La startup deep tech barcelonina SOMIA Solutions ha desenvolupat una plataforma per validar, monitoritzar i governar agents d'IA, amb aplicacions en àmbits com el compliment normatiu i la producció industrial.
La intel·ligència artificial obre noves oportunitats per transformar els processos industrials. Tanmateix, entre desenvolupar una solució que funciona en una demostració i desplegar-la en un entorn real hi ha un repte fonamental: com podem garantir que les seves respostes siguin fiables, que funcioni correctament i que sigui possible detectar i corregir-ne els errors?
Aquesta és precisament la qüestió que aborda SOMIA Solutions, una startup deep tech de Barcelona especialitzada en la validació i el control de la qualitat dels agents d'intel·ligència artificial.
Durant una de les sessions del programa DONAIndústria, Tetiana Klymchuk, cofundadora de SOMIA, va compartir amb les 20 alumnes participants no només la seva trajectòria professional i els aprenentatges que han marcat l'evolució de l'empresa, sinó també les oportunitats que ofereix la tecnologia que desenvolupen per a la indústria.
SOMIA neix el 2024 amb una idea inicial: democratitzar l'accés a la intel·ligència artificial i fer-la accessible a empreses que no disposaven d'equips especialitzats. Amb l'arribada de ChatGPT, però, l'accés a la IA generativa es va estendre molt més ràpidament del que s'havia previst.
Davant d'aquest nou escenari, SOMIA va identificar una necessitat creixent: tot i que les empreses ja podien desenvolupar agents d'IA, sovint no disposaven dels mecanismes necessaris per demostrar-ne la fiabilitat abans de desplegar-los en entorns reals, ni per garantir que continuessin funcionant correctament al llarg del temps.
La seva resposta davant d’aquest repte va ser desenvolupar una plataforma pròpia que permetia controlar tot el cicle de vida d'un agent d'IA i amb la qual disposar d'un sistema de control continu i de presa de decisions amb més garanties. Per fer-ho, la solució s’articula en quatre fases:
Validar: definir criteris de qualitat i provar els agents amb casos reals abans de publicar-los, combinant regles, avaluadors d'IA i revisió humana.
Monitoritzar: fer seguiment de les execucions reals i detectar possibles incidències, amb informació sobre qualitat, cost i latència.
Millorar: transformar els errors detectats en nous casos de prova i proves de regressió per comprovar les versions següents.
Governar: mantenir la traçabilitat de les proves, les revisions i les aprovacions, amb evidències que permetin justificar les decisions.
La tecnologia de SOMIA té aplicacions en diferents processos industrials. Entre els casos d'ús destaquen els assistents de certificacions i compliment normatiu, que faciliten la consulta d'estàndards com TISAX o ISO, i els agents de dades de producció, que permeten consultar informació productiva en llenguatge natural, sense necessitat de coneixements tècnics específics.
Tanmateix, un dels principals aprenentatges que Tetiana Klymchuk va compartir durant la sessió és que la tecnologia, per si sola, no ho resol tot. Per desenvolupar solucions d'IA útils i fiables cal partir de problemes reals, disposar de dades de qualitat i incorporar el coneixement de les persones que coneixen els processos de l'organització. En aquest sentit, la supervisió humana continua sent imprescindible per validar els resultats i garantir un control adequat dels agents d'IA.
En definitiva, el cas de SOMIA posa de manifest que el repte de la intel·ligència artificial a la indústria va molt més enllà de desenvolupar noves eines tecnològiques: es tracta d'integrar-les de manera fiable en els processos empresarials, amb criteris de qualitat, supervisió i millora contínua. Una transformació en què la tecnologia és essencial, però en què el coneixement i el talent de les persones continuen sent determinants.
@2024 Clúster Digital de Catalunya