Recursos
Glossari d'IA: els termes que realment cal entendre
La IA ha creat el seu propi vocabulari, i bona part s’utilitza malament, massa sovint o per semblar sofisticat sense dir res concret. Aquest glossari recull els termes que més apareixen en converses reals sobre IA a l’empresa i els explica sense embuts. L’anirem ampliant amb el temps.
Fonaments
Intel·ligència artificial (IA) Terme general per als sistemes capaços de fer tasques que normalment requereixen intel·ligència humana: reconèixer la veu, resoldre problemes, aprendre de l’experiència i prendre decisions. És un paraigua, no una tecnologia concreta. Sota aquest paraigua hi caben des de sistemes senzills basats en regles fins als models més sofisticats del mercat.
Aprenentatge automàtic (machine learning) Branca de la IA en què el sistema aprèn patrons a partir de dades, en lloc de seguir instruccions programades pas a pas. No li diem «si passa això, fes allò»: li donem exemples i aprèn a generalitzar.
Aprenentatge profund (deep learning) Tipus d’aprenentatge automàtic que utilitza xarxes neuronals amb moltes capes apilades («profundes»), inspirades de manera molt lliure en el funcionament de les neurones biològiques. És la tècnica que hi ha darrere de la majoria dels avenços recents en visió per computador, veu i llenguatge.
Model Resultat d’entrenar un sistema d’IA amb dades. És el fitxer o conjunt de paràmetres que, a partir d’una entrada, produeix una sortida. Quan parlem d’«utilitzar IA», gairebé sempre parlem d’utilitzar un model ja entrenat.
Paràmetres Valors numèrics interns que un model ajusta durant l’entrenament per representar patrons del llenguatge o de les dades. Més paràmetres no sempre vol dir un resultat millor, però sovint implica més cost i més lentitud.
Automatització basada en regles Sistema que segueix una lògica explícita del tipus «si passa això, fes allò», escrita per una persona. És transparent i fàcil d’auditar, però només fa exactament allò que s’hi ha programat. No és intel·ligència artificial en sentit estricte, tot i que sovint es ven com si ho fos.
Models de llenguatge
LLM (Large Language Model, model de llenguatge gran) Model entrenat amb enormes quantitats de text per predir quina paraula és més probable que vingui després d’una altra. D’aquí ve la seva capacitat per escriure, resumir, traduir o mantenir una conversa.
Model fundacional (foundation model) Model entrenat amb dades molt àmplies i variades, pensat per servir de base a moltes aplicacions diferents en lloc de resoldre una sola tasca. La majoria dels LLM comercials són models fundacionals.
Model de frontera (frontier model) Terme que designa els models més capaços i recents disponibles en un moment determinat, normalment entrenats per un grup reduït de laboratoris amb el capital i la infraestructura necessaris. És una etiqueta relativa: el model de frontera del 2024 avui és de gamma mitjana. La pregunta important no és si un model és «de frontera», sinó si la capacitat extra és necessària per a la tasca que volem resoldre.
Finestra de context Quantitat de text que un model pot «tenir en compte» alhora quan genera una resposta, mesurada en tokens. Una finestra de context gran permet treballar amb documents llargs sense que el model «oblidi» el principi.
Token Unitat mínima amb què un model de llenguatge processa el text. No sempre és una paraula sencera: pot ser una síl·laba, un signe de puntuació o un fragment de paraula. El cost d’utilitzar un LLM es mesura gairebé sempre en tokens processats.
Al·lucinació Quan un model genera informació que sembla convincent però és incorrecta o inventada. No és un error aleatori de «mala sort»: sovint té a veure amb el context que se li ha donat o amb haver-li preguntat una cosa que no pot respondre amb fiabilitat.
Ajust fi (fine-tuning) Procés d’agafar un model ja entrenat i continuar entrenant-lo amb dades específiques d’un àmbit o d’una empresa, perquè s’especialitzi en una tasca concreta sense començar de zero.
Prompt Instrucció o pregunta que es dona a un model d’IA. La qualitat d’un prompt (el context que inclou, el format que demana i els exemples que aporta) afecta directament la qualitat de la resposta.
RAG (Retrieval-Augmented Generation, generació augmentada amb recuperació) Tècnica que permet que un model respongui utilitzant documents propis d’una empresa, encara que no s’hagi entrenat amb aquests documents. Primer, el sistema busca la informació rellevant en una base de dades pròpia; després, la passa al model juntament amb la pregunta perquè generi la resposta.
Embedding Representació numèrica del significat d’un text que permet comparar la semblança entre dos fragments de contingut. És la tecnologia que fa possible que un sistema RAG trobi el document adequat entre milers.
Agents i automatització
IA agèntica (agentic AI) Sistema d’IA que no es limita a generar text, sinó que persegueix un objectiu pel seu compte: planifica passos, utilitza eines reals (cercar a internet, cridar una API, editar un fitxer), observa el resultat i ajusta l’acció següent. Repeteix el procés fins a completar la tasca. L’«agència» és un espectre, no una qüestió de sí o no: un assistent que només cerca al web és lleugerament agèntic; un sistema que gestiona tot un procés de vendes sense supervisió és molt agèntic.
Agent Instància concreta d’un sistema d’IA agèntica, configurada per a una tasca o un rol determinat, com ara un agent d’atenció al client o un agent que classifica factures entrants.
Orquestració d’agents Coordinació de diversos agents especialitzats que col·laboren en una tasca complexa i s’encarreguen de parts diferents: un recupera informació, un altre l’analitza i un tercer redacta la resposta.
Human in the loop (persona dins del procés) Disseny en què una persona revisa o aprova les decisions d’un sistema d’IA abans que s’executin, sobretot en tasques d’alt risc. És el contrari de l’autonomia total.
MCP (Model Context Protocol) Estàndard obert que permet que un model d’IA es connecti de manera ordenada amb eines externes (calendaris, bases de dades, correu) sense haver de crear una integració diferent per a cadascuna.
Veu i conversa
STT (Speech to Text) Tecnologia que converteix l’àudio parlat en text escrit. És el primer pas de qualsevol assistent de veu.
TTS (Text to Speech) Tecnologia inversa: converteix el text escrit en veu generada. Determina com de natural sona un agent de veu quan parla.
Latència Temps que triga un sistema a respondre des que rep una entrada. En una trucada de veu, una latència alta es nota com un silenci incòmode abans que respongui l’agent, i és una de les raons per les quals molts agents de veu sonen artificials.
Dades i governança
Biaix (bias) Quan un model reprodueix o amplifica patrons injustos presents en les dades amb què s’ha entrenat. No és un defecte exclusiu de la IA: reflecteix les dades d’origen, que al seu torn reflecteixen decisions humanes anteriors.
Explicabilitat Capacitat d’entendre per què un model ha pres una decisió concreta. Per disseny, els sistemes basats en regles són fàcils d’explicar; molts models moderns d’IA són més difícils d’interpretar, cosa que crea friccions en sectors regulats.
Governança de la IA Conjunt de normes internes, responsabilitats i processos que una organització estableix per decidir quins sistemes d’IA utilitza, amb quines dades, sota quina supervisió i amb quins límits.
AI washing Pràctica de màrqueting que consisteix a exagerar o inventar el paper real de la intel·ligència artificial en un producte o servei per semblar més innovador del que realment s’és.
Aquest glossari s’anirà ampliant amb termes nous. Si busques un concepte d’IA que no hi sigui, digues-nos-ho i l’afegirem.
Fonts
Prepara el teu equip per treballar amb IA.