AI vs. ML: Afkodning af teknologierne, der former vores verden | IoT Now News & Reports

Medier I vores hverdag er det blevet stadig sværere at undgå at høre ordene 'Artificial Intelligence (AI)'Og'Maskinindlæring (ML)' hvad enten det er i industrien eller den akademiske verden. Disse teknologier er kommet ind i vores daglige liv og transformerer de fleste sektorer af økonomien, opbygger nye sfærer af viden og praksis og indvarsler en ny æra i menneskehedens historie. Men selvom disse former for hurtigt udviklende intelligens bliver mere synlige i og uden for akademiet, hæmmer deres upræcise definitioner, vaghed omkring deres modaliteter og anvendelsesområde deres fulde forståelse. Denne artikel har til formål at tydeliggøre disse nye teknologier, skelne dem fra hinanden og skitsere deres omfattende implikationer.

1. AI/ML i IoT-verdenen

Kunstig intelligens (AI), Machine Learning (ML) og Tingenes internet (IoT) er indviklet forbundet og repræsenterer tilsammen en stærk triade, der indvarsler en ny bølge af innovation. Trioen muliggør en ny generation af smarte, selvjusterende og selvoptimerende autonome produkter og maskiner, som igen forstyrrer og transformerer enhver sektor fra fremstilling til sundhedspleje. Forbindelsen mellem AI og ML og IoT er naturlig:

• Datadrevet intelligens:

Generatorerne af disse data er sensorer og smarte enheder, der er indlejret i hverdagsgenstande, i så forskellige sammenhænge som trafiknetværk eller køkkenmaskiner. Det er kraften og dygtigheden i AI og ML, der giver den beregningsmæssige intelligens til at behandle, transformere og analysere dataene og omdanne dem til brugbar information. IoT danner det datafangende lag, mens AI og ML repræsenterer analysemotoren, der udgør den beregningsmæssige hjerne.

I industrien, IoT-enheder sporsensorer af udstyr og maskiner. ML-algoritmer kan identificere forbindelser mellem dets aktuelle data og historiske data og derefter forudsige maskin- eller udstyrsfejl, vedligeholdelsesbehov og andre problemer. Hele processen er kontinuerlig, og ML-algoritmen kan forudsige maskinforhold baseret på realtidsdata fra IoT-enheder. For eksempel, hvis olieniveauet er lavt, eller der har været overdreven vibration, kan systemerne forudsige et potentielt maskinhavari. På denne måde kan forudsigelig vedligeholdelse minimere nedetid og sænke materialeomkostninger uden at øge arbejdsomkostningerne markant.

• Forbedret brugeroplevelse og personalisering:

Eksempler på disse forbrugerapplikationer kan findes i IoT-enheder, der indsamler oplysninger om brugernes interaktioner og præferencer. For eksempel, ved at analysere, hvordan du bruger et smart hjem, kunne AI styre din belysning og temperatur baseret på din adfærd, med maskinlæringsalgoritmer, der forbedrer den forudsigende indsats over tid, hvis du fortsætter med at bruge den. Fitness-trackere kan også bruge ML-algoritmer til at tilpasse sundhedsanbefalinger.

• Autonom beslutningstagning:

Ved hjælp af AI og ML kan IoT-enheder begynde at tage selvstændige beslutninger baseret på realtidsdata. Autonome køretøjer (et økosystem af IoT-enheder) bruger f.eks. ML til at forstå sensordata og beslutte, hvilke kørselshandlinger der skal udføres øjeblik for øjeblik på vejen. I vores hjem og kontorer bruger energinet AI til at balancere netbelastninger og intelligent optimere energifordelingen baseret på IoT-data leveret i realtid.

