AI vs. ML: meie maailma kujundavate tehnoloogiate dekodeerimine | IoT Now uudised ja aruanded

Meedia Meie igapäevaelus on üha raskem hoiduda kuulmast sõnu "Tehisintellekt (AI)"Ja"Masinõpe (ML)Kas tööstuses või akadeemilises ringkonnas. Need tehnoloogiad on sisenenud meie igapäevaellu ja muudavad enamikku majandussektoreid, loovad uusi teadmiste ja praktika valdkondi ning juhatavad sisse uue ajastu inimkonna ajaloos. Kuid isegi kui need kiiresti areneva intelligentsuse vormid muutuvad akadeemias ja väljaspool seda nähtavamaks, takistavad nende ebatäpsed määratlused, nende viiside ja rakendusala ebamäärasus nende täielikku mõistmist. Selle artikli eesmärk on selgitada neid uusi tehnoloogiaid, eristada neid üksteisest ja visandada nende ulatuslikud tagajärjed.

1. AI/ML asjade interneti maailmas

Tehisintellekt (AI), masinõpe (ML) ja (Internet of Things asjade Interneti) on omavahel tihedalt seotud ja esindavad koos võimsat triaadi, mis juhatab sisse uue innovatsioonilaine. Kolmik võimaldab luua uue põlvkonna nutikaid, isereguleeruvaid ja iseoptimeeruvaid autonoomseid tooteid ja masinaid, mis omakorda häirivad ja muudavad kõik sektorid tootmisest tervishoiuni. Seos AI ja ML ning asjade Interneti vahel on loomulik:

• Andmepõhine intelligentsus:

Nende andmete generaatorid on andurid ja nutiseadmed, mis on sisseehitatud igapäevastesse esemetesse nii erinevates kontekstides nagu liiklusvõrgud või köögiseadmed. See on AI ja ML võimsus ja võimekus, mis annab arvutusliku luure andmete töötlemiseks, teisendamiseks ja analüüsimiseks ning nende muutmiseks kasutatavaks teabeks. IoT moodustab andmete kogumise kihi, samas kui AI ja ML esindavad analüüsimootorit, mis moodustab arvutusliku aju.

Tööstuses IoT-seadmed seadmete ja masinate rajaandurid. ML-algoritmid suudavad tuvastada seoseid selle praeguste andmete ja ajalooliste andmete vahel ning seejärel ennustada masina või seadme rikkeid, hooldusvajadusi ja muid probleeme. Kogu protsess on pidev ja ML-algoritm suudab IoT-seadmete reaalajas andmete põhjal ennustada masina tingimusi. Näiteks kui õlitase on madal või on esinenud ülemäärast vibratsiooni, võivad süsteemid ennustada masina võimalikku riket. Sel viisil saab ennustav hooldus minimeerida seisakuid ja vähendada materjalikulusid ilma tööjõukulusid oluliselt suurendamata.

• Täiustatud kasutajakogemus ja isikupärastamine:

Nende tarbijarakenduste näiteid võib leida asjade Interneti-seadmetest, mis koguvad teavet kasutajate suhtluse ja eelistuste kohta. Näiteks analüüsides, kuidas te nutikat kodu kasutate, saaks tehisintellekt teie käitumise põhjal teie valgustust ja temperatuuri juhtida ning masinõppe algoritmid parandavad aja jooksul ennustamisvõimet, kui jätkate selle kasutamist. Fitnessi jälgijad saavad tervisesoovituste isikupärastamiseks kasutada ka ML-algoritme.

• Autonoomne otsustamine:

AI ja ML abil saavad IoT-seadmed hakata tegema iseseisvaid otsuseid reaalajas andmete põhjal. Autonoomsed sõidukid (IoT-seadmete ökosüsteem) kasutavad näiteks ML-i, et mõista andurite andmeid ja otsustada, milliseid sõidutoiminguid teel hetke-hetke teha. Meie kodudes ja kontorites kasutavad energiavõrgud tehisintellekti võrgu koormuse tasakaalustamiseks ja energiajaotuse nutikaks optimeerimiseks reaalajas edastatavate asjade Interneti andmete põhjal.

