AI εναντίον ML: Αποκωδικοποίηση των τεχνολογιών που διαμορφώνουν τον κόσμο μας | IoT Now News & Reports

Μέσα στην καθημερινή μας ζωή, γίνεται όλο και πιο δύσκολο να αποφύγουμε να ακούμε τις λέξεις «Τεχνητή Νοημοσύνη (AI)»Και«Μηχανική εκμάθηση (ML)είτε στη βιομηχανία είτε στον ακαδημαϊκό χώρο. Αυτές οι τεχνολογίες έχουν εισέλθει στην καθημερινότητά μας και μεταμορφώνουν τους περισσότερους τομείς της οικονομίας, χτίζοντας νέες σφαίρες γνώσης και πρακτικής και εγκαινιάζοντας μια νέα εποχή στην ανθρώπινη ιστορία. Ωστόσο, ακόμη και όταν αυτές οι μορφές ταχέως εξελισσόμενης νοημοσύνης γίνονται πιο ορατές εντός και εκτός της ακαδημίας, οι ανακριβείς ορισμοί τους, η ασάφεια σχετικά με τους τρόπους και το εύρος των εφαρμογών τους εμποδίζουν την πλήρη κατανόησή τους. Αυτό το άρθρο στοχεύει να αποσαφηνίσει αυτές τις νέες τεχνολογίες, να τις διακρίνει μεταξύ τους και να περιγράψει τις σαρωτικές επιπτώσεις τους.

1. AI/ML στον κόσμο του IoT

Τεχνητή Νοημοσύνη (AI), Μηχανική Μάθηση (ML) και το Το Ίντερνετ των πραγμάτων (IoT) είναι περίπλοκα συνδεδεμένα και μαζί αντιπροσωπεύουν μια ισχυρή τριάδα, που εισάγει ένα νέο κύμα καινοτομίας. Το τρίο δίνει τη δυνατότητα σε μια νέα γενιά έξυπνων, αυτορυθμιζόμενων και αυτοβελτιστοποιούμενων αυτόνομων προϊόντων και μηχανημάτων, τα οποία με τη σειρά τους διαταράσσουν και μεταμορφώνουν κάθε τομέα από την κατασκευή στην υγειονομική περίθαλψη. Η σύνδεση μεταξύ AI και ML και IoT είναι φυσική:

• Νοημοσύνη βάσει δεδομένων:

Οι γεννήτριες αυτών των δεδομένων είναι αισθητήρες και έξυπνες συσκευές ενσωματωμένες σε καθημερινά αντικείμενα, σε περιβάλλοντα τόσο διαφορετικά όπως τα δίκτυα κυκλοφορίας ή οι συσκευές κουζίνας. Είναι η δύναμη και η ανδρεία της τεχνητής νοημοσύνης και της ML που παρέχουν την υπολογιστική νοημοσύνη για την επεξεργασία, τη μετατροπή και την ανάλυση των δεδομένων και τη μετατροπή τους σε πληροφορίες που μπορούν να λειτουργήσουν. Το IoT σχηματίζει το επίπεδο σύλληψης δεδομένων, ενώ το AI και το ML αντιπροσωπεύουν τη μηχανή ανάλυσης που αποτελεί τον υπολογιστικό εγκέφαλο.

Στη βιομηχανία, συσκευές IoT αισθητήρες παρακολούθησης εξοπλισμού και μηχανημάτων. Οι αλγόριθμοι ML μπορούν να εντοπίσουν συνδέσμους μεταξύ των τρεχόντων δεδομένων και των ιστορικών δεδομένων και, στη συνέχεια, να προβλέψουν τη βλάβη του μηχανήματος ή του εξοπλισμού, τις ανάγκες συντήρησης και άλλα ζητήματα. Η όλη διαδικασία είναι συνεχής και ο αλγόριθμος ML μπορεί να προβλέψει τις συνθήκες του μηχανήματος με βάση δεδομένα σε πραγματικό χρόνο από συσκευές IoT. Για παράδειγμα, εάν τα επίπεδα λαδιού είναι χαμηλά ή έχουν υπάρξει υπερβολικοί κραδασμοί, τα συστήματα θα μπορούσαν να προβλέψουν μια πιθανή βλάβη του μηχανήματος. Με αυτόν τον τρόπο, η προγνωστική συντήρηση μπορεί να ελαχιστοποιήσει το χρόνο διακοπής λειτουργίας και να μειώσει το κόστος υλικών χωρίς να αυξήσει σημαντικά το κόστος εργασίας.

