هوش مصنوعی در مقابل ML: رمزگشایی فناوری هایی که جهان ما را شکل می دهند | IoT Now News & Reports

رسانه ها در زندگی روزمره ما، اجتناب از شنیدن کلمات "به طور فزاینده ای سخت شده است.هوش مصنوعی (AI)'و'آموزش ماشین (ML)چه در صنعت و چه در دانشگاه. این فناوری‌ها وارد زندگی روزمره ما شده‌اند و بیشتر بخش‌های اقتصاد را متحول می‌کنند، حوزه‌های جدیدی از دانش و عمل را ایجاد می‌کنند و عصر جدیدی را در تاریخ بشر به راه می‌اندازند. با این حال، حتی زمانی که این اشکال هوش به سرعت در حال تکامل در داخل و خارج از آکادمی بیشتر نمایان می‌شوند، تعاریف نادرست، ابهام در مورد روش‌ها و دامنه کاربرد آن‌ها مانع درک کامل آن‌ها می‌شود. هدف این مقاله شفاف سازی این فناوری های جدید، تمایز آنها از یکدیگر و تشریح مفاهیم گسترده آنهاست.

1. AI/ML در دنیای اینترنت اشیا

هوش مصنوعی (AI)، یادگیری ماشینی (ML) و اینترنت از اشیاء به طور پیچیده ای به هم مرتبط هستند و با هم یک سه گانه قدرتمند را نشان می دهند که موج جدیدی از نوآوری را آغاز می کند. این سه‌گانه نسل جدیدی از محصولات و ماشین‌های مستقل هوشمند، خود تنظیم و خودبهینه‌سازی را قادر می‌سازد، که به نوبه خود هر بخش را از تولید به مراقبت‌های بهداشتی مختل کرده و تغییر می‌دهد. ارتباط بین AI و ML و IoT یک پیوند طبیعی است:

• هوش داده محور:

مولدهای این داده ها حسگرها و دستگاه های هوشمندی هستند که در اشیاء روزمره، در زمینه های متنوعی مانند شبکه های ترافیکی یا لوازم آشپزخانه تعبیه شده اند. این قدرت و مهارت هوش مصنوعی و ML است که هوش محاسباتی را برای پردازش، تبدیل و تجزیه و تحلیل داده‌ها و تبدیل آن به اطلاعات عملی فراهم می‌کند. اینترنت اشیا لایه جمع‌آوری داده‌ها را تشکیل می‌دهد، در حالی که هوش مصنوعی و ML نشان‌دهنده موتور تحلیلی است که مغز محاسباتی را تشکیل می‌دهد.

در صنعت، دستگاه های اینترنت اشیا ردیابی حسگرهای تجهیزات و ماشین آلات. الگوریتم‌های ML می‌توانند پیوندهای بین داده‌های فعلی و داده‌های تاریخی را شناسایی کنند و سپس خرابی ماشین یا تجهیزات، نیازهای تعمیر و نگهداری و سایر مسائل را پیش‌بینی کنند. کل فرآیند پیوسته است و الگوریتم ML می تواند شرایط ماشین را بر اساس داده های بلادرنگ دستگاه های اینترنت اشیا پیش بینی کند. به عنوان مثال، اگر سطح روغن پایین باشد یا ارتعاش بیش از حد وجود داشته باشد، سیستم ها می توانند خرابی احتمالی ماشین را پیش بینی کنند. به این ترتیب، تعمیر و نگهداری پیش‌بینی‌شده می‌تواند زمان خرابی را به حداقل برساند و هزینه‌های مواد را بدون افزایش قابل‌توجه هزینه‌های نیروی کار کاهش دهد.

• تجربه کاربری و شخصی سازی پیشرفته:

نمونه‌هایی از این برنامه‌های کاربردی مصرف‌کننده را می‌توان در دستگاه‌های اینترنت اشیا یافت که اطلاعات مربوط به تعاملات و ترجیحات کاربران را جمع‌آوری می‌کنند. به عنوان مثال، با تجزیه و تحلیل نحوه استفاده از خانه هوشمند، هوش مصنوعی می تواند نور و دمای شما را بر اساس رفتار شما کنترل کند، با الگوریتم های یادگیری ماشینی که در صورت ادامه استفاده از آن، تلاش های پیش بینی را در طول زمان بهبود می بخشد. ردیاب های تناسب اندام همچنین می توانند از الگوریتم های ML برای شخصی سازی توصیه های بهداشتی استفاده کنند.