• Tõhustatud turvalisus:

Turvalisus ja küberrünnakud võib pugeda asjade interneti võrkudesse. AI ja ML võivad töötada nagu turvaradar ja tuvastada anomaaliaid asjade Interneti-võrkude olekus või asjade Interneti-seadmete genereeritud andmetes, et teha kindlaks, kas rünnak on toimumas või toimumas. Tehisintellektil põhinev turvalisus võib seega muuta asjade Interneti turvalisemaks – need süsteemid saavad alati õppida võrkudest tulevatest andmetest ja uuendada võetavaid meetmeid.

• Töötõhusus:

Äris ja tootmises sisestavad IoT-d palju muutujaid ja parameetreid, mida analüüsivad ML-algoritmid, et optimeerida toiminguid, vähendades jäätmete hulka ja parandades tõhusust. AI-d saab samal ajal kasutada keerukamate otsustusprotsesside automatiseerimiseks ja sel viisil tööparameetrite reaalajas optimeerimiseks.

Lühidalt öeldes on tehisintellekt ja ML asjade Interneti jaoks asendamatud ning nutikas süsteem ühendab kõik kolm intelligentse õppimise, kohanemise ja otsustamise ökosüsteemina: IoT juht ja tulevaste uuenduste kiirendaja, mida aitab kaasa nutikas reguleerimine.

2. AI ja masinõppe dekodeerimine: võrdlev ülevaade

Tehisintellekt (AI)

Tehisintellekt on arvutiteaduse valdkond – või isegi öelda distsipliin –, mille eesmärk on luua süsteeme, mis suudavad täita ülesandeid, mida tavaliselt peetakse inimintellekti nõudvateks. Mõned selle olulised tunnused keerlevad ümber selliste mõistete nagu intelligentsus ja õppimine, mille abil seostatakse tehisintellekti ülesannete täitmise võime inimese tunnetusvõimega. Selliste ülesannete hulka kuuluvad näiteks loomuliku keele mõistmine – mis võib kajastuma inimese kõnevõimega; a mustri äratundmine – tihedalt seotud inimese tajuvõimega; ja oma olemuselt võrreldav võime lahendada keerulisi probleeme, millega kaasnevad ettenägematud raskused ja vääramatu ebamäärasus ja ebakindlus nende lahenduste osas – nagu reaalsest maailmast koostatud mõistatused intellektuaalselt uudishimulikule inimesele. Laialdaselt arvatakse, et kuigi vestlusrobotid on kitsamalt eesmärgile orienteeritud, hõlmavad AI-d arvutite võimet täita mis tahes ülalnimetatud ülesandeid viisil, mis paneks meid ütlema, et arvuti on "tark". Seda nimetatakse mõnikord inimmõistuse "intellektuaalseks mimikriks" või "mimesisiks" – lühidalt, kogemustest õppimiseks ja nutikalt tegutsemiseks.

Masinõpe (ML)

Masinõpe puudutab eriti aktiivset tehisintellekti (AI) valdkonda, mis üritab kodifitseerida arvutite võimet õppida, teha andmete põhjal valikuid või ennustusi, jättes mööda inimliku sisendi või juhendamise vajadusest. Algoritme treenitakse eelnevalt kogutud andmekogumite põhjal, kuni nad mõistavad nende andmete aluseks olevaid mustreid, teevad õpitu põhjal teadlikke valikuid ja suudavad edaspidi iseseisvalt oma prognoosimisvõimet järk-järgult parandada. ML-i eesmärk on töötada välja programme, mis on võimelised kasutama andmeid, et muutuda paremaks, kohanemisvõimelisemaks iseseisvaks õppimiseks, ilma sekkumiseta, ülesannete kaupa.

Peamised erinevused:

AI on mõeldud intelligentse arvuti ehitamiseks, mis lahendab probleeme sarnaselt inimesega, samas kui ML võimaldab robotil andmetest õppida, et koostada täpne prognoos.

Funktsionaalsus: masin kasutab eelnevalt kirjutatud reegliteraamatut (sageli süsteem muudab ja kohandab reegleid tulemuste põhjal), samas kui ML-süsteem järgib oodatavate sisendite mustrit, mis viib vastuseni.

3. Mida nad lauale toovad: võimalused ja rakendused

AI panused:

Tehisintellekt on rutiinsete toimingute automatiseerimisel üsna hea – olgu need lihtsad tööd, nagu andmete sisestamine, või peidetud protsessid, mis neid otsuseid toidavad, maksimeerib see tõhusust ja tootlikkust.

