Què és el machine learning (i en què es diferencia de programar)
El machine learning (aprenentatge automàtic) és la branca de la intel·ligència artificial que aconsegueix que un programa aprengui a partir d'exemples en lloc de seguir instruccions escrites una a una.
La diferència amb la programació de tota la vida és enorme. En un programa clàssic, una persona escriu les regles: «si el correu conté la paraula premi i ve d'una adreça desconeguda, marca'l com a spam». L'ordinador només obeeix aquestes regles.
En el machine learning ho capgirem tot. En comptes d'escriure les regles, ensenyem al programa milers d'exemples ja classificats (correus que sabem que són spam i correus que no ho són) i és ell qui dedueix tot sol quins patrons distingeixen els uns dels altres. Ningú li diu quines paraules ha de mirar: ho descobreix a força de dades.
Per això se'n diu «aprenentatge»: el sistema millora amb l'experiència, igual que tu milloreu resolent problemes. I per això no és màgia ni ciència-ficció, sinó estadística aplicada a gran escala.
Com aprèn una màquina: un cas pas a pas
Ho veurem amb un cas que coneixes bé: predir si un alumne aprova un examen segons les hores que estudia. Imagina que recollim aquestes dades d'estudiants de cursos anteriors:
| Hores estudiades | Va aprovar? |
|---|---|
| 2 hores | No |
| 4 hores | No |
| 6 hores | Sí |
| 8 hores | Sí |
| 10 hores | Sí |
Un model de machine learning no memoritza aquesta taula: busca el patró que hi ha al darrere. Amb aquestes dades deduiria una cosa com ara «a partir d'unes 5 hores, la probabilitat d'aprovar es dispara». El més interessant és que, un cop après el patró, pot respondre sobre un cas que no ha vist mai: si li preguntes per algú que estudia 7 hores, contestarà «aprovarà» encara que aquesta dada no fos a la taula.
El procés, simplificat, té 3 passos que es repeteixen:
- Dades d'entrenament. Reunim exemples amb la resposta correcta ja coneguda (les 5 files de dalt).
- Ajust del model. El programa prova una regla, mesura com s'equivoca i la corregeix una mica. Repeteix aquest cicle milers de vegades fins a fallar el mínim.
- Predicció. Amb el patró ja afinat, estima la resposta per a dades noves.
A la realitat no es fan servir 5 files, sinó milions, i no una sola variable (hores) sinó centenars alhora. Però la idea de fons és exactament aquesta: aprendre un patró amb exemples i aplicar-lo a casos nous.
Els tres tipus de machine learning
No tot l'aprenentatge automàtic funciona igual. Segons com són les dades i què busquem, s'agrupa en tres grans famílies:
| Tipus | Com aprèn | Exemple quotidià |
|---|---|---|
| Supervisat | Amb exemples etiquetats (sabem la resposta correcta) | Filtre de spam, diagnòstic per imatges |
| No supervisat | Amb dades sense etiquetar; busca grups o patrons ocults | Agrupar clients semblants en una botiga |
| Per reforç | Provant i rebent premis o càstigs segons encerta | Un programa que aprèn a jugar als escacs |
El cas de l'examen que acabem de veure és supervisat: cada fila portava la seva resposta («Sí/No»). És el tipus més habitual i el més fàcil d'entendre, així que és per on gairebé tothom comença.
El machine learning en el teu dia a dia
Encara que soni a laboratori, ja el fas servir desenes de vegades al dia gairebé sense adonar-te'n. Aquests són alguns exemples que reconeixeràs:
- Recomanacions: el que Netflix, YouTube o Spotify et suggereixen es basa en patrons del que tu i milions de persones heu vist o escoltat.
- Reconeixement de veu i imatge: l'assistent del mòbil que entén el que dius o el desbloqueig per cara.
- Filtres i traducció: el correu que aparta el spam o el traductor automàtic que millora any rere any.
- Detecció de frau: el banc que bloqueja una compra estranya perquè «no encaixa» amb la teva manera habitual de gastar.
- Xatbots i IA generativa: eines com ChatGPT són machine learning entrenat amb quantitats enormes de text.
La llista creix cada mes, i amb ella la demanda de gent que entengui com funciona per dins. Aquí hi ha una de les sortides professionals amb més futur ara mateix.
Errors i malentesos freqüents
Aquests són els errors de concepte que més repeteix qui acaba de descobrir el tema, i que convé tenir clars des del principi:
- «La màquina pensa com una persona». No. No entén ni raona: detecta correlacions estadístiques a les dades. Que encerti no vol dir que comprengui.
- «Si les dades són dolentes, tant se val». Al contrari. Si li ensenyes exemples esbiaixats o amb errors, aprendrà aquests biaixos i errors. És el famós «escombraries entren, escombraries surten».
- «Com més s'ajusti a les dades, millor». Fals. Si un model s'aprèn els exemples de memòria (el que s'anomena sobreajust), després falla amb dades noves, que és justament el que importa.
- «Cal ser un geni de les mates». Ajuda una bona base d'estadística i àlgebra, però es comença amb el que es fa al batxillerat: funcions, probabilitat i gràfiques.
Quan val la pena una classe particular per entrar a la IA
Entendre el machine learning per sobre és fàcil; dominar-lo per estudiar una carrera o un cicle tech és una altra història. Si estàs al batxillerat i t'atrau la tecnologia, la base que de veritat necessites és sòlida en matemàtiques (funcions, probabilitat i estadística) i en programació. És justament on més alumnes s'encallen en arribar a la universitat.
Una classe particular té sentit quan veus que aquesta base fluixeja i no vols arrossegar-la al grau, quan vols explorar la intel·ligència artificial més enllà del que es fa a classe, o quan estàs decidint el teu itinerari i necessites orientació d'algú que conegui el terreny.
A Eurekademy pots començar amb una primera classe amb 50% de descompte, amb un professor particular que adapti el ritme al teu nivell. Sense compromís: si no encaixa, no passa res; i si encaixa, arribes a la universitat amb la base que marca la diferència en les assignatures més dures.
Preguntes freqüents
És el mateix machine learning que intel·ligència artificial?
No exactament. La intel·ligència artificial és el camp gran: qualsevol programa que imiti capacitats humanes. El machine learning és una part concreta de la IA, la que aprèn a partir de dades. És a dir, tot machine learning és IA, però no tota la IA és machine learning.
Cal saber programar per entendre el machine learning?
Per entendre la idea, no: n'hi ha prou amb el cas de les hores d'estudi. Per construir models de veritat, sí que convé saber programar (Python és el llenguatge més utilitzat) i tenir base d'estadística. Però s'aprèn de manera progressiva, començant pel més bàsic.
Què hauria d'estudiar si m'hi vull dedicar?
Les vies més directes són graus com Enginyeria Informàtica, Matemàtiques, o els dobles graus amb Ciència de Dades, a més de cicles d'FP superior d'informàtica. En tots pesen molt les matemàtiques i la programació, així que reforçar aquesta base al batxillerat és la millor inversió.