better

## Paradigmes principals

Abans del ML, la IA era principalment **simbòlica**: sistemes que seguien regles escrites explícitament per humans, amb lògica, condicions i motors d'inferència. Era el paradigma dominant fins als anys 90, i encara apareix en sistemes de regles de negoci, validació i compliance. Però no és el que avui entenem per IA: és enginyeria de software amb lògica explícita, útil quan el domini és estable i auditable, però incapaç de generalitzar quan les regles no es poden escriure a mà.

La IA moderna gira al voltant de tres paradigmes: l'aprenentatge automàtic, els models fundacionals i la combinació de tots dos amb regles explícites.

La IA moderna gira al voltant de tres paradigmes que aprenen:

Abans del ML, la IA era principalment **simbòlica**: sistemes que seguien regles escrites explícitament per humans, amb lògica, condicions i motors d'inferència. Era el paradigma dominant fins als anys 90, i encara apareix en sistemes de regles de negoci, validació i compliance. Però les regles escrites a mà no són el que avui entenem per IA: són enginyeria de software amb lògica explícita, útils quan el domini és estable i auditable, però incapaces de generalitzar quan les regles no es poden escriure.

### Aprenentatge automàtic

### Models fundacionals

El model s'entrena de manera auto-supervisada sobre volums massius de dades, predient el token següent, sense etiquetes humanes. Els models de frontera actuals ja no es preentrenen només amb text: processen text, imatges, àudio i vídeo dins del mateix model (**multimodalitat**). El resultat és un model preentrenat que no s'usa directament com a classificador: el desenvolupador no entrena des de zero, sinó que configura el comportament via prompting, RAG o fine-tuning.

El model s'entrena de manera auto-supervisada sobre volums massius de dades, predient el token següent, sense etiquetes humanes. Els models de frontera actuals ja no es preentrenen només amb text: processen text, imatges, àudio i vídeo dins del mateix model (**multimodalitat**).

El resultat és un model preentrenat que no s'usa directament com a classificador: el desenvolupador no entrena des de zero, sinó que configura el comportament via prompting, RAG o fine-tuning.

- *Tècniques:* transformadors, prompting, fine-tuning, RAG.

- *Àmbits:* generació de text, extracció d'informació, assistència interactiva, agents.

### Híbrid

Combina regles i models apresos. És el paradigma dominant en producció real: gairebé cap sistema ML o LLM s'exposa directament sense una capa de lògica explícita al voltant. El model prediu; regles, llindars o polítiques validen, filtren o sobreescriuen la sortida abans que arribi a l'usuari. El model no és l'última paraula, el sistema sí.

El paradigma híbrid combina regles i models apresos, i és el dominant en producció real: gairebé cap sistema ML o LLM s'exposa directament sense una capa de lògica explícita al voltant. El model prediu; regles, llindars o polítiques validen, filtren o sobreescriuen la sortida abans que arribi a l'usuari. El model no és l'última paraula, el sistema sí.

*Exemple: un model ML prediu la probabilitat de frau, però una regla fixa bloqueja sempre qualsevol transacció superior a 50.000 € independentment de la predicció.*

## Exemples de sistemes IA

Amb els paradigmes al cap, ja es pot veure com apareixen en casos reals. Cada exemple apunta a un bloc diferent del material, abans d'entrar en la mecànica interna.

Els tres paradigmes no són categories abstractes: apareixen en sistemes que ja fas servir cada dia. Cada exemple apunta a un bloc diferent del material, abans d'entrar en la mecànica interna.

### Filtratge de spam

## Arquitectura d'un sistema IA

Més enllà del paradigma, tots aquests sistemes comparteixen una estructura interna semblant en producció. Entendre-la ajuda a saber on intervenir quan alguna cosa falla.

Tot sistema IA comparteix la mateixa estructura interna en producció, sigui quin sigui el paradigma. Entendre-la ajuda a saber on intervenir quan alguna cosa falla.

*Exemple: quan arriba un correu al filtre de spam, el sistema comprova que el missatge és ben format, en treu el remitent i les paraules com a features, el model retorna una probabilitat de 0,93, i una regla decideix que tot el que passa de 0,9 va a la carpeta de correu brossa.*

Les mateixes quatre fases, en general:

1. **Entrada:** rebre i validar el que arriba: format, tipus, rang de valors esperats.

2. **Preparació i representació:** transformar les dades al format que el model necessita. Tokenització, normalització, construcció del prompt i extracció de features passen aquí.

### Representació de dades

El pas de representació és crític perquè el format de les dades determina quins sistemes té sentit construir:

El format de les dades determina quins sistemes té sentit construir, i aquestes són les representacions habituals:

- **Dades tabulars:** files i columnes amb camps numèrics o categòrics. Funcionen molt bé per a problemes de negoci, logs, sensors, CRM o predicció estructurada.

- **Text i tokens:** els LLMs treballen amb text convertit en tokens (**unitats textuals petites que el model processa i genera**). La longitud del context és una restricció directa.

## Models de ML

El primer dels dos grans subjectes d'aquest material: com aprèn un model de ML i com se sap si funciona. Els algoritmes concrets són a [Aprenentatge Automàtic](./ba1.md).

El primer dels dos grans subjectes d'aquest material és el ML clàssic: com aprèn un model i com se sap si funciona. Els algoritmes concrets són a [Aprenentatge Automàtic](./ba1.md).

### Com aprenen

## LLMs

El segon subjecte. Els models fundacionals funcionen i es mesuren de manera diferent del ML clàssic; cinc idees són suficients per situar-los. El detall és a [LLMs i IA Generativa](./llms.md).

El segon subjecte són els models fundacionals, que funcionen i es mesuren de manera diferent del ML clàssic. Cinc idees són suficients per situar-los. El detall és a [LLMs i IA Generativa](./llms.md).

### Finestra de context

### Models de raonament

No tots els models responen igual. Un model estàndard genera la resposta directament; un **model de raonament** (*reasoning model*) produeix primer una cadena de pensament interna, un esborrany pas a pas que normalment no es mostra, i després respon. Són l'opció per defecte per a tasques difícils (matemàtiques, lògica multi-pas, codi amb restriccions que interactuen) i una mala opció quan la resposta és directa o quan la latència i el cost importen, perquè generen molts tokens interns per petició.

Un model estàndard genera la resposta directament; un **model de raonament** (*reasoning model*) produeix primer una cadena de pensament interna, un esborrany pas a pas que normalment no es mostra, i després respon. Són l'opció per defecte per a tasques difícils (matemàtiques, lògica multi-pas, codi amb restriccions que interactuen) i una mala opció quan la resposta és directa o quan la latència i el cost importen, perquè generen molts tokens interns per petició.

### Qui decideix el flux

## Com abordar un projecte d'IA

Un projecte d'IA es juga en dues decisions: fins on cal pujar en complexitat tecnològica, i com iterar des de la primera versió fins a producció.

### Escollir el nivell adequat

El punt de partida no és "usar un LLM sempre", sinó **trobar l'equilibri entre simplicitat, control i capacitat**. Entre les regles deterministes i l'API d'un model de frontera hi ha diversos graons intermedis que sovint són la millor opció; l'escala completa és a [LLM vs. ML tradicional](./llms/llm_vs_ml.md).

## Limitacions i riscos

Cap d'aquests sistemes és màgic. La fiabilitat no ve del model, ve del sistema sencer, i el sistema pot fallar de maneres que el model, per si sol, no pot prevenir.

Cap sistema IA és màgic. La fiabilitat no ve del model, ve del sistema sencer, i el sistema pot fallar de maneres que el model, per si sol, no pot prevenir.

Els riscos més importants: