Intel·ligència artificial i big data

Explica amb les teves paraules la diferència entre programació tradicional (regles escrites per una persona) i aprenentatge automàtic (regles apreses a partir d'exemples), i posa una aplicació on cada enfocament sigui més adequat.

Explica amb una analogia senzilla què és una xarxa neuronal artificial: capes de «neurones» que combinen entrades amb pesos ajustables. Què s'ajusta durant l'entrenament i què significa que la xarxa «aprèn»?

Ordena de més general a més específic aquests tres termes: aprenentatge profund (deep learning), intel·ligència artificial, aprenentatge automàtic. Explica la relació d'inclusió entre ells amb un exemple de cada nivell.

En aprenentatge supervisat, què és l'etiqueta d'una dada? Posa tres exemples de conjunts de dades etiquetats (foto → gat/gos, correu → brossa/no brossa, sensor → sa/avaria) i explica qui sol produir les etiquetes i quin cost té.

Explica la diferència entre aprenentatge supervisat, no supervisat i per reforç, i classifica aquestes aplicacions: filtre de correu brossa entrenat amb correus etiquetats, agrupació de clients per hàbits de compra sense etiquetes, i un robot que aprèn a caminar per assaig i error.

Distingeix entre un problema de classificació (predir una categoria) i un de regressió (predir un nombre). Classifica aquestes tasques: estimar el preu d'un habitatge, decidir si una radiografia mostra una fractura, predir la temperatura de demà i agrupar notícies per tema.

Un sistema aprèn amb el $80\,\%$ de les dades i s'avalua amb el $20\,\%$ restant. Explica què són el conjunt d'entrenament i el de prova, què és el sobreajustament i com es detecta comparant els errors en ambdós conjunts.

Un classificador d'avaries avaluat sobre $200$ màquines dona la matriu de confusió de la figura. a) Calcula la precisió ($\frac{VP}{VP + FP}$) i l'exhaustivitat o sensibilitat ($\frac{VP}{VP + FN}$). b) Explica quin error és més greu en manteniment (el fals negatiu: avaria no detectada) i com canviaries el llindar del model per reduir-lo a costa de més falses alarmes.

En la detecció de frau bancari només una transacció de cada mil és fraudulenta. Explica què és un conjunt desbalancejat, per què un model que classifica tot com a «legítim» encerta el $99{,}9\,\%$ i no serveix per a res, i quines mètriques i tècniques s'utilitzen en el seu lloc (exhaustivitat, sobremostratge de la classe minoritària, pesos).

Defineix «big data» i explica les tres «V» clàssiques (volum, velocitat i varietat) amb un exemple de cadascuna en el context d'una aplicació de transport urbà.

Un ajuntament instal·la sensors de trànsit en $200$ encreuaments que envien una lectura cada $5$ segons. a) Estima el nombre de lectures generades al dia i a l'any. b) Raona quins problemes d'emmagatzematge i processament plantegen i per què les bases de dades convencionals d'un sol servidor es poden quedar curtes.

Una empresa tecnològica decideix entrenar des de zero el seu propi model de llenguatge de 70 000 milions de paràmetres en un centre de dades connectat a una xarxa amb un factor d'emissió de 0,26 kg CO₂/kWh. El procés d'entrenament requereix 1,5 GWh d'energia elèctrica. Un cop desplegat, s'estima que el servei atendrà 20 milions de consultes diàries, consumint 0,5 GWh addicionals al mes durant la fase d'inferència.

1. a) Analitza les tres fases del cicle de vida d'aquest sistema d'IA que contribueixen a la seva petjada ambiental i justifica per què, al llarg d'un any d'operació, l'impacte de la inferència diària pot superar àmpliament el de l'entrenament inicial.
2. b) Calcula la massa de CO₂ (en tones) emesa únicament durant la fase d'entrenament i compara-la amb les emissions generades pel primer any complet d'inferència.
3. c) Dissenya tres mesures tècniques d'enginyeria (a nivell d'arquitectura del model, reutilització de pesos i selecció d'infraestructures) que redueixin dràsticament el consum energètic sense degradar de manera inacceptable la qualitat de les respostes.