• تصمیم گیری مستقل:

با استفاده از هوش مصنوعی و ML، دستگاه‌های IoT می‌توانند تصمیمات مستقلی را بر اساس داده‌های زمان واقعی بگیرند. به عنوان مثال، وسایل نقلیه خودمختار (اکوسیستمی از دستگاه‌های اینترنت اشیا)، از ML برای درک داده‌های حسگر استفاده می‌کنند و تصمیم می‌گیرند که کدام اقدامات رانندگی لحظه به لحظه در جاده انجام شود. در خانه‌ها و دفاتر ما، شبکه‌های انرژی از هوش مصنوعی برای متعادل کردن بارهای شبکه و بهینه‌سازی هوشمند توزیع انرژی بر اساس داده‌های اینترنت اشیا ارائه شده در زمان واقعی استفاده می‌کنند.

• امنیت پیشرفته:

امنیت و حملات سایبری می تواند به شبکه های اینترنت اشیا نفوذ کند. هوش مصنوعی و ML می‌توانند مانند رادار امنیتی کار کنند و ناهنجاری‌ها را در وضعیت شبکه‌های اینترنت اشیا یا داده‌های تولید شده توسط دستگاه‌های اینترنت اشیا شناسایی کنند تا بگویند که آیا حمله‌ای در حال وقوع است یا در شرف وقوع است. بنابراین امنیت مبتنی بر هوش مصنوعی می‌تواند اینترنت اشیا را ایمن‌تر کند – این سیستم‌ها همیشه می‌توانند از داده‌های دریافتی از شبکه‌ها بیاموزند و اقدامات لازم را به‌روزرسانی کنند.

• بهره وری عملیاتی:

در تجارت و تولید، اینترنت اشیا متغیرها و پارامترهای زیادی را وارد می‌کنند که توسط الگوریتم‌های ML برای بهینه‌سازی عملیات با کاهش میزان ضایعات و بهبود کارایی تجزیه و تحلیل می‌شوند. در عین حال می‌توان از هوش مصنوعی برای خودکارسازی فرآیندهای تصمیم‌گیری پیچیده‌تر و از این طریق برای بهینه‌سازی در زمان واقعی پارامترهای عملیات استفاده کرد.

به طور خلاصه، هوش مصنوعی و ML برای اینترنت اشیا ضروری هستند و یک سیستم هوشمند هر سه را به عنوان یک اکوسیستم هوشمند یادگیری، تطبیق و تصمیم گیری ادغام می کند: یک محرک اینترنت اشیا و شتاب دهنده نوآوری های آینده، که خود با مقررات هوشمند کمک می کند.

2. رمزگشایی هوش مصنوعی و یادگیری ماشینی: مروری مقایسه ای

هوش مصنوعی (AI)

هوش مصنوعی یک رشته – یا حتی می‌توانیم بگوییم رشته‌ای از علوم کامپیوتر است که هدف آن ایجاد سیستم‌هایی است که قادر به انجام وظایفی هستند که معمولاً به هوش انسانی نیاز دارند. برخی از علائم اساسی آن حول استفاده از مفاهیمی مانند هوش و یادگیری می چرخد ​​که به وسیله آنها توانایی انجام وظایف هوش مصنوعی با قوه شناخت انسان مرتبط می شود. نمونه هایی از این وظایف عبارتند از درک زبان طبیعی - که ممکن است با توانایی انسان در صحبت کردن طنین انداز شود. را تشخیص الگو - ارتباط نزدیک با قوه ادراک انسان؛ و توانایی ذاتا قابل مقایسه برای حل مسائل پیچیده که شامل مشکلات غیرقابل پیش‌بینی و ابهام و عدم اطمینان غیرقابل پیش‌بینی در مورد راه‌حل‌های آن‌ها می‌شود - مانند پازل‌هایی که از دنیای واقعی برای انسان کنجکاو از نظر فکری بیرون کشیده شده‌اند. به طور گسترده ای بر این عقیده است که، در حالی که چت بات ها بیشتر هدف گرا هستند، هوش مصنوعی شامل توانایی رایانه ها برای انجام هر یک از وظایف ذکر شده در بالا به روشی است که باعث می شود بگوییم رایانه «هوشمند» است. این همان چیزی است که گاهی اوقات «تقلید فکری» یا «تقلید» هوش انسانی نامیده می‌شود – به طور خلاصه، درس گرفتن از تجربه و «عملکرد هوشمندانه».

