Salta el contingut

4. Aplicació de la intel·ligència artificial (IA)

Resultat d'aprenentatge (RA4)

RA4. Identifica aplicacions de la intel·ligència artificial en entorns del sector en què està emmarcat el títol i descriu les millores implícites en la seua implementació.

Criteris d'avaluació (CA)

  • a) S'ha identificat la importància de la IA en l'automatització de processos i l'optimització d'estos.
  • b) S'ha relacionat la IA amb l'arreplegada massiva de dades (big data) i el seu tractament (anàlisi) amb la rendibilitat de les empreses.
  • c) S'ha valorat la importància present i futura de la IA.
  • d) S'han identificat els sectors amb implantació més rellevant d'IA.
  • e) S'han identificat els llenguatges de programació en IA.
  • f) S'ha descrit com va influir la IA en el sector del títol.

4.1. Introducció

La intel·ligència artificial (IA) agrupa un conjunt de tècniques i metodologies que permeten als sistemes informàtics executar tasques que, tradicionalment, requerien intel·ligència humana. Entre estes tasques es troben el raonament, l'aprenentatge a partir de dades, el reconeixement de patrons, la comprensió del llenguatge natural i la presa de decisions.

En l'àmbit del desenvolupament d'aplicacions web, la IA ha deixat de ser una tecnologia experimental per a convertir-se en un component habitual dels sistemes digitals. Plataformes de comerç electrònic, xarxes socials, aplicacions corporatives i serveis en línia integren models d'IA per a personalitzar continguts, automatitzar processos i millorar l'experiència d'usuari.

Per a la persona tècnic superior en DAW, comprendre el funcionament bàsic de la IA i les seues aplicacions pràctiques és fonamental per a participar en el disseny, desenvolupament i manteniment d'aplicacions web modernes.

Què és un model?

En el context de la intel·ligència artificial (IA) i de l'aprenentatge automàtic (machine learning), un model és una representació matemàtica i computacional d'un fenomen real que ha sigut construïda a partir de dades i que permet fer prediccions, classificacions o prendre decisions sobre informació nova.

Un model és el resultat del procés d'entrenament: no es programa amb regles fixes escrites manualment, sinó que s'obté quan un algoritme d'aprenentatge analitza dades i ajusta els seus paràmetres interns.

Model d'IA vs programa tradicional

És important diferenciar clarament un model d'intel·ligència artificial d'un programa informàtic clàssic:

  • Programa tradicional
    El comportament està determinat per regles explícites definides pel desenvolupador.

  • Model d'IA
    El comportament emergeix a partir de dades i pot adaptar-se a situacions no previstes inicialment.

flowchart LR A[Programa tradicional] --> B[Regles escrites a mà] B --> C[Comportament fix] D[IA / Machine Learning] --> E[Dades d'entrenament] E --> F[Algoritme d'aprenentatge] F --> G[Model entrenat] G --> H[Comportament adaptable]

Components principals d'un model

Un model d'IA està format, de manera simplificada, pels components següents:

  • Algoritme d'aprenentatge. Procediment matemàtic que permet ajustar el model (regressió, arbres de decisió, xarxes neuronals, etc.).
  • Paràmetres. Valors interns que el model aprén durant l'entrenament i que determinen la seua resposta.
  • Dades d'entrenament. Conjunt de dades utilitzat per a aprendre patrons i relacions.
  • Funció de pèrdua o error. Mesura la diferència entre el resultat esperat i la predicció del model.

Funcions d'un model d'intel·ligència artificial

Una vegada entrenat, un model pot realitzar diferents tipus de tasques:

  • Classificació: assignar una categoria a una entrada.
  • Predicció: estimar un valor futur o una probabilitat.
  • Reconéixer patrons: imatges, text o veu.
  • Detecció d'anomalies: identificar comportaments no habituals.

Exemple aplicat al desenvolupament web

En una aplicació web de comerç electrònic:

  • Les dades d'entrada poden incloure:

    • productes visitats,
    • temps de navegació,
    • historial de compres.

  • El model aprén patrons de comportament dels usuaris.

  • L'aplicació utilitza el model per a:

    • recomanar productes,
    • personalitzar la interfície,
    • millorar la taxa de conversió.

En este escenari, el model substitueix regles fixes per decisions basades en dades reals.