• Βελτιωμένη εμπειρία χρήστη και εξατομίκευση:

Παραδείγματα αυτών των εφαρμογών για καταναλωτές μπορούν να βρεθούν σε συσκευές IoT που συλλέγουν πληροφορίες σχετικά με τις αλληλεπιδράσεις και τις προτιμήσεις των χρηστών. Για παράδειγμα, αναλύοντας πώς χρησιμοποιείτε ένα έξυπνο σπίτι, η τεχνητή νοημοσύνη θα μπορούσε να ελέγξει τον φωτισμό και τη θερμοκρασία σας με βάση τη συμπεριφορά σας, με αλγόριθμους μηχανικής μάθησης που βελτιώνουν τις προσπάθειες πρόβλεψης με την πάροδο του χρόνου, εάν συνεχίσετε να το χρησιμοποιείτε. Οι ιχνηλάτες γυμναστικής μπορούν επίσης να χρησιμοποιήσουν αλγόριθμους ML για να εξατομικεύσουν τις συστάσεις υγείας.

• Αυτόνομη λήψη αποφάσεων:

Χρησιμοποιώντας AI και ML, οι συσκευές IoT μπορούν να αρχίσουν να λαμβάνουν αυτόνομες αποφάσεις με βάση δεδομένα σε πραγματικό χρόνο. Τα αυτόνομα οχήματα (ένα οικοσύστημα συσκευών IoT), για παράδειγμα, χρησιμοποιούν ML για να κατανοήσουν τα δεδομένα των αισθητήρων και να αποφασίσουν ποιες οδηγικές ενέργειες θα ακολουθήσουν στιγμή προς στιγμή στο δρόμο. Στα σπίτια και τα γραφεία μας, τα ενεργειακά δίκτυα χρησιμοποιούν τεχνητή νοημοσύνη για να εξισορροπήσουν τα φορτία του δικτύου και να βελτιστοποιήσουν έξυπνα τη διανομή ενέργειας με βάση τα δεδομένα IoT που παρέχονται σε πραγματικό χρόνο.

• Βελτιωμένη ασφάλεια:

Ασφάλεια και επιθέσεις στον κυβερνοχώρο μπορεί να εισχωρήσει στα δίκτυα IoT. Η τεχνητή νοημοσύνη και η ML μπορούν να λειτουργήσουν σαν ραντάρ ασφαλείας και να ανιχνεύσουν ανωμαλίες στην κατάσταση των δικτύων IoT ή στα δεδομένα που δημιουργούνται από συσκευές IoT για να πει εάν συμβαίνει ή πρόκειται να συμβεί μια επίθεση. Η ασφάλεια που βασίζεται σε AI μπορεί επομένως να κάνει το IoT πιο ασφαλές – αυτά τα συστήματα μπορούν πάντα να μαθαίνουν από τα δεδομένα που προέρχονται από τα δίκτυα και να ενημερώνουν τα μέτρα που πρέπει να υιοθετήσουν.

