Proves i comparativa
El que AIR-Core aconsegueix, mesurat i amb fonts
Mesurem els models que entrena AIR-Core amb dades públiques i els comparem amb referències conegudes en les mateixes files. I comparem, amb enllaços a la documentació de cadascuna, què fa cada eina quan la conversa s'acaba.
Banc de proves
Models dins del rang normal, també on queden per darrere
Per a cada conjunt de dades, AIR-Core entrena el model que entrenaria a la plataforma: el mètode de la plantilla o, en els altres, el que proposa l'assistent (bosc aleatori). Fa servir el 30 % de les files per a la prova, barrejades amb una llavor fixa, i no hi ajusta res. En aquestes mateixes files mesurem la predicció ingènua i dos models de scikit-learn amb els seus valors per defecte.
| Dades | Tasca | Files de prova | Mètode d'AIR-Core | Mètrica | AIR-Core | Predicció ingènua | Veredicte d'AIR-Core | Gradient boosting (scikit-learn) | Model lineal (scikit-learn) |
|---|---|---|---|---|---|---|---|---|---|
| Baixes de clients (plantilla) | Classificació | 600 | Regressió logística | Encert | 91 % | 70 % | Bo | 87 % | 91 % |
| Manteniment de màquines (plantilla) | Classificació | 750 | Regressió logística | Encert equilibrat | 78 % | 50 % | Bo | 77 % | 79 % |
| Opinió de clients (plantilla) | Text | 900 | Regressió logística | Encert | 80 % | 50 % | Bo | — | 82 % |
| Sentiment de ressenyes: origen (exemple) | Text | 900 | Bosc aleatori | Encert | 79 % | 35 % | Bo | — | 82 % |
| Càncer de mama (Wisconsin) | Classificació | 171 | Bosc aleatori | Encert | 97 % | 63 % | Bo | 96 % | 98 % |
| Pingüins de Palmer | Classificació | 100 | Bosc aleatori | Encert | 97 % | 48 % | Bo | 99 % | 99 % |
| Màrqueting bancari | Classificació | 1357 | Bosc aleatori | Encert equilibrat | 60 % | 50 % | Bo | 67 % | 65 % |
| Qualitat del vi (negre) | Regressió | 480 | Bosc aleatori | R² (variació explicada) | 45 % | 0 % | Bo | 42 % | 35 % |
| Orella de mar | Regressió | 1254 | Bosc aleatori | R² (variació explicada) | 53 % | 0 % | Bo | 52 % | 53 % |
Com llegir la taula
L'encert és la part de casos ben classificats; amb classes desequilibrades s'utilitza l'encert equilibrat, la mitjana de l'encert de cada classe. En regressió, la part de la variació que explica el model (R²). La predicció ingènua respon sempre la classe més freqüent o la mitjana.
On queda per darrere
En el màrqueting bancari, amb classes molt desequilibrades, el bosc aleatori per defecte queda 5 i 7 punts per darrere de les referències. En els textos i en els pingüins, 2 o 3 punts per darrere. En la resta, a un punt o menys de la millor referència, o per davant.
Dades i llicències
Plantilles amb dades sintètiques (CC0), l'exemple «Sentiment de ressenyes» i cinc conjunts oberts: càncer de mama, màrqueting bancari, qualitat del vi i orella de mar del repositori UCI (CC BY 4.0), i pingüins de Palmer (CC0).
Previsió
La plantilla de demanda, dia a dia
AIR-Core prova diversos mètodes amb el passat recent i es queda amb el que encerta més. Error mitjà, en unitats al dia, dels últims 30 dies d'aquesta prova (com més baix, millor). Un gradient boosting amb el calendari encerta una mica més en aquesta finestra.
| Família de productes | Mètode triat per AIR-Core | AIR-Core | Repetir la setmana anterior | Gradient boosting amb el calendari (scikit-learn) |
|---|---|---|---|---|
| Fleca | Suavització exponencial | 8 | 10 | 7 |
| Begudes | Suavització exponencial | 13 | 18 | 13 |
| Frescos | Suavització exponencial | 11 | 13 | 10 |
Reproduïble
Com ho mesurem
Un programa repeteix les proves i dona les mateixes xifres cada vegada.
- La mateixa petició que la plataforma. El motor de modelatge d'AIR-Core rep el que envia la plataforma en crear un model, i el veredicte el calcula el mateix codi de la garantia de qualitat.