Model entrenat i model en producció

Cal distingir dues fases en l'ús d'un model:

  • Entrenament. Procés mitjançant el qual el model aprén a partir de dades històriques.
  • Inferència. Aplicació del model entrenat per a prendre decisions o fer prediccions en una aplicació real.
flowchart TD A[Dades històriques] --> B[Entrenament del model] B --> C[Model entrenat] C --> D[Servei d'inferència] D --> E[Aplicació web]

4.2. IA en l'automatització de processos i la seua optimització

L'automatització de processos és un dels àmbits d'aplicació més rellevants de la intel·ligència artificial en l'entorn empresarial i, de manera particular, en el desenvolupament d'aplicacions web. Automatitzar un procés implica reduir o eliminar la intervenció humana en l'execució de tasques repetitives, sistemàtiques o altament estructurades, amb l'objectiu de millorar l'eficiència, la qualitat i la traçabilitat del sistema.

Quan esta automatització es realitza mitjançant intel·ligència artificial, els sistemes no es limiten a seguir regles fixes, sinó que són capaços d'analitzar dades, detectar patrons i adaptar el seu comportament a mesura que disposen de nova informació. Això permet optimitzar processos complexos, variables o amb un alt grau d'incertesa.

Importància de la IA en l'automatització de processos

La incorporació de la IA en l'automatització de processos aporta avantatges significatius respecte als sistemes tradicionals:

  • Reducció de costos operatius, en disminuir la càrrega de treball manual.
  • Millora de la qualitat del servei, gràcies a la disminució d'errors humans.
  • Escalabilitat, ja que els sistemes poden gestionar un gran volum de sol·licituds simultànies.
  • Capacitat d'adaptació, mitjançant l'aprenentatge a partir de dades reals d'ús.
  • Optimització contínua, basada en indicadors de rendiment (KPI).

En el desenvolupament d'aplicacions web, estos avantatges són especialment rellevants en entorns amb molts usuaris, altes taxes d'interacció o processos de negoci complexos.

Automatització tradicional vs. automatització amb IA

  • Automatització tradicional. Es basa en fluxos de control deterministes i regles definides prèviament. Qualsevol canvi en el comportament del sistema requereix modificacions explícites del codi.
  • Automatització amb IA. Utilitza models entrenats amb dades històriques que permeten al sistema prendre decisions probabilístiques i adaptar-se a situacions no previstes inicialment.

Aplicacions en entorns web

En el desenvolupament web, la IA s'aplica en:

  • Xatbots amb llenguatge natural per a atenció a l'usuari.
  • Classificació automàtica de tiquets i incidències.
  • Sistemes de recomanació de continguts o productes.
  • Optimització de processos de registre, compra o navegació.
  • Anàlisi de logs i mètriques, per a detectar anomalies i millorar el rendiment de l'aplicació.

Estes aplicacions contribueixen directament a l'optimització dels processos de negoci associats a l'aplicació web.

Llenguatges de programació utilitzats en intel·ligència artificial

La implementació de solucions d'IA requereix llenguatges de programació que disposen d'ecosistemes madurs i biblioteques especialitzades. En l'àmbit del desenvolupament web destaquen:

  • Python. És el llenguatge més utilitzat en IA gràcies a la seua sintaxi senzilla i a l'existència de nombroses llibreries per a machine learning, deep learning i processament de dades. S'utilitza habitualment per a entrenar models i exposar-los mitjançant serveis web.
  • JavaScript/TypeScript. Permeten integrar funcionalitats d'IA directament en aplicacions web, especialment en el consum de serveis d'IA des del front-end o en entorns back-end basats en Node.js.
  • Java. Utilitzat en sistemes empresarials i arquitectures escalables, especialment quan la IA forma part d'un sistema distribuït de gran envergadura.
  • C++. Emprat en components d'alt rendiment o en motors d'inferència on la latència és crítica.
  • R. Orientat principalment a l'anàlisi estadística i exploració de dades, amb un ús més habitual en fases d'estudi i validació.
flowchart TD A[Procés tradicional] --> B[Tasques manuals repetitives] B --> C[Cost elevat i errors] D[Procés amb IA] --> E[Captura de dades] E --> F[Models d'IA] F --> G[Automatització] G --> H[Optimització contínua]

Figura 1. Automatització amb IA des del punt de vista de la manipulació de dades

4.3 IA, big data i mineria de dades

La intel·ligència artificial (IA) està estretament vinculada al big data, ja que els sistemes intel·ligents necessiten grans volums de dades per a entrenar-se, validar-se i millorar el seu rendiment. No sols és important la quantitat de dades disponibles, sinó també la seua qualitat, varietat i actualització constant. Models d'IA ben entrenats depenen directament de dades fiables, representatives i lliures de biaixos significatius.

Big Data

El big data fa referència al conjunt de dades de gran volum, elevada velocitat de generació i alta varietat de formats que no poden ser gestionades ni analitzades de manera eficient amb les eines tradicionals. Aquestes dades requereixen tecnologies i mètodes específics per a l'emmagatzematge, el processament i l'anàlisi, amb l'objectiu d'extraure informació útil i generar coneixement per a la presa de decisions.

Les aplicacions web constitueixen una font contínua i massiva de dades. Cada interacció de l'usuari genera informació rellevant, com ara clics, temps de sessió, pàgines visitades, cerques, transaccions, formularis enviats, registres d'activitat (logs) i altres interaccions digitals. Totes aquestes dades, convenientment emmagatzemades i processades, poden ser analitzades per extraure coneixement útil.

En aquest context apareix la mineria de dades, que és el conjunt de tècniques i processos destinats a descobrir patrons, relacions i tendències ocultes dins de grans conjunts de dades. La mineria de dades actua com un pont entre el big data i la IA, ja que proporciona la informació estructurada i rellevant que els models intel·ligents poden utilitzar.

La mineria de dades permet, entre altres coses:

  • Detectar patrons de comportament dels usuaris, com hàbits de consum o preferències.
  • Segmentar usuaris en grups amb característiques similars, facilitant la personalització de serveis.
  • Predir accions futures, com ara la probabilitat de compra, abandonament d'un servei o demanda d'un producte.
  • Identificar anomalies, errors o possibles fraus mitjançant comportaments atípics dins del conjunt de dades.

Aquest procés aporta un alt valor empresarial i organitzatiu, ja que permet prendre decisions fonamentades en dades objectives i no únicament en intuïcions. Gràcies a la combinació de big data, mineria de dades i IA, les organitzacions poden optimitzar processos, millorar l'experiència d'usuari, reduir costos i anticipar-se a situacions futures amb major precisió.

flowchart TD A[(Fonts de dades)] --> B[Ingesta] B --> C[(Big Data)] C --> D[Neteja i preparació] D --> E[Minera de dades] E --> F[Models d'IA] F --> G[Accions empresarials]

Figura 2: De les dades a la decisió.

4.4 IA aplicada al desenvolupament d'aplicacions web

La integració de la IA en aplicacions web es realitza habitualment mitjançant serveis independents que exposen funcionalitats intel·ligents a través d'APIs.

Casos d'ús específics en DAW

  • Recomanadors: suggeriment de productes o continguts.
  • Xatbots: suport automàtic basat en NLP.
  • Cerca intel·ligent: interpretació semàntica de consultes.
  • Detecció de frau: identificació de comportaments anòmals.
  • Anàlisi d'UX: millora contínua de la interfície.
flowchart TD U[Usuari] --> FE[Front-end] FE --> BE[Back-end / API] BE --> DB[(Base de dades)] BE --> LOG[(Logs / events)] LOG --> M[Model d'IA] M --> BE

Figura 3. Arquitectura típica d'aplicació de la IA

4.5 Importància present i futura de la Intel·ligència Artificial

A escala global, la intel·ligència artificial (IA) s'ha convertit en un element clau de transformació econòmica, social i productiva. Governs, organismes internacionals i grans corporacions consideren la IA una tecnologia estratègica pel seu potencial per a augmentar la productivitat, millorar la presa de decisions i generar nous models de negoci. La seua aplicació ja és visible en àmbits molt diversos com la sanitat, el transport, la indústria, l'educació, la seguretat o l'administració pública, on s'utilitza per a analitzar grans volums de dades, automatitzar tasques complexes i donar suport a processos de decisió.

Les previsions indiquen que, en els pròxims anys, la IA tindrà un impacte creixent en l'economia global i en el mercat laboral, tant per la creació de nous perfils professionals com per la transformació dels rols existents. Al mateix temps, aquest desenvolupament planteja reptes importants en matèria d'ètica, privacitat, transparència i regulació, fet que ha impulsat iniciatives internacionals per a garantir un ús responsable i fiable de la intel·ligència artificial.

