L'aprenentatge continu (Continual Learning, CL) ha emergit com una de les fronteres més prometedores en intel·ligència artificial. La capacitat dels models preentrenats a gran escala per adaptar-se a entorns dinàmics, on noves dades i tasques apareixen seqüencialment, és fonamental per a aplicacions del món real. No obstant això, aquests models pateixen d'oblit catastròfic quan s'exposen a múltiples tasques sense un mecanisme de retenció adequat. Aquí, l'ajust fi eficient en paràmetres (Parameter-Efficient Fine-Tuning, PEFT) ofereix una via per modificar només una fracció dels paràmetres, mantenint el coneixement general. La convergència d'ambdues disciplines dona lloc a l'ajust fi continu eficient en paràmetres (PECFT), un camp que cerca combinar l'adaptabilitat de l'aprenentatge continu amb l'eficiència del PEFT.
Des d'una perspectiva tècnica, els algoritmes de CL es divideixen en tres grans categories: mètodes basats en regularització, que afegeixen penalitzacions per preservar pesos importants; mètodes basats en expansió, que afegeixen nous paràmetres per a cada tasca; i mètodes basats en repetició, que emmagatzemen exemples previs per mitigar l'oblit. D'altra banda, les tècniques de PEFT com LoRA (Low-Rank Adaptation), adaptadors i prefix tuning permeten ajustar models amb pocs paràmetres entrenables. La integració d'aquestes tècniques en un marc continu ha donat lloc a propostes com l'ajust progressiu d'adaptadors, la selecció dinàmica de mòduls PEFT, o l'actualització selectiva de paràmetres basada en importància. Les mètriques d'avaluació inclouen la precisió mitjana a través de tasques, l'oblit mitjà (backward transfer) i l'eficiència en el nombre de paràmetres afegits per tasca.
En l'àmbit empresarial, la necessitat de sistemes d'IA que aprenguin de forma contínua sense reentrenar models complets és crítica. Les organitzacions s'enfronten a fluxos de dades canviants, requisits normatius i noves amenaces de seguretat. Aquí, empreses com Q2BSTUDIO, especialitzada en desenvolupament de programari a mida i solucions d'IA, ofereixen consultoria i implementació d'arquitectures de PECFT. Per exemple, un model de recomanació pot actualitzar-se amb noves preferències d'usuaris sense perdre coneixement sobre comportaments anteriors, utilitzant tècniques d'adaptadors selectius. La infraestructura de cloud AWS/Azure proporciona l'escalabilitat necessària per entrenar i servir aquests models de forma eficient, mentre que solucions de Business Intelligence com Power BI permeten visualitzar el rendiment del model en temps real. La ciberseguretat és un altre pilar: els models continus han de ser robustos davant d'atacs adversaris i fuites de dades, i els serveis de pentesting ajuden a identificar vulnerabilitats. Els agents IA, dotats d'aprenentatge continu, poden adaptar-se a noves amenaces sense oblidar patrons previs, millorant la resposta davant incidents.
El futur del PECFT s'orienta cap a l'optimització de l'eficiència computacional, la creació de benchmarks estandarditzats i l'exploració d'arquitectures modulars. La col·laboració entre la recerca acadèmica i la indústria, amb actors com Q2BSTUDIO, accelerarà l'adopció d'aquestes tècniques en productes i serveis reals. La personalització per tasca, la gestió de recursos en entorns edge i la integració amb sistemes d'automatització són àrees d'oportunitat. En definitiva, l'ajust fi continu eficient en paràmetres representa un pas ferm cap a models d'IA veritablement adaptatius, capaços d'aprendre al llarg de tota la seva vida operativa sense comprometre el rendiment ni el cost.
