Guia completa sobre Intel·ligència Artificial i Data Mining

Resum de conceptes

• Llenguatges de programació: R, Python, TensorFlow.
• Mineria de dades: Big data i rendibilitat empresarial.
• Exemples d'aplicació: Chatbots, conducció autònoma, diagnòstic mèdic, assistents virtuals, anàlisi predictiva, reconeixement facial, etc.
• Tipus d'IA: Simbòlica, subsimbòlica (Machine learning), IA feble, IA forta i IA híbrida.
• IA i protecció de dades: GDPR, Scraping, dades antropomètriques.

Tipus d'IA

IA simbòlica: Resol problemes utilitzant representacions simbòliques del coneixement humà, basant-se en la lògica formal per prendre decisions.

IA subsimbòlica: Utilitza algoritmes de machine learning (aprenentatge automàtic) per extreure patrons complexos. S'usa en traducció automàtica i sistemes autònoms.

Aprenentatge automàtic (Machine Learning): Molt útil en algoritmes per a cotxes autònoms o classificació de correu brossa (spam). Es divideix en aprenentatge supervisat i no supervisat.

Xarxes neuronals: Es basen en el funcionament del cervell humà. Utilitzen "neurones artificials" per a càlculs, visió artificial, reconeixement de patrons o Processament de Llenguatge Natural (NLP).

Evolució de la IA

El terme neix el 1955. Línia del temps destacada:

• 1955: Naixement del terme.
• 1961: Primer robot industrial (General Motors).
• 1964: Eliza (primer chatbot).
• 1997: Deep Blue derrota Kasparov.
• 2002: Roomba (primer robot aspirador).
• 2011: Siri (Apple).
• 2014: Alexa (Amazon).
• 2017: Smartphones amb xips neuromòrfics (permeten processar tasques localment, com el reconeixement facial).

Protecció de dades i GDPR

La IA planteja reptes ètics i legals. Ha de complir el Reglament General de Protecció de Dades (GDPR) de la UE.

Conflictes i solucions

• Imprecisions en decisions automàtiques: Supervisió humana, testatge profund, control de ciberseguretat, auditoria i transparència.
• Dret a l'esborrat: Sistemes senzills per eliminar dades (ex: historial de Google).
• Minimització de dades: Seudonimització, aprenentatge federat i aprenentatge per transferència.
• Principi de transparència: Informació sobre privadesa, consentiment explícit, eliminar informació confidencial sense alterar el significat i gestió de metadades.

Aplicacions per sectors

• Comerç: Amazon pronostica l'èxit de llibres abans de publicar-los.
• Logística: Vehicles autònoms que optimitzen el trànsit i eviten col·lisions.
• Sanitat: Chatbots per a diagnòstics i identificació de factors genètics.
• Religió: Visita virtual immersiva a la Basílica de Sant Pere (Vaticà).
• Clima: Drons per detectar fugues o plantar llavors contra la desforestació.
• Agricultura: Millora de collites mitjançant sensors i machine learning.
• Finances: Detecció de fraus i predicció del mercat.
• Educació: Personalització de cursos i prevenció de l'abandonament escolar.

Lleis de la robòtica (Parlament Europeu)

Normes proposades:

• Interruptor d'emergència obligatori per evitar perills.
• Prohibició de fer mal als humans (la robòtica ha d'ajudar i protegir).
• Prohibició de generar relacions emocionals amb els robots.
• Assegurança obligatòria per a màquines grans.
• Classificació legal de drets i obligacions.
• Tributació a la Seguretat Social (pagaran impostos).

Mineria de dades (Data Mining)

Base de la rendibilitat empresarial. S'alimenta de dades d'identitat (com targetes de fidelització) per emmagatzemar-les en grans servidors.

Procés de descobriment de coneixement

• Obtenció de dades: Recollida d'informació en brut.
• Neteja i integració: Filtratge de dades amb incoherències o incorrectes; es classifiquen, s'agrupen i s'emmagatzemen en un data warehouse.
• Preparació: Transformació i reducció de dades; es tria el model d'anàlisi o les hipòtesis (fase que consumeix més temps).
• Mineria (Data Mining): Aplicació d'algoritmes per generar patrons interpretables. Hi ha el mètode descriptiu (troba patrons per entendre les dades) i el predictiu (anticipar futurs esdeveniments).
• Avaluació i interpretació: Es comprova si els resultats són correctes i útils per al futur.

Llenguatges de programació en la IA

• Python: El més popular per la seva sintaxi simple i llegible, de caràcter multiplataforma; té un ampli ecosistema de biblioteques específiques com TensorFlow, PyTorch, Scikit-learn i Keras.
• R: Entorn de programari que s'utilitza per a estadística i anàlisi de dades, molt usat en investigació i modelat predictiu.
• TensorFlow: Plataforma que permet implementar algoritmes d'aprenentatge automàtic.

El machine learning és una branca de la intel·ligència artificial i el deep learning és una part del machine learning.