.jpg)
La lògica deductiva ha estat durant molt de temps un sant greal de la intel·ligència artificial. Els models de llenguatge actuals demostren habilitats notables per encadenar passos i arribar a conclusions, però com ho fan realment? Un estudi recent sobre mecanismes interns de transformers petits revela que hi ha dues vies fonamentals per al raonament: una horitzontal, que genera passos intermedis de forma autoregressiva, i una altra vertical, on la inferència es desplega a les profunditats de la xarxa abans que aparegui el primer token de sortida. Aquesta distinció no és només teòrica; té implicacions directes en com dissenyem sistemes d'IA per a empreses.
El raonament horitzontal és el que associem amb cadenes de pensament explícites: el model va escrivint cada conclusió parcial fins a arribar a la final. En canvi, el raonament vertical opera de forma més opaca: la xarxa realitza múltiples transformacions internes a les seves capes ocultes i només al final emet una resposta. La investigació mostra que la supervisió amb cadenes de pensament (Chain-of-Thought) ajuda els models a aprendre regles lògiques en lloc de dreceres estadístiques, però la seva funció és diferent en cada tipus de raonament. En l'horitzontal, actua com a guia pas a pas; en el vertical, funciona més com un currículum que facilita l'adquisició de patrons complexos.
Aquesta comprensió és clau per a qui desenvolupa aplicacions a mida basades en models lingüístics. Si volem que un sistema d'intel·ligència artificial prengui decisions lògiques en entorns empresarials, necessitem saber si confiar en la generació explícita de passos o en la inferència implícita. A Q2BSTUDIO, com a empresa de desenvolupament de programari, apliquem aquests coneixements per crear solucions robustes. Per exemple, dissenyem agents d'IA capaços de raonar sobre bases de coneixement complexes, integrant tant estratègies horitzontals com verticals segons el domini.
A més, quan aquests sistemes es despleguen en entorns cloud, l'elecció de l'arquitectura de raonament afecta el rendiment. Els serveis cloud AWS i Azure ofereixen la potència computacional necessària per executar models que combinen ambdues formes d'inferència. A les nostres implementacions, també incloem ciberseguretat per protegir les dades sensibles que gestionen aquests raonadors. I perquè les conclusions siguin accionables, complementem amb serveis d'intel·ligència de negoci usant Power BI, transformant les decisions lògiques en dashboards comprensibles.
El estudi demostra que sense cadenes de pensament, els models tendeixen a memoritzar o explotar biaixos del conjunt de dades. Per això, a Q2BSTUDIO prioritzem el desenvolupament de programari a mida que incorpora mecanismes de raonament explícit i implícit segons les necessitats del client. Per saber més sobre com apliquem aquestes tècniques, pots visitar la nostra secció de IA per a empreses i descobrir com integrem lògica deductiva en solucions reals. També oferim aplicacions a mida que aprofiten aquests avenços per automatitzar processos complexos.
En resum, entendre la diferència entre raonament horitzontal i vertical no només enriqueix la investigació acadèmica, sinó que permet construir sistemes d'intel·ligència artificial més fiables, transparents i alineats amb les metes empresarials. Ja sigui per millorar la presa de decisions internes o per desenvolupar productes innovadors, comptar amb un soci tecnològic que domini aquests fonaments és la clau de l'èxit.
