En l'última dècada, els models de llenguatge visual (VLM) han passat de simples reconeixedors d'objectes a sistemes capaços d'interpretar escenes complexes amb interaccions humanes. Un estudi recent, basat en el dataset Complex Social Behavior (CSB), analitza aquesta trajectòria entre 2017 i 2025, avaluant la precisió i els errors visual-cognitius de models pre-MLLM i MLLM. Els resultats mostren que els MLLM han tancat la bretxa de precisió entre escenes senzilles (MS-COCO) i aquelles que reflecteixen comportaments socials complexos, tot i que persisteix un error de dependència espacial: els models de vegades es fixen en regions diferents de la imatge que els humans. Aquesta troballa té implicacions profundes per al desenvolupament d'aplicacions basades en intel·ligència artificial, especialment en sectors com la seguretat, l'atenció al client o l'automatització de processos.
La investigació classifica els errors en cinc tipus: detecció d'objectes, reconeixement, al·lucinació (inventar elements), comprensió de l'escena i dependència espacial. Entre ells, la detecció, el reconeixement i l'al·lucinació són els que més impacten en la precisió general. Els MLLM pràcticament han eliminat aquests errors en els datasets provats, la qual cosa suposa un salt qualitatiu respecte als models anteriors. No obstant això, la dependència espacial continua sent un repte: el model pot identificar correctament una persona i un objecte, però associar-los en un context erroni. Per a les empreses que busquen implantar intel·ligència artificial en els seus processos, entendre aquestes limitacions és clau per dissenyar solucions robustes i fiables.
Des d'una perspectiva empresarial, l'evolució dels VLM obre oportunitats immenses. Per exemple, en l'automatització de tasques visuals (com inspecció de qualitat, anàlisi de vídeo vigilància o interacció amb clients mitjançant assistents virtuals), comptar amb models que gairebé eliminen els errors bàsics permet reduir costos i millorar l'experiència de l'usuari. No obstant això, la dependència espacial s'ha de mitigar mitjançant tècniques d'entrenament específiques o combinant models amb sistemes de verificació humana. Aquí és on empreses com Q2BSTUDIO aporten valor: ofereixen aplicacions a mida que integren models d'última generació adaptats a les necessitats concretes de cada negoci, ja sigui en l'àmbit de la ciberseguretat, el núvol o l'analítica de dades.
El núvol juga un paper fonamental en la implementació d'aquests models. Serveis com AWS i Azure proporcionen la infraestructura necessària per entrenar i desplegar VLM a gran escala, amb eines d'escalat automàtic i gestió de costos. Q2BSTUDIO, com a partner tecnològic, ajuda les empreses a dissenyar arquitectures cloud que maximitzin el rendiment dels models d'IA, garantint alhora la ciberseguretat de les dades. La integració de Power BI amb aquests sistemes permet visualitzar en temps real els resultats de les inferències, facilitant la presa de decisions basada en dades.
Un altre aspecte destacat és l'aparició dels agents IA, que combinen capacitats visuals i de llenguatge per interactuar de forma autònoma amb entorns complexos. Aquests agents poden, per exemple, analitzar vídeos de vigilància per detectar comportaments anòmals o guiar usuaris en processos d'atenció al client mitjançant respostes contextuals. La precisió aconseguida pels MLLM en escenes complexes els converteix en candidats ideals per a aquest tipus d'aplicacions, sempre que es controli l'error de dependència espacial mitjançant validacions creuades o models híbrids.
En conclusió, l'evolució dels models de llenguatge visual ha estat notable, reduint dràsticament els errors visual-cognitius i equiparant la precisió entre escenes simples i complexes. No obstant això, encara queden reptes com la dependència espacial, que requereixen enfocaments innovadors. Per a les empreses que desitgin aprofitar aquesta tecnologia, comptar amb un soci tecnològic com Q2BSTUDIO, especialitzat en desenvolupament de programari a mida, núvol, ciberseguretat i Business Intelligence, és un factor diferencial. La combinació de models d'IA avançats amb una infraestructura robusta i una estratègia de dades ben definida permetrà afrontar els desafiaments del futur amb confiança.
