Exercicis: 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.

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.

La figura mostra la cadena d'un sistema d'aprenentatge automàtic que recomana rutes d'autobús, però un dels seus blocs està tapat. Indica quin bloc falta, què passa al seu interior i quines dades necessita rebre del bloc anterior.

Explica què és un «model» en aprenentatge automàtic (els patrons i paràmetres apresos de les dades) i quina diferència hi ha entre entrenar-lo i utilitzar-lo (inferència). Per què entrenar requereix molta més computació que utilitzar-lo?

Cita cinc serveis quotidians que utilitzen aprenentatge automàtic avui dia (mapes i trànsit, traductors, recomanadors de vídeo, assistents de veu, filtres de correu brossa) i indica en cadascun quines dades d'entrada utilitza el model.

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 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.

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.

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 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.

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.

Explica què és la validació encreuada (dividir les dades en diverses parts i rotar quina s'utilitza per provar) i quin problema resol quan hi ha poques dades: per què una única divisió entrenament/prova pot donar una estimació «amb sort» o «amb mala sort» de l'error real?

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).

Per predir el consum elèctric d'un edifici, proposa com a mínim sis variables d'entrada (temperatura exterior, hora del dia, dia feiner o festiu, ocupació, històric del dia anterior, radiació solar) i justifica cadascuna. Explica què és l'enginyeria de variables i per què sol decidir més que l'algorisme triat.

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.

Una empresa tecnològica entrena un model d'aprenentatge automàtic per garbellar currículums d'aspirants a llocs d'enginyeria. Per evitar biaixos discriminatoris per origen socioeconòmic, l'equip exclou de les dades el codi postal, el barri de residència i la nacionalitat. Tanmateix, a la fase de proves es detecta que els candidats procedents de districtes amb rendes baixes són descartats en una proporció un 73,5 % superior a la dels de districtes de renda alta amb perfils acadèmics equivalents.

1. a) Justifica tècnicament com el model ha pogut inferir la procedència socioeconòmica malgrat haver eliminat les variables geogràfiques directes, proposant almenys dues variables habituals en un currículum que actuïn com a variables substitutes (proxies).
2. b) Analitza les implicacions ètiques i legals d'aquest resultat d'acord amb la normativa europea d'intel·ligència artificial (classificació de risc i principi de no-discriminació).
3. c) Dissenya una auditoria algorítmica prèvia al desplegament que inclogui una mètrica quantitativa d'equitat (fairness) i una tècnica de mitigació per corregir el biaix.

Dissenya a escala conceptual un sistema de manteniment predictiu per al parc de calderes d'una ciutat: quins sensors i dades recolliries, quines etiquetes necessitaria l'aprenentatge supervisat, com validaries el model i quina decisió prendria el sistema davant d'una predicció d'avaria imminent.

En un congrés sobre digitalització s'exposa la tesi següent: «Les dades són el nou petroli: s'extreuen massivament, es refinen en centres de càlcul i, de la mateixa manera que els jaciments de cru, constitueixen un recurs natural finit la possessió exclusiva del qual garanteix el monopoli del mercat».

1. a) Rebat tècnicament aquesta afirmació analitzant almenys dues diferències essencials entre les dades i una matèria primera com el petroli, parant atenció a conceptes com la no-rivalitat del seu ús, el cost marginal de còpia i la dependència del context temporal per al seu valor.
2. b) Justifica en quin únic aspecte de la cadena de valor de la intel·ligència artificial continua tenint validesa l'analogia del «refinat».
3. c) Avalua quins drets fonamentals de la ciutadania (recollits en normatives com l'RGPD) impedeixen tractar les dades personals com un recurs extractiu de lliure apropiació per part de grans corporacions.

Una plataforma de continguts audiovisuals en línia ha desenvolupat un nou algorisme de recomanació i vol avaluar si substitueix l'actual mitjançant un experiment A/B. L'equip tem que el nou model augmenti les visites immediates mitjançant continguts sensacionalistes (clickbait), però redueixi la fidelització a llarg termini.