• Λειτουργική απόδοση:

Στην επιχείρηση και την κατασκευή, τα IoT εισάγουν πολλές μεταβλητές και παραμέτρους που αναλύονται από αλγόριθμους ML για τη βελτιστοποίηση των λειτουργιών μειώνοντας την ποσότητα των απορριμμάτων και βελτιώνοντας την απόδοση. Το AI μπορεί ταυτόχρονα να χρησιμοποιηθεί για την αυτοματοποίηση πιο σύνθετων διαδικασιών λήψης αποφάσεων και με αυτόν τον τρόπο για τη βελτιστοποίηση, σε πραγματικό χρόνο, των παραμέτρων λειτουργίας.

Εν ολίγοις, η τεχνητή νοημοσύνη και η ML είναι απαραίτητες για το IoT και ένα έξυπνο σύστημα θα ενσωματώσει και τα τρία ως ένα έξυπνο οικοσύστημα μάθησης, προσαρμογής και λήψης αποφάσεων: οδηγός IoT και επιταχυντής μελλοντικών καινοτομιών, βοηθούμενο από την έξυπνη ρύθμιση.

2. Αποκωδικοποίηση AI και Machine Learning: Μια συγκριτική επισκόπηση

Τεχνητή Νοημοσύνη (AI)

Η Τεχνητή Νοημοσύνη είναι ένας τομέας –ή μπορούμε να πούμε ακόμη και πειθαρχία– της επιστήμης των υπολογιστών που στοχεύει στη δημιουργία συστημάτων ικανών να εκτελούν εργασίες που συνήθως θεωρείται ότι απαιτούν ανθρώπινη νοημοσύνη. Μερικά από τα βασικά του σημάδια περιστρέφονται γύρω από τη χρήση εννοιών όπως η ευφυΐα και η μάθηση, μέσω των οποίων συσχετίζεται η ικανότητα εκτέλεσης εργασιών του AI με τη γνωστική ικανότητα του ανθρώπου. Παραδείγματα τέτοιων εργασιών περιλαμβάνουν την κατανόηση της φυσικής γλώσσας – η οποία μπορεί να έχει απήχηση στην ανθρώπινη ικανότητα ομιλίας. ο αναγνώριση μοτίβου – στενά συνδεδεμένη με την ανθρώπινη ικανότητα αντίληψης. και την εγγενώς συγκρίσιμη ικανότητα επίλυσης σύνθετων προβλημάτων που περιλαμβάνουν απρόβλεπτες δυσκολίες και αδυσώπητη ασάφεια και αβεβαιότητα ως προς τις λύσεις τους – όπως παζλ που προέρχονται από τον πραγματικό κόσμο για τον διανοητικά περίεργο άνθρωπο. Είναι ευρέως αποδεκτό ότι, ενώ τα chatbots είναι πιο στενά προσανατολισμένα στους στόχους, τα AI περιλαμβάνουν την ικανότητα των υπολογιστών να εκτελούν οποιαδήποτε από τις προαναφερθείσες εργασίες με τρόπο που θα μας έκανε να πούμε ότι ο υπολογιστής είναι «έξυπνος». Αυτό είναι αυτό που μερικές φορές αποκαλείται «διανοητική μίμηση» ή «μίμηση» της ανθρώπινης νοημοσύνης – εν ολίγοις, για να διδαχθούμε από την εμπειρία και να «πράξουμε έξυπνα».

Μηχανική εκμάθηση (ML)

Η Μηχανική Μάθηση αφορά έναν ιδιαίτερα ενεργό τομέα της Τεχνητής Νοημοσύνης (AI) που προσπαθεί να κωδικοποιήσει την ικανότητα των υπολογιστών να μαθαίνουν, να κάνουν επιλογές ή προβλέψεις βάσει δεδομένων, παρακάμπτοντας την ανάγκη για ανθρώπινη συμβολή ή καθοδήγηση. Οι αλγόριθμοι εκπαιδεύονται σε σύνολα δεδομένων που έχουν συγκεντρωθεί προηγουμένως μέχρι να κατανοήσουν τα υποκείμενα μοτίβα αυτών των δεδομένων, να κάνουν συνειδητές επιλογές με βάση αυτά που έχουν μάθει και να είναι σε θέση να συνεχίσουν να βελτιώνουν σταδιακά την προγνωστική τους ικανότητα αυτόνομα στο μέλλον. Ο στόχος του ML είναι να αναπτύξει προγράμματα που είναι ικανά να εκμεταλλεύονται δεδομένα προκειμένου να γίνουν καλύτερα, πιο προσαρμόσιμα στη μάθηση από μόνα τους, χωρίς παρέμβαση, κάθε εργασία.

