Guia d'Intel·ligència Artificial: Cerca, ML i Ètica
Clasificado en Economía
Escrito el en 
catalán con un tamaño de 5,55 KB
Cerca No Informada
- BFS (Breadth-First Search): Ordre d'arribada (cua). És òptim.
- DFS (Depth-First Search): D'esquerra a dreta segons l'arribada. No és òptim.
- UCS (Uniform Cost Search): Menor cost acumulat de la branca.
- Iterative Deepening: DFS amb un límit creixent de pisos.
- Bidireccional: Dues cerques alhora, de dalt a baix i viceversa.
Cerca Informada
- Greedy: Només utilitza h(n). És ràpid però no és òptim.
- Best First: Cost local, sense acumular el camí.
- A*: g(n) + h(n). És òptim si l'heurística és admissible.
- IDA*: A* amb límit creixent. Destaca pel seu baix consum de memòria.
- RBFS (Recursive Best-First Search): El límit s'estableix en la segona millor opció.
Heurística i Propietats
- Admissible: Mai sobreestima el cost real. Garanteix que l'A* sigui òptim.
- Consistent: Compleix la condició h(n) ≤ c(n → n') + h(n').
- Òptima: Quan és alhora admissible i consistent.
RBFS: Si tots els fills superen el límit, es realitza un backtrack i el nou límit passa a ser el del fill més petit.
P3 · Machine Learning: Com identificar el tipus
| Si la pregunta / notícia diu... | Tipus de ML | Algorisme a descriure | Pros / Contres clau |
|---|---|---|---|
| Dades etiquetades + classificar (sí/no, malalt/sa, gat/gos, detectar, identificar) | Supervisat – Classificació | KNN o Arbre de Decisió | + Precís amb bones dades − Etiquetació costosa, overfitting |
| Dades etiquetades + predir un número (preu, vendes, temperatura) | Supervisat – Regressió | Regressió Lineal o Arbre de Decisió Reg. | + Simple i ràpid − Assumeix relació lineal |
| Sense etiquetes, agrupar per similitud (segmentar clients, patrons, analitzar) | No Supervisat – Clustering | K-Means | + No cal etiquetar − Cal definir K, difícil d'interpretar |
| Agent aprèn per prova/error, recompenses (jocs, robots, navegació) | Per Reforç | Q-Learning | + S'adapta a l'entorn − Lent a l'inici, moltes iteracions |
| Imatges, reconeixement facial, veu, text complex, diagnòstic mèdic per imatge | Deep Learning | CNN (imatges/àudio) o RNN (seqüències) | + Molt potent − Moltes dades, difícil d'interpretar |
Overfitting: Es corregeix mitjançant train/test split o K-Fold cross-validation.
Avaluació: S'utilitza la Confusion Matrix.
P4 · Cerca Local
- Hill Climbing: Es mou al millor veí fins a arribar a un màxim local.
- Màxim local: Es pot solucionar amb backtracking.
- Altiplà (empat): Es resol amb un salt gran o aleatori.
- Crestes: Es gestionen mitjançant cerca bidireccional.
- Simulated Annealing: Accepta pitjors solucions de tant en tant per explorar; es va refredant.
- Beam Search: Manté K solucions i escull les K millors.
- Stochastic Beam: Similar al Beam Search, però amb una selecció de K aleatoris.
- Algorisme Genètic: Població de K individus on a cada generació s'aplica crossover i mutació, avaluant el fitness dels individus que sobreviuen.
P7 · Agents Intel·ligents
- Agent: Definit per role + goal + backstory + tools.
- Task: Composta per description + expected_output + agent.
- Crew: L'orquestrador que executa el
kickoff(). - Models d'execució: Sequential (ordre fix) o Hierarchical (un mànager decideix).
- Entorn: Pot ser Observable (veu tot) o parcialment observable.
- Determinista: Una mateixa acció sempre produeix el mateix resultat.
- Tipus de procés: Episòdic (independent) o Seqüencial (depèn d'anteriors).
P3b · Ètica en la IA
Atacs i Seguretat
- Enverinament (Poisoning): Introducció de dades mal etiquetades.
- Evasius (Evasion): Manipulació de característiques (comú en spam o malware).
- Extracció: Robatori de dades o del propi model.
Gestió i Marc Legal
- Cicle de vida: 1. Planning, 2. Data prep, 3. Engineering, 4. Evaluation, 5. Deployment, 6. Monitoring.
- Biaixos: De mostreig, dades històriques o d'agregació.
- Marc legal: AI Act, GDPR i normatives de l'ONU.