1. a) Dissenya l'experiment definint l'assignació d'usuaris als dos grups, la durada temporal recomanada i dues mètriques quantitatives clau: una de primària d'impacte immediat i una altra de secundària o de guarda (guardrail metric) per vigilar la retenció a llarg termini.
2. b) Identifica i justifica dos possibles factors de biaix o contaminació que podrien invalidar els resultats de la prova (per exemple, relatius al comportament de comptes compartits o a l'efecte de novetat) i explica com mitigar-los en el disseny experimental.
3. c) Després de la prova, el grup experimental registra un increment del 14,8 % en minuts diaris per usuari, però una caiguda del 5,2 % en usuaris actius setmanals al cap d'un mes. Interpreta aquestes dades i justifica quina decisió tècnica i estratègica ha de prendre la plataforma.

La direcció d'un hospital universitari planeja cedir la seva base de dades de pacients oncològics a una empresa per entrenar una xarxa neuronal de diagnòstic. Per complir la llei, l'equip informàtic proposa «eliminar únicament el nom, cognoms i número de targeta sanitària de cada fila, mantenint el codi postal, la data completa de naixement, el sexe, la data d'ingrés i el codi diagnòstic CIE-10».

1. a) Demostra per què aquesta mesura no constitueix una veritable anonimització, descrivint com un atacant podria reidentificar pacients concrets mitjançant un atac d'enllaç (linkage attack) amb bases de dades públiques accessibles (com el cens electoral).
2. b) Diferencia amb rigor tècnic entre els conceptes de «pseudonimització» i «anonimització» segons l'RGPD, determinant en quin dels dos estats quedaria el conjunt de dades proposat per l'hospital.
3. c) Dissenya una alternativa tècnica robusta per protegir la privadesa dels pacients sense destruir la utilitat del conjunt de dades per a l'entrenament, justificant l'ús d'almenys dues tècniques avançades (com k-anonimat, agregació o privadesa diferencial).

En un hospital s'avaluen dos sistemes d'intel·ligència artificial per donar suport al triatge d'urgències i a la detecció d'ictus a partir de neuroimatges:

• Sistema Alfa: Xarxa neuronal profunda amb una taxa d'encert global del 97,4 %, però el procés intern de decisió de la qual és una capsa negra matemàtica ininterpretable.

• Sistema Beta: Arbre de decisió basat en regles clíniques estructurades amb una taxa d'encert del 89,6 %, totalment transparent i auditable pas a pas pels especialistes.

1. a) Justifica el dilema ètic i deontològic al qual s'enfronta el personal mèdic en triar un dels sistemes: és admisible utilitzar un model amb menor taxa d'encert si permet conèixer les causes clíniques de cada diagnòstic?
2. b) Analitza les exigències que plantegen el pacient i la legislació sanitària sobre el dret a una explicació comprensible i a l'assignació de responsabilitats davant d'un diagnòstic erroni.
3. c) Dissenya una proposta de compromís tecnològic que combini l'alt rendiment del Sistema Alfa amb les garanties d'interpretabilitat del Sistema Beta, justificant la inclusió de mètodes d'explicabilitat post hoc (com mapes de calor d'atribució) i un protocol de supervisió humana obligatòria (human-in-the-loop).

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.

La regidoria de seguretat d'un ajuntament encarrega a un equip tècnic un sistema d'aprenentatge automàtic per «predir quins barris patiran més incidents delictius l'any vinent» i distribuir així les patrulles. El model s'entrenarà utilitzant el registre geolocalitzat d'actes policials i detencions dels darrers quatre anys.

1. a) Argumenta críticament per què utilitzar els registres de denúncies i intervencions policials com a variable objectiu (target) introdueix un biaix de mesurament sistemàtic respecte a la conflictivitat real del municipi.
2. b) Modela la dinàmica de bucle tancat (profecia autocomplerta) que provocarà el desplegament d'aquest algoritme: prediu com evolucionaran les dades recopilades després d'enviar més patrulles als barris assenyalats en la primera iteració i quin efecte tindrà en el reentrenament del model.
3. c) Dissenya una proposta alternativa per a l'ajuntament que aprofiti la ciència de dades no per al patrullatge punitiu anticipat, sinó per identificar necessitats d'intervenció social preventiva, inversió en enllumenat o reforç de serveis públics en zones vulnerables.