- Les mateixes files per a tothom. El programa comprova que AIR-Core i les referències es proven amb les mateixes files i s'atura si no.
- Res ajustat amb la prova. Valors per defecte en tots els mètodes i llavors fixes perquè dues execucions coincideixin.
- Data i versions. 17 de novembre de 2026, motor de modelatge 0.22.0, scikit-learn 1.9.1 i Python 3.15.2, en un Apple M5 Pro.
- El detall, si el demanes. El codi és al repositori d'AIR-Core, que no és públic. Escriu-nos i t'enviarem el mètode i totes les xifres. (obre el teu programa de correu)
Comparativa
El que continua funcionant quan la conversa s'acaba
BigML entrena models molt bé i Claude i ChatGPT són excel·lents per conversar amb les teves dades. AIR-Core se centra a mantenir vives les dades, els models i les decisions del teu equip: connectats, vigilats, documentats i a la UE. Cada dada dels altres productes ve de la seva documentació o la seva pàgina de preus, amb el número de la font.
| El que necessites | AIR-Core | BigML | Claude | ChatGPT |
|---|---|---|---|---|
| Fonts connectades i actualització automàtica | Fitxers, URL, bases de dades, dades obertes (CKAN) i MQTT en temps real, amb actualitzacions programades. | Fonts des d'URL, emmagatzematge al núvol i connectors a PostgreSQL, MySQL, SQL Server i Elasticsearch.12 Actualització programada d'una font: No verificat | Connectors que llegeixen els teus serveis quan la conversa ho demana; els documents de Google Drive afegits es mantenen sincronitzats.1112 | Connectors que porten dades de les teves eines; una tasca programada pot revisar una font cada dia laborable.1920 |
| Reentrenament | Automàtic per a classificadors i regressors: per calendari, quan canvien les dades o quan avisa el seguiment. La versió nova només s'utilitza si millora. | Reentrenament automàtic a BigML Ops, un producte a part, o amb l'ordre «retrain» de BigMLer i el teu propi programador.34 | No verificat | No verificat |
| Seguiment i deriva dels models | Compara les dades que rep cada model amb les del seu entrenament i mesura si continua encertant. | BigML Ops vigila cada model i l'aparella amb un detector d'anomalies.3 | No verificat | No verificat |
| Alertes i accions | Condicions sobre les teves dades amb avís per correu electrònic o webhook, i fluxos que reentrenen, prediuen les files noves i actuen. | BigML Ops avisa quan el rendiment d'un model baixa d'un llindar.3 Canal de l'avís: No verificat | Tasques programades (plans de pagament) que s'executen periòdicament amb els teus connectors.13 Avisos per correu electrònic o webhook: No verificat | Tasques programades i, en plans compatibles, tasques que s'activen amb esdeveniments de Gmail, Slack o GitHub.21 Avisos per correu electrònic o webhook: No verificat |
| Garantia de qualitat | Cada classificador i regressor es compara amb la predicció ingènua. Si no la millora, AIR-Core prova altres mètodes i, si cap no ho aconsegueix, t'ho diu. | Les avaluacions mostren el model al costat de dues referències: la classe més freqüent (o la mitjana) i una predicció aleatòria.5 Avís o reintent automàtic: No verificat | No verificat | No verificat |
| Explicacions | Pes de cada variable en el model i explicació de cada predicció (valors SHAP), calculats en entrenar. | Importància de cada camp en el model i explicació de cada predicció.67 | No verificat | No verificat |
| Fitxa del model i informe per al Reglament d'IA | Fitxa i informe de confiança de cada model (PDF o Markdown) i registre dels sistemes d'IA de la teva organització. | Informe resum de cada model, amb la importància dels camps.8 Documentació per al Reglament d'IA: No verificat | Anthropic publica fitxes dels seus propis models (system cards).14 Fitxes dels teus models: no s'hi aplica. | OpenAI publica fitxes dels seus propis models (system cards).22 Fitxes dels teus models: no s'hi aplica. |
