació detallada de l’arquitectura i les estratègies d’avaluació del model.
  • Models GenAI simples: no es consideren de risc sistèmic i tenen obligacions més lleugeres. Els proveïdors han de publicar un resum de les dades d’entrenament, garantir el compliment dels drets d’autor i mantenir documentació tècnica per als usuaris finals. La transparència és clau: les sortides han d’estar degudament etiquetades i els usuaris han de ser informats quan interactuen amb sistemes d’IA.

El Codi de bones pràctiques actua com una guia per demostrar el compliment normatiu, ajudant els desenvolupadors a navegar pels requisits multinivell de la Llei d’IA, alhora que fomenta la innovació i la confiança en les tecnologies GenAI.