Βασικές διαφορές:

Η τεχνητή νοημοσύνη προορίζεται για την κατασκευή ενός ευφυούς υπολογιστή που λύνει τα προβλήματα με τον ανάλογο τρόπο όπως ο άνθρωπος, ενώ η ML επιτρέπει σε ένα ρομπότ να μαθαίνει από τα δεδομένα, ώστε να κάνει μια ακριβή πρόβλεψη.

Λειτουργικότητα: το μηχάνημα χρησιμοποιεί ένα εκ των προτέρων γραμμένο βιβλίο κανόνων (συχνά το σύστημα λυγίζει και «προσαρμόζει» κανόνες με βάση τα αποτελέσματα) ενώ το σύστημα ML ακολουθεί ένα μοτίβο-σύννεφο αναμενόμενων εισόδων που οδηγεί σε μια απάντηση.

3. Τι φέρνουν στο τραπέζι: Δυνατότητες και εφαρμογές

Συνεισφορές του AI:

Η τεχνητή νοημοσύνη είναι αρκετά καλή στην αυτοματοποίηση εργασιών ρουτίνας – είτε πρόκειται για απλές εργασίες, όπως η εισαγωγή δεδομένων, είτε για τις κρυφές διαδικασίες που τροφοδοτούν αυτές τις αποφάσεις, μεγιστοποιεί την αποτελεσματικότητα και την παραγωγικότητα.

• Γνωστικές υπηρεσίες:

Χάρη στις γνωστικές υπηρεσίες (για γλωσσική κατανόηση, ομιλία και όραση), ο υπολογιστής είναι εξοπλισμένος με ένα ευρύτερο φάσμα αλληλεπίδρασης με τον άνθρωπο.

• Λήψη αποφάσης:

Τα συστήματα τεχνητής νοημοσύνης μπορούν να καταλήξουν σε ουσιαστικά συμπεράσματα για το παρόν συγκρίνοντας και αντιπαραβάλλοντας δεδομένα του παρελθόντος και του παρόντος, κάνοντας ενημερωμένες συνδέσεις και συνθέσεις δέσμες εισροών.

Συνεισφορές του ML:

• Προγνωστική ανάλυση:

Τα μοντέλα ML είναι εξαιρετικά στην πρόβλεψη και την πρόβλεψη τάσεων και συμπεριφορών από προηγούμενα δεδομένα, και εδώ μπορούν να εφαρμοστούν, όπως στους τομείς του χρηματοοικονομικού, του ιατρικού και του μάρκετινγκ.

• Αναγνώριση μοτίβου:

Μία από τις πιο επιτυχημένες εφαρμογές ML είναι η εκμάθηση να αναγνωρίζει τα θαμμένα μοτίβα στα δεδομένα, όπως η ανώμαλη δραστηριότητα στην ασφάλεια στον κυβερνοχώρο ή ενδεικτικά σημάδια ασθένειας στη διαγνωστική ιατρική.

• Εξατομίκευση:

Η ML παράγει προσαρμοσμένες εμπειρίες χρήστη ανάλογα με τον τρόπο με τον οποίο ένας μεμονωμένος χρήστης έχει αλληλεπιδράσει με την υπηρεσία στο παρελθόν και μπορεί να χρησιμοποιηθεί για τη βελτίωση των υπηρεσιών για ηλεκτρονικό εμπόριο, ψυχαγωγία και πολλά άλλα.