| Allotjament a la UE i als teus servidors | Núvol a AWS Frankfurt (Alemanya). Instal·lació a la teva infraestructura amb iCore (pla Enterprise). | El seu servei al núvol està allotjat als Estats Units (política de privacitat de 2022). Desplegament privat en núvol públic, privat o on-premises.910 | Les dades dels seus productes es desen als Estats Units. Residència de dades a Europa per als models Claude a través d'AWS Bedrock i Google Cloud Vertex.1516 Als teus servidors: No verificat | Espais de treball amb residència de dades als Estats Units o a la UE per al contingut compatible.23 Plans que la inclouen i desplegament als teus servidors: No verificat |
| Connector MCP | Servidor MCP propi en tots els plans, també en el Gratis: connecta Claude, ChatGPT o Cursor a les teves dades i models. | No verificat | Connectors MCP personalitzats en tots els plans; un en el pla Free.17 | Pots afegir servidors MCP personalitzats, segons les polítiques del teu compte i del teu espai de treball.24 Plans: No verificat |
| Preu d'entrada | Pla Gratis (0 €). Plans de pagament des de 49 € al mes, sense IVA. | Pla gratuït de 0 $ al mes, amb 16 MB per tasca, i prova de 3 dies.10 Primer pla de pagament: No verificat | Pla Free de 0 $. Pro: 17 $ al mes amb pagament anual o 20 $ amb pagament mensual, sense impostos.18 | Pla Free de 0 $. Go: 8 $ al mes. Plus: 20 $ al mes.25 Preus al teu país: No verificat |
«No verificat» vol dir que no ho hem trobat a la documentació pública del producte el 17 de novembre de 2026; no vol dir que no existeixi. Si veus un error, escriu-nos i el corregirem. (obre el teu programa de correu)
Límits
El que AIR-Core no fa
No és un assistent de conversa
Per conversar, redactar o analitzar un fitxer solt, Claude o ChatGPT ho fan molt bé. AIR-Core s'hi connecta per MCP i desa el que ha de continuar funcionant després.
Models amb ajustos per defecte
Aprenentatge automàtic clàssic sobre taules i textos, sense xarxes profundes per a imatges. Amb dades difícils, com el màrqueting bancari de dalt, un especialista pot afinar més.
No certifica el Reglament d'IA
La fitxa, l'informe de confiança i el registre ajuden a preparar-ne les obligacions. No són assessorament jurídic, i la classificació de cada sistema la decideix la teva organització.
Cada pla té els seus límits
Algunes funcions, com les alertes, les bases de dades externes o l'API, depenen del pla, i la instal·lació als teus servidors és un projecte a part.
Fonts
Documentació consultada
Pàgines públiques de cada producte, amb la data de consulta.
- static.bigml.com/static/html-doc/Sources/sect0001.html · 2026-11-17
- static.bigml.com/static/html-doc/Sources/sec-data-stores.html · 2026-11-17
- bigml.com/bigmlops · 2026-11-17
- blog.bigml.com/2018/02/06/retraining-machine-learning-models · 2026-11-17
- static.bigml.com/static/html-doc/Classification_and_Regression/sect0046.html · 2026-11-17
- static.bigml.com/static/html-doc/Classification_and_Regression/sec-understanding-models.html · 2026-11-17
- bigml.com/whatsnew · 2026-11-17
- static.bigml.com/static/html-doc/Classification_and_Regression/sect0001.html · 2026-11-17
- bigml.com/privacy · 2026-11-17
- bigml.com/pricing · 2026-11-17
- support.claude.com/en/articles/11176164-use-connectors-to-extend-claude-s-capabilities · 2026-11-17
- support.claude.com/en/articles/10166901-use-google-workspace-connectors · 2026-11-17
- support.claude.com/en/articles/13854387-schedule-recurring-tasks-in-claude-cowork · 2026-11-17
- www.anthropic.com/system-cards · 2026-11-17
- privacy.claude.com/en/articles/7996890-where-are-your-servers-located-do-you-host-your-models-on-eu-servers · 2026-11-17
- claude.com/regional-compliance · 2026-11-17
- support.claude.com/en/articles/11175166-get-started-with-custom-connectors-using-remote-mcp · 2026-11-17
- claude.com/pricing · 2026-11-17
- chatgpt.com/features/connectors · 2026-11-17
- learn.chatgpt.com/use-cases/analyze-data-export · 2026-11-17
- learn.chatgpt.com/docs/automations · 2026-11-17
- deploymentsafety.openai.com · 2026-11-17
- learn.chatgpt.com/docs/enterprise/higher-education-roles-and-permissions · 2026-11-17
- developers.openai.com/plugins/deploy/connect-chatgpt · 2026-11-17
- learn.chatgpt.com/docs/pricing · 2026-11-17
Comença avui amb les teves pròpies dades
Crea el teu compte gratuït i connecta la primera font en uns minuts. Quan ho necessitis, passa a un pla de pagament.