• Forbedret sikkerhed:

Sikkerhed og cyberangreb kan krybe ind i IoT-netværk. AI og ML kan fungere som sikkerhedsradar og registrere uregelmæssigheder i tilstanden af ​​IoT-netværk eller i de data, der genereres af IoT-enheder, for at fortælle, om et angreb sker eller er ved at ske. AI-drevet sikkerhed kan derfor gøre IoT mere sikkert – disse systemer kan altid lære af de data, der kommer fra netværkene og opdatere de foranstaltninger, der skal tages i brug.

• Operationel effektivitet:

I forretning og fremstilling indlæser IoT'er en masse variabler og parametre, som analyseres af ML-algoritmer for at optimere driften ved at skære ned på mængden af ​​affald og forbedre effektiviteten. AI kan samtidig bruges til at automatisere mere komplekse beslutningsprocesser og på denne måde optimere driftsparametrene i realtid.

Kort sagt er AI og ML uundværlige for IoT, og et smart system vil integrere alle tre som et intelligent økosystem for læring, tilpasning og beslutningstagning: en IoT-driver og accelerator for fremtidige innovationer, selv hjulpet på vej af smart regulering.

2. Afkodning af AI og Machine Learning: Et sammenlignende overblik

Artificial Intelligence (AI)

Kunstig intelligens er et felt - eller vi kan endda sige disciplin - inden for datalogi, der har til formål at skabe systemer, der er i stand til at udføre opgaver, der almindeligvis anses for at kræve menneskelig intelligens. Nogle af dens væsentlige kendetegn drejer sig om brugen af ​​begreber som intelligens og læring, hvorved man korrelerer AI's evne til at udføre opgaverne med menneskets erkendelsesevne. Eksempler på sådanne opgaver omfatter forståelsen af ​​naturligt sprog – som kan være i resonans med den menneskelige evne til at tale; det mønster genkendelse – tæt forbundet med den menneskelige opfattelsesevne; og den iboende sammenlignelige evne til at løse komplekse problemer, der involverer uforudsigelige vanskeligheder og ubønhørlig vaghed og usikkerhed med hensyn til deres løsninger - som gåder hentet fra den virkelige verden for det intellektuelt nysgerrige menneske. Det er en udbredt opfattelse, at selvom chatbots er mere snævert målorienterede, involverer AI'er computeres evne til at udføre enhver af de ovennævnte opgaver på en måde, der ville få os til at sige, at computeren er 'smart'. Det er det, der nogle gange kaldes 'intellektuel mimik' eller 'mimesis' af den menneskelige intelligens - kort sagt at lære af erfaringer og 'handle klogt'.

Maskinindlæring (ML)

Machine Learning vedrører et særligt aktivt område inden for kunstig intelligens (AI), der forsøger at kodificere computeres evne til at lære, træffe valg eller forudsigelser baseret på data, uden at behovet for menneskelig input eller vejledning omgås. Algoritmer trænes på tidligere indsamlede datasæt, indtil de forstår de underliggende mønstre for disse data, træffer informerede valg baseret på, hvad de har lært, og er i stand til at fortsætte med gradvist at forbedre deres forudsigelseskapacitet selvstændigt fremadrettet. ML's mål er at udvikle programmer, der er i stand til at udnytte data for at blive bedre, mere tilpasningsdygtige til at lære på egen hånd, uden indblanding, opgave for opgave.

Nøgleforskelle:

AI er til at bygge en intelligent computer, der løser problemerne på den analoge måde, som et menneske gør, mens ML giver en robot mulighed for at lære af dataene for at tegne en nøjagtig prognose.

Funktionalitet: Maskinen bruger en forudskrevet regelbog (ofte bøjer systemet og 'tweaks' regler baseret på resultater) versus ML-systemet følger en mønstersky af forventede input, der fører til et svar.

3. Hvad de bringer til bordet: Muligheder og applikationer

AI's bidrag:

Kunstig intelligens er ret god til at automatisere rutineopgaver – uanset om det er ligetil jobs såsom dataindtastning eller de skjulte processer, der fodrer disse beslutninger, maksimerer det effektiviteten og produktiviteten.

• Kognitive tjenester:

Takket være kognitive tjenester (til sprogforståelse, tale og syn) er computeren udstyret med en bredere vifte af interaktion med mennesker.

• Beslutningstagning:

AI-systemer kan nå meningsfulde konklusioner om nutiden ved at sammenligne og kontrastere tidligere og nuværende data, lave informerede forbindelser og syntese af mængder af input.

ML's bidrag:

• Prædiktiv analyse:

ML-modeller er fremragende til at forudsige og forudsige tendenser og adfærd fra tidligere data, og det er her, de kan anvendes, som i den finansielle, medicinske og marketingsektor.

• Mønster genkendelse:

En af de mest succesrige ML-applikationer er at lære at genkende begravede mønstre i data, såsom unormal aktivitet i cybersikkerhed eller afslørende sygdomstegn i diagnostisk medicin.

• Individualisering:

ML producerer brugerdefinerede brugeroplevelser afhængigt af, hvordan en individuel bruger har interageret med tjenesten tidligere, og kan bruges til at forbedre tjenester til e-handel, underholdning og meget mere.

4. Det synergistiske forhold: Hvordan AI og ML komplementerer hinanden

Dette forhold er også gensidigt understøttende, hvor videnskaben i den ene giver feedback for at forbedre og informere den anden spirende videnskab, og de resulterende systemer bliver mere dygtige og kognitivt stærke over tid. AI er arrangøren: området for kunstig intelligens definerer de overordnede mål og arkitekturer for at bygge maskiner, der i princippet kan udvise aspekter af menneskelig intelligens. ML er værktøjskassen: Maskinlæringsområdet leverer de metoder og teknikker, der gør det muligt for disse maskiner at lære ting fra data, blive bedre med praksis og træffe beslutninger.

• Forbedrede læringsevner: Så det er afgørende at tune ind på menneskehedens 'vibrationer' i den virkelige verden. AI-systemer er beregnet til at blive informeret af menneskelig intelligens, og ML giver maskiner mulighed for at lære af erfaring, på den måde, som mennesker gør. Hvis statistisk læring bygger bro mellem maskiner og mennesker, så har ML noget løfte – de datadrevne systemer skal lære at 'rekalibrere' (som mennesker gør), når de står over for nye eksempler på 'menneskelig' adfærd (f.eks. kørsel, interaktion med andre) mennesker og så videre).

• Datadrevet beslutningstagning: At være 'smart' i AI betyder 'at være en god beslutningstager'. ML er (sandsynligvis) en nulhypotese for, hvordan man bedst kan gøre AI hurtig til at træffe beslutninger ved at give den værktøjerne til at analysere en masse data om, hvad end AI-objekterne gør hvert øjeblik, finde ud af, hvad mønstrene er i de data, og derefter (laver en forudsigelse) brug analyse og mønstergenkendelse til at træffe den næste beslutning.

• Forudsigelseskraft og personalisering: På mange andre måder er ML et effektivt værktøj til at muliggøre, hvad AI'er er designet til at opnå for brugere: personlig oplevelse og resultatforudsigelse. ML er fantastisk til at levere en personlig oplevelse til en bruger af et e-handelswebsted, en videostreamingtjeneste eller en kundeserviceplatform, fordi det tager datapunkter om, hvad brugeren har gjort tidligere og forudsiger, hvad denne bruger i sidste ende vil gøre .

• Autonom forbedring: Et grundlæggende aspekt af begrebet AI er evnen til at designe et autonomt system. ML tager dette et skridt videre, da systemer ikke kun er designet til at fungere autonomt, men til at optimere ydeevnen autonomt (for eksempel ved at lære af de data, der er opnået efter opstart). I tilfælde af et system som f.eks. en autonom bil, der skal 'lære', hvordan man håndterer et ukendt miljø, er en sådan forbedringsløkke afgørende. Kompleks.