4. Η συνεργιστική σχέση: Πώς το AI και το ML αλληλοσυμπληρώνονται

Αυτή η σχέση είναι επίσης αμοιβαία υποστηρικτική, με την επιστήμη στη μία να ανατροφοδοτεί για να βελτιώσει και να ενημερώσει την άλλη εκκολαπτόμενη επιστήμη και τα συστήματα που προκύπτουν γίνονται πιο ικανά και γνωστικά ισχυρά με την πάροδο του χρόνου. Το AI είναι ο διοργανωτής: ο τομέας της τεχνητής νοημοσύνης ορίζει τους γενικούς στόχους και τις αρχιτεκτονικές για την κατασκευή μηχανών που, κατ' αρχήν, μπορούν να εκθέσουν πτυχές της ανθρώπινης νοημοσύνης. Η ML είναι η εργαλειοθήκη: ο τομέας της μηχανικής μάθησης παρέχει τις μεθόδους και τις τεχνικές που επιτρέπουν σε αυτές τις μηχανές να μαθαίνουν πράγματα από δεδομένα, να βελτιώνονται με την εξάσκηση και να λαμβάνουν αποφάσεις.

• Βελτιωμένες δυνατότητες μάθησης: Ο συντονισμός λοιπόν στις «δονήσεις» της ανθρωπότητας στον πραγματικό κόσμο είναι ζωτικής σημασίας. Τα συστήματα AI προορίζονται να ενημερώνονται από την ανθρώπινη νοημοσύνη και η ML επιτρέπει στις μηχανές να μαθαίνουν από την εμπειρία, με τον τρόπο που κάνουν οι άνθρωποι. Εάν η στατιστική μάθηση γεφυρώνει μηχανές και ανθρώπους, τότε η ML έχει κάποια υπόσχεση – τα συστήματα που βασίζονται σε δεδομένα πρέπει να μάθουν πώς να «εκ νέου βαθμονόμηση» (όπως κάνουν οι άνθρωποι) όταν αντιμετωπίζουν νέα παραδείγματα «ανθρώπινης» συμπεριφοράς (π.χ. οδήγηση, αλληλεπίδραση με άλλους ανθρώπους, και ούτω καθεξής).

• Λήψη αποφάσεων με γνώμονα τα δεδομένα: Το να είσαι «έξυπνος» στην τεχνητή νοημοσύνη σημαίνει «να είσαι καλός στη λήψη αποφάσεων». Η ML είναι (πιθανώς) μια μηδενική υπόθεση για το πώς να κάνετε την τεχνητή νοημοσύνη γρήγορα στη λήψη αποφάσεων, δίνοντάς της τα εργαλεία για να αναλύσει πολλά δεδομένα σχετικά με ό,τι κάνουν τα αντικείμενα της τεχνητής νοημοσύνης κάθε στιγμή, να υπολογίσει ποια είναι τα μοτίβα σε αυτά τα δεδομένα και στη συνέχεια (κάνει μια πρόβλεψη) χρησιμοποιήστε την ανάλυση και την αναγνώριση προτύπων για να πάρετε την επόμενη απόφαση.

• Προγνωστική δύναμη και εξατομίκευση: Με πολλούς άλλους τρόπους, η ML είναι ένα αποτελεσματικό εργαλείο για να καταστήσει δυνατό αυτό που έχουν σχεδιαστεί να επιτυγχάνουν οι AI για τους χρήστες: εξατομικευμένη εμπειρία και πρόβλεψη αποτελέσματος. Το ML είναι εξαιρετικό για την παροχή εξατομικευμένης εμπειρίας σε έναν χρήστη ενός ιστότοπου ηλεκτρονικού εμπορίου, μιας υπηρεσίας ροής βίντεο ή μιας πλατφόρμας εξυπηρέτησης πελατών, επειδή λαμβάνει σημεία δεδομένων σχετικά με το τι έχει κάνει ο χρήστης στο παρελθόν και προβλέπει τι θα κάνει τελικά ο χρήστης .