آموزش ماشین (ML)

یادگیری ماشینی به حوزه‌ای فعال از هوش مصنوعی (AI) مربوط می‌شود که تلاش می‌کند توانایی رایانه‌ها برای یادگیری، انتخاب یا پیش‌بینی بر اساس داده‌ها را کدگذاری کند و نیاز به ورودی یا راهنمایی انسانی را دور بزند. الگوریتم‌ها بر روی مجموعه‌های داده‌ای که قبلاً جمع‌آوری شده‌اند آموزش می‌بینند تا زمانی که الگوهای زیربنایی آن داده‌ها را درک کنند، انتخاب‌های آگاهانه‌ای را بر اساس آموخته‌های خود انجام دهند و بتوانند به‌طور خودکار ظرفیت پیش‌بینی خود را به طور تدریجی بهبود بخشند. هدف ML توسعه برنامه‌هایی است که قادر به بهره‌برداری از داده‌ها هستند تا بتوانند به تنهایی، بدون مداخله، در یادگیری بهتر و سازگارتر شوند.

تفاوت های کلیدی:

هوش مصنوعی برای ساخت یک کامپیوتر هوشمند است که مشکلات را به روشی مشابه مانند انسان حل می کند، در حالی که ML به یک ربات اجازه می دهد تا از داده ها یاد بگیرد تا یک پیش بینی دقیق ترسیم کند.

عملکرد: ماشین از یک کتاب قوانین از پیش نوشته شده استفاده می کند (اغلب سیستم قوانین را بر اساس نتایج منعطف می کند و "ترفند" می کند) در حالی که سیستم ML از یک ابر الگوی ورودی های مورد انتظار پیروی می کند که منجر به پاسخ می شود.

3. آنچه آنها به جدول می آورند: قابلیت ها و برنامه های کاربردی

مشارکت های هوش مصنوعی:

هوش مصنوعی در خودکارسازی وظایف روتین بسیار خوب است – چه اینها مشاغل ساده مانند ورود داده ها باشند یا فرآیندهای پنهانی که این تصمیمات را تغذیه می کنند، کارایی و بهره وری را به حداکثر می رساند.

• خدمات شناختی:

به لطف خدمات شناختی (برای درک زبان، گفتار و بینایی)، رایانه به طیف وسیع تری از تعامل با انسان مجهز شده است.

• تصمیم سازی:

سیستم‌های هوش مصنوعی می‌توانند با مقایسه و تضاد داده‌های گذشته و حال، ایجاد ارتباطات آگاهانه و ترکیبی از مجموعه‌های ورودی به نتایج معناداری در مورد زمان حال برسند.

مشارکت های ML:

• تحلیل پیش بینی کننده:

مدل‌های ML در پیش‌بینی و پیش‌بینی روندها و رفتارها از داده‌های گذشته عالی هستند، و اینجاست که می‌توان آنها را مانند بخش‌های مالی، پزشکی و بازاریابی به کار برد.

• تشخیص الگو:

یکی از موفق‌ترین کاربردهای ML، یادگیری تشخیص الگوهای مدفون در داده‌ها، مانند فعالیت غیرعادی در امنیت سایبری یا نشانه‌های آشکار بیماری در پزشکی تشخیصی است.

• فردی شدن:

ML بسته به نحوه تعامل یک کاربر با سرویس در گذشته، تجربیات کاربر سفارشی ایجاد می کند و ممکن است برای بهبود خدمات تجارت الکترونیک، سرگرمی و موارد دیگر استفاده شود.

4. رابطه هم افزایی: چگونه هوش مصنوعی و ML یکدیگر را تکمیل می کنند

این رابطه همچنین از دو طرف حمایت می‌کند، به طوری که علم در یکی برای بهبود و اطلاع‌رسانی علم نوپای دیگر بازخورد می‌دهد، و سیستم‌های حاصل با گذشت زمان توانمندتر و از نظر شناختی قدرتمندتر می‌شوند. AI سازمان دهنده است: حوزه هوش مصنوعی اهداف و معماری های کلی را برای ساخت ماشین هایی تعریف می کند که در اصل می توانند جنبه هایی از هوش انسانی را به نمایش بگذارند. ML جعبه ابزار است: حوزه یادگیری ماشینی روش ها و تکنیک هایی را ارائه می دهد که به این ماشین ها اجازه می دهد چیزهایی را از داده ها یاد بگیرند، با تمرین بهتر شوند و تصمیم بگیرند.