• Problemløsning: Aupiter AI søger at tackle det vanskelige i det førnævnte beregningsrum af problemer i den virkelige verden, hvor alle praktiske løsninger ser ud til at være håbløst komplicerede, og de åbenlyse, nemme veje løber på grund. ML forstærker kompleksiteten ved at levere et paradigme baseret på blanding af flere modaliteter (f.eks. sæt af algoritmer som f.eks. neurale net) for at matche kompleksiteten i den virkelige verden og udnytte høj kompleksitet, stort set ustrukturerede data, der for det meste er tilgængelige i den virkelige verden.

Sæt de to sammen, og du har et eksponentielt accelererende teknologisk økosystem – hvor ML's evne til at bygge 'induktive' modeller og lære at lære ved iterativ udvikling fra data, kan allieres med AI's endnu mere ambitiøse dagsorden, at modellere menneskelig intelligens til skabe stadig mere generalistiske 'generative' systemer, der kan mestre en lang række komplekse opgaver, sprænge gennem innovationsgrænser og sætte turbo på hele industrier.

5. Udfordringer og etiske overvejelser

Med praktisk talt alle hurtigt fremadskridende og potentielt forstyrrende teknologier til AI og maskinlæring (ML), opdager vi hurtigt, at bekymringer om, hvordan teknologien kan ændre verden, udvikler sig næsten lige så hurtigt som de nye og hurtigt fremadskridende teknologier selv. Det er et problem uden fortilfælde: Fordi AI- og ML-systemer har brug for en mængde data for at fungere effektivt, genererer vi bekymringer om datasikkerhed og privatliv. De bredere etiske bekymringer omfatter spørgsmålene om bias og retfærdighed i designet af AI (dvs. algoritmer kan producere skæve resultater, fordi de er blevet trænet tidligere på forudindtaget data), og at bevidste beslutningsprocesser implementeret af algoritmer er mere fortolkelige og åbne end menneskelige. – især i uddannelsesmæssige, medicinske og strafferetlige scenarier, hvor gennemsigtighed kan være lige så vigtig som selve beslutningen. Der vil blive fjernet job i automatiseringsprocessen, en situation, der kræver tiltrængt arbejdsstyrkeledelse og medarbejderomskolingsstrategier – og så videre. Faktisk kan dette omskrives til: DE STORE BEKYMRINGER:

På forkant med dette arbejde er stigende opfordringer til at formulere principper og pålægge standarder for design og implementering af AI- og ML-teknologier. Dette vil kræve et storstilet partnerskab på tværs af virksomheder, politiske beslutningstagere og andre interessenter for at sikre, at AI- og ML-teknologier udvikles og implementeres sikkert, retfærdigt, gennemsigtigt og til offentlighedens bedste.

6. Fremtidsudsigten: Uendelige muligheder

Endnu en gang, på nippet til den næste teknologirevolution – inden for AI og ML – gælder det samme: medicin vil forvandle sig, efterhånden som patienter får ordineret behandlinger baseret på tomografisk scanning af deres DNA; vores urbane livsverdener vil blive omstøbt i AI-drevne ML-byer implementeret i hele vores infrastruktur.

Tilsammen muliggør AI og ML en fremtid, stadig mere sømløs og usynlig, hvor teknologien understøtter så meget af vores virkelighed. At vide, hvad der adskiller dem, hvad de kan udrette, og hvor de vil fortsætte med at ramme mure, er noget, som både organisationer, politiske beslutningstagere og den brede befolkning vil være tjent med at forstå i de kommende år. Med disse teknologier, der stadig udvikler sig, vil helt nye verdener dukke op, andre falde væk, og verden omkring os vil fortsætte med at ændre sig gennem øjne, der endnu ikke kan begynde at se. AI-revolutionen er kun lige begyndt. Mulighederne er så ubegrænsede, som vores fantasi tillader.

Artikel af Magda Dąbrowska, en teknisk skribent hos WeKnow Media

Kommenter denne artikel nedenfor eller via Twitter: @IoTNow_

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• Kilde: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/