• Αυτόνομη βελτίωση: Μια θεμελιώδης πτυχή της έννοιας της τεχνητής νοημοσύνης είναι η ικανότητα σχεδιασμού ενός αυτόνομου συστήματος. Η ML το κάνει ένα βήμα παραπέρα, καθώς τα συστήματα δεν σχεδιάζονται απλώς για να λειτουργούν αυτόνομα, αλλά για να βελτιστοποιούν την απόδοση αυτόνομα (για παράδειγμα, μαθαίνοντας από τα δεδομένα που λαμβάνονται μετά την εκκίνηση). Στην περίπτωση ενός συστήματος όπως ένα αυτόνομο αυτοκίνητο που πρέπει να «μάθει» πώς να αντιμετωπίζει ένα άγνωστο περιβάλλον, ένας τέτοιος βρόχος βελτίωσης είναι απαραίτητος. Συγκρότημα.

• Επίλυση προβλημάτων: Το Aupiter AI επιδιώκει να αντιμετωπίσει το δυσεπίλυτο στον προαναφερθέν υπολογιστικό χώρο των προβλημάτων του πραγματικού κόσμου, όπου όλες οι πρακτικές λύσεις φαίνονται απελπιστικά περίπλοκες και οι προφανείς, εύκολες λεωφόροι καταρρέουν. Η ML συνδυάζει την πολυπλοκότητα παρέχοντας ένα παράδειγμα που βασίζεται στην ανάμειξη πολλαπλών τρόπων (π.χ. σύνολα αλγορίθμων όπως π.χ. νευρωνικά δίκτυα) για την αντιστοίχιση της πολυπλοκότητας του πραγματικού κόσμου και την αξιοποίηση δεδομένων υψηλής πολυπλοκότητας, σε μεγάλο βαθμό αδόμητα που είναι κυρίως διαθέσιμα στον πραγματικό κόσμο.

Τοποθετήστε τα δύο μαζί και έχετε ένα εκθετικά επιταχυνόμενο τεχνολογικό οικοσύστημα – στο οποίο η ικανότητα της ML να δημιουργεί «επαγωγικά» μοντέλα και να μαθαίνει να μαθαίνει με επαναληπτική ανάπτυξη από δεδομένα, μπορεί να συνδυαστεί με την ακόμη πιο φιλόδοξη ατζέντα της τεχνητής νοημοσύνης, τη μοντελοποίηση της ανθρώπινης νοημοσύνης σε δημιουργήστε ολοένα και πιο γενικά «γεννητικά» συστήματα που μπορούν να κατακτήσουν μια μεγάλη ποικιλία σύνθετων εργασιών, να ξεπεράσουν τα όρια της καινοτομίας και να υπερτροφοδοτήσουν ολόκληρες βιομηχανίες.

