En l'àmbit de la investigació de materials porosos, les estructures metal·lorgàniques (MOF) han revolucionat camps que van des de la captura de carboni fins a la catàlisi. No obstant això, la qualitat de les dades contingudes als fitxers CIF (Crystallographic Information File) és essencial perquè les simulacions, el cribratge computacional i l'aprenentatge automàtic donin resultats fiables. Fins fa poc, la detecció d'errors subtils en aquests fitxers —com enllaços atòmics incorrectes, ocupacions defectuoses o càrregues mal assignades— requeria una inspecció manual tediosa i propensa a errors. Aquí és on entra MOF-Sleuth, un agent d'auditoria basat en intel·ligència artificial que no només identifica anomalies, sinó que ofereix explicacions fonamentades en evidència química. Aquest avenç representa un canvi de paradigma: ja no es tracta només de predir propietats, sinó de diagnosticar amb precisió la integritat de les dades d'entrada.
MOF-Sleuth combina un 'Laboratori Forense' determinista —que calcula composició, geometria, connectivitat, ocupació, coordinació i càrrega— amb un motor de raonament que utilitza aprenentatge per reforç amb recompenses guiades. A diferència dels validadors tradicionals que només etiqueten fitxers com a 'vàlid' o 'invàlid', aquest agent emet explicacions contextualitzades, tipus d'error i una decisió binària. L'entrenament mitjançant reforç recompensa no només la resposta final, sinó també la citació d'evidència química rellevant i el diagnòstic recolzat per dades. Això és possible gràcies a una mètrica innovadora, Chemically Grounded Diagnosis (Chem-GD), que mesura si un diagnòstic correcte està explicat per fets factuals extrets del propi CIF. En quatre benchmarks, MOF-Sleuth ha superat enfocaments basats exclusivament en LLM i mètodes d'aprenentatge automàtic específics per a MOF, demostrant millores significatives en detecció, atribució i qualitat de l'explicació.
Però més enllà del laboratori acadèmic, la lògica darrere de MOF-Sleuth és un exemple perfecte de com la intel·ligència artificial pot aplicar-se a problemes de qualitat de dades en entorns empresarials. En una companyia com Q2BSTUDIO, especialitzada en desenvolupament de programari a mida, entenem que darrere de qualsevol decisió estratègica —ja sigui de materials, logística o finances— hi ha d'haver dades netes i verificables. Per això, l'auditoria automatitzada amb agents IA no és un luxe, sinó una necessitat. La mateixa arquitectura de MOF-Sleuth pot adaptar-se per validar fitxers de configuració en infraestructura cloud, detectar anomalies en registres de ciberseguretat o verificar la consistència d'informes de Business Intelligence. Els agents d'IA explicables són el pont entre l'anàlisi massiva de dades i la confiança en els resultats.
Un dels reptes que resol MOF-Sleuth és l''atribució fina': no n'hi ha prou amb saber que un CIF és incorrecte, sinó que cal assenyalar exactament quin àtom, enllaç o paràmetre està malament i per què. Aquest mateix principi s'aplica en ciberseguretat, on un agent d'IA ha de ser capaç d'indicar quina línia de codi o quin paquet de xarxa va generar una alerta. A Q2BSTUDIO desenvolupem solucions de ciberseguretat basades en intel·ligència artificial que no només detecten intrusions, sinó que presenten un informe raonat amb les proves recollides. La capacitat d'explicar el 'per què' d'una decisió és el que diferencia un sistema fiable d'una caixa negra.
Un altre aspecte clau és la integració amb el núvol. MOF-Sleuth, en ser un agent que processa fitxers CIF de forma massiva, es pot desplegar en entorns AWS o Azure per escalar horitzontalment. A Q2BSTUDIO dissenyem arquitectures cloud que permeten executar aquests agents d'auditoria en temps real, gestionant volums de dades que abans eren impossibles de revisar manualment. La combinació de serveis cloud amb intel·ligència artificial multiplica l'eficiència dels processos de control de qualitat, ja sigui en investigació científica o en indústria. A més, l'orquestració d'agents IA amb eines de BI com Power BI permet visualitzar les anomalies detectades i generar dashboards que faciliten la presa de decisions.
L'automatització de processos és el següent pas natural. Si MOF-Sleuth pot auditar milers de CIFs en minuts, per què no aplicar el mateix concepte a la verificació de contractes, factures o configuracions de programari? A Q2BSTUDIO treballem en la creació d'agents d'IA personalitzats que s'integren amb els sistemes existents de les empreses, automatitzant tasques repetitives i alliberant els equips perquè es concentrin en anàlisis de major valor. L'automatització amb IA ja no és una promesa futura: és una realitat que empreses com la nostra implementen per a clients de tots els sectors.
En definitiva, MOF-Sleuth no és només una eina per a científics de materials: és un model de com hauria de funcionar l'auditoria automatitzada en qualsevol domini on la precisió de les dades sigui crítica. La combinació de raonament basat en evidència, aprenentatge per reforç i mètriques d'explicabilitat obre el camí cap a sistemes d'IA més transparents i fiables. Des de Q2BSTUDIO, apostem per desenvolupar aplicacions a mida que incorporin aquests principis, ja sigui per validar dades de dispositius IoT, analitzar vulnerabilitats en xarxes o consolidar informes de BI. Perquè al final, la confiança en la intel·ligència artificial no depèn només de la seva precisió, sinó de la seva capacitat per demostrar per què va prendre cada decisió.