En aquest context global, el sector tecnològic té un paper central com a motor de desenvolupament i aplicació de la IA. Les empreses TIC integren cada vegada més sistemes intel·ligents en el programari i en les aplicacions web, tant de manera directa com mitjançant serveis externs i plataformes especialitzades. Funcionalitats com la personalització de continguts, els sistemes de recomanació, l'anàlisi predictiva, els assistents virtuals o la detecció automàtica d'anomalies s'han convertit en elements habituals dels serveis digitals.

Per al desenvolupador o desenvolupadora web, aquesta realitat implica una evolució del perfil professional. D'una banda, es fa imprescindible una formació contínua que permeta comprendre els fonaments de la IA i les seues aplicacions pràctiques. D'altra banda, el treball en equips multidisciplinaris amb perfils especialitzats en dades esdevé habitual. Finalment, el desenvolupament de solucions basades en IA exigeix una atenció especial a les qüestions ètiques i legals, especialment pel que fa a la protecció de dades i a la responsabilitat sobre les decisions automatitzades.

En conjunt, la intel·ligència artificial es configura com un factor clau del present i del futur, tant a nivell global com dins del sector tecnològic, amb un impacte directe en la manera de dissenyar, desenvolupar i utilitzar les aplicacions digitals.

4.6 Com aprén una IA: machine learning i deep learning

La intel·ligència artificial pot aprendre a partir de dades gràcies a l’aprenentatge automàtic (machine learning). En aquest enfocament, el sistema no segueix regles programades manualment, sinó que analitza grans quantitats de dades d’exemple per a detectar patrons i relacions. A partir d’aquest aprenentatge, el model pot fer prediccions o prendre decisions sobre dades noves, similars a les que ja ha analitzat prèviament.

En el context del desenvolupament web, el machine learning és especialment útil perquè permet adaptar les aplicacions al comportament real dels usuaris. Per exemple, un sistema pot aprendre quins productes es consulten més, quins continguts tenen més èxit o quins patrons indiquen un possible frau. Habitualment, aquests models s’executen com a serveis externs, i el desenvolupador web els integra mitjançant APIs o microserveis, fent ús dels resultats dins de l’aplicació.

El deep learning és una especialització del machine learning que utilitza xarxes neuronals artificials amb moltes capes. Aquestes xarxes permeten treballar amb dades no estructurades i complexes, com ara imatges, àudio o text, sense necessitat de definir manualment quines característiques són importants. El model és capaç d’aprendre aquestes característiques de manera automàtica durant el procés d’entrenament.

Gràcies al deep learning, les aplicacions web modernes poden incorporar funcionalitats avançades com xatbots intel·ligents, reconeixement de veu, traducció automàtica, cerca semàntica o anàlisi de sentiment en comentaris i valoracions d’usuaris. Aquest tipus de solucions solen requerir més recursos computacionals, però ofereixen resultats molt precisos en tasques complexes.

Per a un tècnic superior en Desenvolupament d’Aplicacions Web, no és imprescindible saber entrenar aquests models, però sí entendre com funcionen, què poden fer i quines dades necessiten. Aquesta comprensió permet integrar correctament serveis d’IA dins de l’arquitectura d’una aplicació web, prendre decisions tècniques adequades i valorar l’impacte que aquestes tecnologies tenen en el rendiment, la privacitat i l’experiència d’usuari.

Quadre comparatiu: machine learning vs. deep learning

Aspecte Machine learning Deep learning
Definició Models que aprenen patrons a partir de dades Models basats en xarxes neuronals profundes
Tipus de dades Principalment dades estructurades Dades no estructurades (imatge, veu, text)
Preparació de dades Requereix selecció de característiques Aprén les característiques automàticament
Cost computacional Mitjà Elevat
Exemples en aplicacions web Recomanadors, prediccions, classificació Xatbots, reconeixement de veu, anàlisi d’imatges
Rol del desenvolupador web Integrar i consumir models Integrar serveis d’IA avançada

4.7 IA i sectors productius

La IA té una implantació rellevant en:

  • Comerç electrònic
  • Sanitat
  • Indústria
  • Finances
  • Educació
  • Transport i logística

4.8 IA com a tecnologia habilitadora digital (THD)

La IA potencia altres tecnologies com el big data, el cloud computing o l'IoT, accelerant la transformació digital.

graph TD IA[Intel·ligència Artificial] --> BD[Big Data] IA --> CL[Cloud] IA --> IOT[IoT] IA --> ROB[Robòtica]

Figura 5. La IA com a tecnologia habilitadora digital (THD)

Bibliografia