5. Προκλήσεις και ηθικές εκτιμήσεις

Με σχεδόν όλες τις ταχέως εξελισσόμενες και δυνητικά ενοχλητικές τεχνολογίες για την τεχνητή νοημοσύνη και τη μηχανική μάθηση (ML), διαπιστώνουμε γρήγορα ότι οι ανησυχίες σχετικά με το πώς η τεχνολογία μπορεί να αλλάξει τον κόσμο εξελίσσεται σχεδόν τόσο γρήγορα όσο οι ίδιες οι αναδυόμενες και ταχέως εξελισσόμενες τεχνολογίες. Είναι ένα πρωτόγνωρο ζήτημα: επειδή τα συστήματα AI και ML χρειάζονται όγκο δεδομένων για να λειτουργήσουν αποτελεσματικά, δημιουργούνται ανησυχίες σχετικά με την ασφάλεια και το απόρρητο των δεδομένων. Οι ευρύτερες ηθικές ανησυχίες περιλαμβάνουν τα ζητήματα της μεροληψίας και της δικαιοσύνης στο σχεδιασμό της τεχνητής νοημοσύνης (δηλαδή, οι αλγόριθμοι μπορεί να παράγουν μεροληπτικά αποτελέσματα επειδή έχουν εκπαιδευτεί νωρίτερα σε προκατειλημμένα δεδομένα) και ότι οι διαδικασίες σκόπιμης απόφασης που εφαρμόζονται από αλγοριθμική είναι πιο ερμηνεύσιμες και ανοιχτές από τις ανθρώπινες – ειδικά σε εκπαιδευτικά, ιατρικά και ποινικά σενάρια, όπου η διαφάνεια μπορεί να είναι εξίσου σημαντική με την ίδια την απόφαση. Θα εξαλειφθούν θέσεις εργασίας στη διαδικασία αυτοματοποίησης, μια κατάσταση που απαιτεί τη διαχείριση του εργατικού δυναμικού και τις στρατηγικές επανεκπαίδευσης των εργαζομένων – και ούτω καθεξής. Στην πραγματικότητα, αυτό μπορεί να παραφραστεί ως εξής: ΟΙ ΜΕΓΑΛΕΣ ΑΝΗΣΥΧΕΣ:

Στην αιχμή αυτής της εργασίας αυξάνονται οι εκκλήσεις για διατύπωση αρχών και επιβολή προτύπων για το σχεδιασμό και την ανάπτυξη τεχνολογιών AI και ML. Αυτό θα απαιτήσει μια μεγάλης κλίμακας συνεργασία μεταξύ εταιρειών, φορέων χάραξης πολιτικής και άλλων ενδιαφερόμενων μερών για να διασφαλιστεί ότι οι τεχνολογίες AI και ML αναπτύσσονται και αναπτύσσονται με ασφάλεια, δίκαιη, διαφάνεια και για το δημόσιο καλό.

6. Η προοπτική του μέλλοντος: Άπειρες δυνατότητες

Για άλλη μια φορά, στο κατώφλι της επόμενης τεχνολογικής επανάστασης – σε τεχνητή νοημοσύνη και ML – ισχύει το ίδιο: η ιατρική θα μεταμορφωθεί καθώς στους ασθενείς θα συνταγογραφούνται θεραπείες που βασίζονται στην τομογραφική σάρωση του DNA τους. Η αστική ζωή μας θα αναδιατυπωθεί σε πόλεις ML που βασίζονται σε AI και θα αναπτυχθούν σε όλη την υποδομή μας.

Συνολικά, η τεχνητή νοημοσύνη και η ML δίνουν τη δυνατότητα σε ένα μέλλον, όλο και πιο απρόσκοπτο και αόρατο, στο οποίο η τεχνολογία στηρίζει μεγάλο μέρος της πραγματικότητάς μας. Το να γνωρίζουν τι τους χωρίζει, τι μπορούν να επιτύχουν και πού θα συνεχίσουν να χτυπούν τείχη είναι κάτι που οι οργανισμοί, οι υπεύθυνοι χάραξης πολιτικής και ο γενικός πληθυσμός θα μπορούν να κατανοήσουν καλά τα επόμενα χρόνια. Με αυτές τις τεχνολογίες να εξακολουθούν να εξελίσσονται, θα αναδυθούν εντελώς νέοι κόσμοι, άλλοι θα καταρρεύσουν και ο κόσμος γύρω μας θα συνεχίσει να αλλάζει μέσα από μάτια που δεν μπορούν ακόμη να αρχίσουν να βλέπουν. Η επανάσταση της τεχνητής νοημοσύνης μόλις αρχίζει. Οι δυνατότητες είναι απεριόριστες όσο η φαντασία μας επιτρέπει.

Άρθρο της Magda Dąbrowska, τεχνικής συγγραφέα στο WeKnow Media

Σχολιάστε αυτό το άρθρο παρακάτω ή μέσω Twitter: @IoTNow_

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/