• Kognitiivsed teenused:

Tänu kognitiivsetele teenustele (keele mõistmiseks, kõneks ja nägemiseks) on arvuti varustatud inimestega suhtlemiseks laiemalt.

• Otsuse tegemine:

AI-süsteemid võivad jõuda oleviku kohta sisukatele järeldustele, kui võrrelda ja vastandada varasemaid ja olevikuandmeid, luua teadlikke seoseid ja sünteesida sisendallikaid.

ML-i kaastööd:

• Ennustav analüüs:

ML-mudelid on suurepärased varasemate andmete põhjal suundumuste ja käitumise ennustamiseks ja prognoosimiseks ning siin saab neid rakendada, näiteks finants-, meditsiini- ja turundussektoris.

• Mustri tuvastamine:

Üks edukamaid ML-rakendusi on õppimine ära tundma andmetes peituvaid mustreid, nagu küberjulgeoleku anomaalne tegevus või diagnostilise meditsiini haigustunnused.

• Individualiseerimine:

ML loob kohandatud kasutajakogemusi sõltuvalt sellest, kuidas üksikkasutaja on teenusega varem suhelnud, ning seda võidakse kasutada e-kaubanduse, meelelahutuse ja palju muu teenuste täiustamiseks.

4. Sünergiline suhe: kuidas AI ja ML üksteist täiendavad

See suhe on ka üksteist toetav, kusjuures teadus ühest küljest annab tagasisidet, et täiustada ja teavitada teist sündivat teadust ning sellest tulenevad süsteemid muutuvad aja jooksul võimekamaks ja kognitiivselt võimsamaks. AI on korraldaja: tehisintellekti valdkond määratleb üldised eesmärgid ja arhitektuurid masinate ehitamiseks, mis põhimõtteliselt võivad avaldada inimintellekti aspekte. ML on tööriistakomplekt: masinõppe valdkond pakub meetodeid ja tehnikaid, mis võimaldavad neil masinatel andmete põhjal asju õppida, praktikaga paremaks muutuda ja otsuseid langetada.

• Täiustatud õppimisvõimalused: Seega on inimkonna tegelikele „vibratsioonidele” häälestamine ülioluline. AI-süsteemid on mõeldud inimeste intelligentsusega teavitamiseks ja ML võimaldab masinatel kogemustest õppida, nii nagu inimesed seda teevad. Kui statistiline õpe ühendab masinaid ja inimesi, siis ML-il on lubadus – andmepõhised süsteemid peavad õppima, kuidas „uuesti kalibreerida“ (nagu inimesed seda teevad), kui nad puutuvad kokku uute „inimliku“ käitumise näidetega (nt autojuhtimine, teiste inimestega suhtlemine). inimesed ja nii edasi).

• Andmepõhine otsuste tegemine: Olla nutikas AI-s tähendab olla hea otsustaja. ML on (tõenäoliselt) nullhüpotees selle kohta, kuidas kõige paremini muuta AI kiireks otsuste tegemisel, andes sellele tööriistad, et analüüsida palju andmeid selle kohta, mida AI objektid igal hetkel teevad, välja selgitada, millised mustrid nendes andmetes on ja seejärel (teeb ennustuse) järgmise otsuse tegemiseks analüüsi ja mustrituvastust.

• Ennustav jõud ja isikupärastamine: mitmel muul viisil on ML tõhus tööriist, mis teeb võimalikuks selle, milleks AI on loodud kasutajatele: isikupärastatud kogemused ja tulemuste ennustamine. ML on suurepärane e-kaubanduse veebisaidi, video voogedastusteenuse või klienditeenindusplatvormi kasutajale isikupärastatud kogemuse pakkumisel, kuna see võtab andmepunkte selle kohta, mida kasutaja on varem teinud, ja ennustab, mida see kasutaja lõpuks teeb. .

• Autonoomne täiustamine: AI kontseptsiooni põhiaspektiks on võime kujundada autonoomne süsteem. ML viib selle sammu edasi, kuna süsteemid ei ole mõeldud mitte ainult autonoomseks tööks, vaid ka autonoomseks jõudluse optimeerimiseks (näiteks pärast käivitamist saadud andmetest õppides). Sellise süsteemi puhul, nagu autonoomne auto, mis peab tundmatu keskkonnaga toimetulekut „õppima”, on selline parendusahel hädavajalik. Kompleksne.

