MACHINE LEARNING

El Machine Learning és la tecnologia que permet a les dades generar coneixement útil i accionable. A diferència dels sistemes basats en regles fixes, el ML aprèn patrons a partir de dades reals i construeix models capaços de predir, classificar o recomanar de manera automàtica. És un procés iteratiu, que evoluciona i millora amb el temps, i que s’adapta a entorns canviants.

A amsafis, el Machine Learning forma un dels tres pilars principals —juntament amb RAG-LLM i amb els Sistemes Experts— i proporciona un complement natural als altres dos:

• genera prediccions fiables,
• identifica relacions no trivials,
• i ofereix una base matemàtica sòlida que després pot alimentar regles expertes, sistemes de diagnosi o motors d’inferència.

Un element essencial és el tractament de models no lineals, que permeten captar interaccions complexes que no es poden expressar amb equacions simples. Gran part de la informació rellevant en dades reals (sanitàries, industrials, financeres, de qualitat o IoT) és intrínsecament no lineal, i el ML és l’eina adequada per treure’n tot el valor.

Aquesta tecnologia permet:

• predicció de comportaments futurs,
• clasificació robusta,
• detecció de anomalies,
• segmentació y descobriment de patrons amagats,
• optimizació de processos,
• automatizació intel·ligent,
• suport a la presa de decisions.

El Machine Learning és especialment útil a la petita i mitjana empresa, on les dades sovint són heterogènies, escasses o imperfectes. Mitjançant tècniques flexibles i no lineals —com GAM, multilevel models, regressions additves, anàlisi funcional, mètodes de dependència, integrals de Möbius o xarxes neuronals— és possible obtenir informació fiable i una predicció sòlida fins i tot en entorns complicats.

Aquesta pota complementa perfectament el RAG-LLM (per generar o comprendre continguts) i els Sistemes Experts (per formalitzar regles i coneixement), tancant un cicle complet que va de les dades al coneixement, i del coneixement a l’acció.

El Machine Learning integra un ampli ventall de metodologies, des de models estadístics clàssics fins a aproximacions avançades basades en optimització i aprenentatge profund. Aquesta diversitat permet abordar problemes molt diferents, des de predicció numèrica fins a mineria de patrons o modelització estructural.

🔹 Models no lineals i aprenentatge flexible

La major part dels fenòmens reals són no lineals. Per això el ML incorpora mètodes que poden capturar curvatures, interaccions i efectes complexos:

GAM — Generalized Additive Models
Permeten modelitzar relacions corbades de forma interpretable, i són ideals per captar dependències no lineals sense perdre transparència.

Models Multilevel (jeràrquics)
Integren variabilitat entre grups, clients, sensors o centres, i permeten predir respectant estructures reals de les dades.

Anàlisi funcional (Functional Data Analysis)
Permet tractar dades que són funcions, corbes o senyals (moviment, perfils temporals, dades biomèdiques contínues).

Equacions diferencials i sistemes dinàmics
Models especialment útils quan l’evolució temporal és governada per dinàmiques internes, com processos biològics, físics o industrials.

🔹 Associació i mineria de patrons

Un altre bloc fonamental és la descoberta de regles i patrons no supervisats:

Association Rules
Permeten identificar combinacions d’indicadors, productes o comportaments que apareixen conjuntament.
Són útils en mercats, diagnòstics, processos industrials i detecció de patrons de clients.
A més, connecten de forma natural amb els Sistemes Experts, on es poden convertir en regles de decisió.
En l’àmbit de la salut, aquest tipus d’anàlisi també permet identificar associacions entre marcadors genètics i reaccions adverses. Un exemple és l’estudi SNPs for Penicillin Allergy, disponible aquí:
➡️ SNPs for Penicillin Allergy (PDF)

🔹 Integrals no lineals, capacitat i Möbius

Mètodes avançats basats en teoria de la capacitat i integrals no additives:

Integrals de Choquet, Sugeno, Möbius
Eines potents per agregació no lineal, per quan les variables interactuen fortament i no es poden sumar ni ponderar de manera tradicional.
Són tècniques útils en qualitat, riscos, mineria de dades complexa i presa de decisions.

🔹 Xarxes neuronals i optimització avançada

L’aprenentatge profund (Deep Learning) permet capturar estructures molt complexes:

Models neuronals aplicats a predicció no lineal, optimització, detectores d’anomalies, sèries temporals, etc.

Integració amb estructures de SEM (models d’equació estructural) quan es requereix identificar relacions entre variables i, alhora, ajustar models no lineals mitjançant optimització numèrica.

Aquesta combinació és especialment útil quan:

• hi ha dependències causals,
• les relacions són no lineals,
• hi ha estructura latent,
• i cal un model robust però flexible.

🔹 Relació amb Sistemes Experts i RAG-LLM

El Machine Learning pot alimentar:

• regles expertes derivades automàticament,
• motors d’inferència,
• models híbrids que combinen predicció (ML), regles (Expert Systems) i contingut estructurat (RAG-LLM).

Aquesta integració permet construir plataformes completes de decisió per a empresa, salut, recerca o IoT (amb predicció d’incidències, detecció d’anomalies i presa de decisions automàtica).