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.

Resultats del banc de proves de models d'AIR-Core, amb la predicció ingènua i dues referències de scikit-learn en les mateixes files de prova.
DadesTascaFiles de provaMètode d'AIR-CoreMètricaAIR-CorePredicció ingènuaVeredicte d'AIR-CoreGradient boosting (scikit-learn)Model lineal (scikit-learn)
Baixes de clients (plantilla)Classificació600Regressió logísticaEncert91 %70 %Bo87 %91 %
Manteniment de màquines (plantilla)Classificació750Regressió logísticaEncert equilibrat78 %50 %Bo77 %79 %
Opinió de clients (plantilla)Text900Regressió logísticaEncert80 %50 %Bo—82 %
Sentiment de ressenyes: origen (exemple)Text900Bosc aleatoriEncert79 %35 %Bo—82 %
Càncer de mama (Wisconsin)Classificació171Bosc aleatoriEncert97 %63 %Bo96 %98 %
Pingüins de PalmerClassificació100Bosc aleatoriEncert97 %48 %Bo99 %99 %
Màrqueting bancariClassificació1357Bosc aleatoriEncert equilibrat60 %50 %Bo67 %65 %
Qualitat del vi (negre)Regressió480Bosc aleatoriR² (variació explicada)45 %0 %Bo42 %35 %
Orella de marRegressió1254Bosc aleatoriR² (variació explicada)53 %0 %Bo52 %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.

Error mitjà de la previsió de la plantilla de demanda en els últims 30 dies de la seva prova, en unitats al dia.
Família de productesMètode triat per AIR-CoreAIR-CoreRepetir la setmana anteriorGradient boosting amb el calendari (scikit-learn)
FlecaSuavització exponencial8107
BegudesSuavització exponencial131813
FrescosSuavització exponencial111310

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.

Comparativa de capacitats d'AIR-Core, BigML, Claude i ChatGPT, amb les fonts de cada dada dels altres productes.
El que necessitesAIR-CoreBigMLClaudeChatGPT
Fonts connectades i actualització automàticaFitxers, 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 verificatConnectors que llegeixen els teus serveis quan la conversa ho demana; els documents de Google Drive afegits es mantenen sincronitzats.1112Connectors que porten dades de les teves eines; una tasca programada pot revisar una font cada dia laborable.1920
ReentrenamentAutomàtic 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.34No verificatNo verificat
Seguiment i deriva dels modelsCompara 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.3No verificatNo verificat
Alertes i accionsCondicions 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 verificatTasques programades (plans de pagament) que s'executen periòdicament amb els teus connectors.13 Avisos per correu electrònic o webhook: No verificatTasques 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 qualitatCada 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 verificatNo verificatNo verificat
ExplicacionsPes 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.67No verificatNo verificat
Fitxa del model i informe per al Reglament d'IAFitxa 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 verificatAnthropic 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 servidorsNúvol 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.910Les 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 verificatEspais 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 MCPServidor MCP propi en tots els plans, també en el Gratis: connecta Claude, ChatGPT o Cursor a les teves dades i models.No verificatConnectors MCP personalitzats en tots els plans; un en el pla Free.17Pots afegir servidors MCP personalitzats, segons les polítiques del teu compte i del teu espai de treball.24 Plans: No verificat
Preu d'entradaPla 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 verificatPla Free de 0 $. Pro: 17 $ al mes amb pagament anual o 20 $ amb pagament mensual, sense impostos.18Pla 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.

  1. static.bigml.com/static/html-doc/Sources/sect0001.html · 2026-11-17
  2. static.bigml.com/static/html-doc/Sources/sec-data-stores.html · 2026-11-17
  3. bigml.com/bigmlops · 2026-11-17
  4. blog.bigml.com/2018/02/06/retraining-machine-learning-models · 2026-11-17
  5. static.bigml.com/static/html-doc/Classification_and_Regression/sect0046.html · 2026-11-17
  6. static.bigml.com/static/html-doc/Classification_and_Regression/sec-understanding-models.html · 2026-11-17
  7. bigml.com/whatsnew · 2026-11-17
  8. static.bigml.com/static/html-doc/Classification_and_Regression/sect0001.html · 2026-11-17
  9. bigml.com/privacy · 2026-11-17
  10. bigml.com/pricing · 2026-11-17
  11. support.claude.com/en/articles/11176164-use-connectors-to-extend-claude-s-capabilities · 2026-11-17
  12. support.claude.com/en/articles/10166901-use-google-workspace-connectors · 2026-11-17
  13. support.claude.com/en/articles/13854387-schedule-recurring-tasks-in-claude-cowork · 2026-11-17
  14. www.anthropic.com/system-cards · 2026-11-17
  15. privacy.claude.com/en/articles/7996890-where-are-your-servers-located-do-you-host-your-models-on-eu-servers · 2026-11-17
  16. claude.com/regional-compliance · 2026-11-17
  17. support.claude.com/en/articles/11175166-get-started-with-custom-connectors-using-remote-mcp · 2026-11-17
  18. claude.com/pricing · 2026-11-17
  19. chatgpt.com/features/connectors · 2026-11-17
  20. learn.chatgpt.com/use-cases/analyze-data-export · 2026-11-17
  21. learn.chatgpt.com/docs/automations · 2026-11-17
  22. deploymentsafety.openai.com · 2026-11-17
  23. learn.chatgpt.com/docs/enterprise/higher-education-roles-and-permissions · 2026-11-17
  24. developers.openai.com/plugins/deploy/connect-chatgpt · 2026-11-17
  25. 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.