• Probleemi lahendamine: Aupiter AI püüab lahendada raskeid probleeme ülalmainitud reaalsete probleemide arvutusruumis, kus kõik praktilised lahendused tunduvad olevat lootusetult keerulised ja ilmsed lihtsad teed jooksevad karile. ML suurendab keerukust, pakkudes paradigma, mis põhineb mitme modaalsuse segamisel (nt algoritmide komplektid, nagu närvivõrgud).

Kui need kaks kokku panna, tekib eksponentsiaalselt kiirenev tehnoloogiline ökosüsteem – milles ML-i võimet luua induktiivseid mudeleid ja õppida andmetest iteratiivse arenduse teel õppima saab ühendada tehisintellekti veelgi ambitsioonikama tegevuskavaga, milleks on inimese intelligentsuse modelleerimine. luua üha üldisemaid "generatiivseid" süsteeme, mis suudavad täita mitmesuguseid keerulisi ülesandeid, ületada innovatsiooni piire ja turbotada terveid tööstusharusid.

5. Väljakutsed ja eetilised kaalutlused

Peaaegu kõigi tehisintellekti ja masinõppe (ML) kiiresti arenevate ja potentsiaalselt häirivate tehnoloogiate puhul avastame kiiresti, et mure selle pärast, kuidas tehnoloogia võib maailma muuta, areneb peaaegu sama kiiresti kui arenevad ja kiiresti arenevad tehnoloogiad ise. See on enneolematu probleem: kuna AI- ja ML-süsteemid vajavad tõhusaks toimimiseks andmemahtu, tekitame muret andmete turvalisuse ja privaatsuse pärast. Laiemad eetilised probleemid hõlmavad AI disaini kallutatuse ja õigluse küsimusi (st algoritmid võivad anda kallutatud tulemusi, kuna neid on varem kallutatud andmete põhjal koolitatud) ja seda, et algoritmi abil rakendatud tahtlikud otsustusprotsessid on paremini tõlgendatavad ja avatumad kui inimeste omad. – eriti haridus-, meditsiini- ja kriminaalõiguse stsenaariumide puhul, kus läbipaistvus võib olla sama oluline kui otsus ise. Automatiseerimisprotsessis kaotatakse töökohti, olukord, mis nõuab väga vajalikku tööjõu juhtimist ja töötajate ümberõppe strateegiaid – ja nii edasi. Tegelikult võib seda ümber sõnastada järgmiselt: SUURED MURED:

Selle töö esirinnas on üha rohkem üleskutseid avalikustada põhimõtted ja kehtestada standardid tehisintellekti ja ML-tehnoloogiate kavandamiseks ja kasutuselevõtuks. Selleks on vaja laiaulatuslikku partnerlust ettevõtete, poliitikakujundajate ja teiste sidusrühmade vahel, et tagada tehisintellekti ja ML-tehnoloogiate turvaline, õiglane, läbipaistev ja avalikkuse huvides väljatöötamine ja kasutuselevõtt.

6. Tulevikuväljavaade: lõpmatud võimalused

Veel kord, järgmise tehnoloogiarevolutsiooni tipul – AI ja ML – kehtib sama: meditsiin muutub, kuna patsientidele määratakse ravi, mis põhineb nende DNA tomograafilisel skaneerimisel; meie linnaelumaailmad kujundatakse ümber tehisintellekti juhitud ML-linnades, mis on kasutusel kogu meie infrastruktuuris.

Üheskoos võimaldavad AI ja ML tulevikku, mis on üha sujuvam ja nähtamatum, milles tehnoloogia on meie reaalsuse aluseks. Organisatsioonidel, poliitikakujundajatel ja elanikkonnal on järgmistel aastatel hästi teada, mis neid lahutab, mida nad suudavad saavutada ja kuhu nad jätkuvalt seinu puutuvad. Kui need tehnoloogiad alles arenevad, tekivad täiesti uued maailmad, teised kukuvad ära ja maailm meie ümber muutub jätkuvalt silmade kaudu, mis ei oska veel näha. AI revolutsioon on alles algamas. Võimalused on nii piiramatud, kui meie kujutlusvõime lubab.

Artikli autor Magda Dąbrowska, WeKnow Media tehniline kirjanik

Kommenteerige seda artiklit allpool või Twitteri kaudu: @IoTNow_

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/