• افزایش قابلیت های یادگیری: بنابراین تنظیم "ارتعاشات" دنیای واقعی بشر بسیار مهم است. سیستم‌های هوش مصنوعی قرار است از هوش انسانی مطلع شوند و ML به ماشین‌ها اجازه می‌دهد تا از تجربه یاد بگیرند، همانطور که انسان‌ها انجام می‌دهند. اگر یادگیری آماری پل ارتباطی بین ماشین‌ها و انسان‌ها باشد، ML وعده‌هایی دارد - سیستم‌های مبتنی بر داده باید یاد بگیرند که چگونه در مواجهه با نمونه‌های جدیدی از رفتار «انسان» (مانند رانندگی، تعامل با دیگران) چگونه «تجدید کالیبره» کنند (مانند انسان‌ها). انسان و غیره).

• تصمیم گیری مبتنی بر داده: "هوشمند" بودن در هوش مصنوعی به معنای "تصمیم گیرنده خوب بودن" است. ML (احتمالاً) یک فرضیه صفر است برای اینکه چگونه می توان هوش مصنوعی را در تصمیم گیری سریع انجام داد، با دادن ابزارهایی به آن برای تجزیه و تحلیل داده های زیادی در مورد هر کاری که اشیاء هوش مصنوعی در هر لحظه انجام می دهند، کشف الگوهای موجود در آن داده ها، و سپس (پیش بینی می کند) از تجزیه و تحلیل و تشخیص الگو برای تصمیم گیری بعدی استفاده می کند.

• قدرت پیش بینی و شخصی سازی: از بسیاری جهات دیگر، ML ابزاری مؤثر برای امکان‌پذیر ساختن آنچه هوش مصنوعی برای دستیابی به کاربران طراحی شده است: تجربه شخصی و پیش‌بینی نتیجه. ML در ارائه یک تجربه شخصی به کاربر یک وب سایت تجارت الکترونیک، یک سرویس پخش ویدئو یا یک پلت فرم خدمات مشتری عالی است، زیرا امتیازات داده را در مورد آنچه کاربر در گذشته انجام داده است و پیش بینی می کند که کاربر در نهایت چه کاری انجام خواهد داد. .

• بهبود خودگردان: یکی از جنبه های اساسی مفهوم هوش مصنوعی، توانایی طراحی یک سیستم خودمختار است. ML این را یک گام فراتر می برد، زیرا سیستم ها فقط برای کارکرد مستقل طراحی نمی شوند، بلکه برای بهینه سازی عملکرد به صورت مستقل (مثلاً با یادگیری از داده های به دست آمده پس از راه اندازی) طراحی می شوند. در مورد سیستمی مانند یک خودروی خودران که نیاز به "یادگیری" نحوه برخورد با یک محیط ناشناخته دارد، چنین حلقه بهبودی ضروری است. مجتمع.

• حل مسئله: هوش مصنوعی Aupiter به دنبال مقابله با مسائل غیرقابل حل در فضای محاسباتی فوق الذکر مسائل دنیای واقعی است، جایی که به نظر می رسد همه راه حل های عملی به طرز ناامیدکننده ای پیچیده هستند و راه های واضح و آسان به پایان می رسد. ML پیچیدگی را با ارائه یک پارادایم مبتنی بر ترکیب چندین روش (مثلا مجموعه‌ای از الگوریتم‌ها مانند شبکه های عصبی) برای مطابقت با پیچیدگی دنیای واقعی و مهار داده‌های پیچیدگی بالا، عمدتاً بدون ساختار که عمدتاً در دنیای واقعی در دسترس هستند.

این دو را در کنار هم قرار دهید و یک اکوسیستم فناورانه با شتاب تصاعدی خواهید داشت – که در آن توانایی ML برای ساخت مدل‌های «القایی» و یادگیری یادگیری با توسعه مکرر از داده‌ها، می‌تواند با برنامه جاه‌طلبانه‌تر هوش مصنوعی، یعنی مدل‌سازی هوش انسانی به هم پیوند بخورد. سیستم‌های «تولیدکننده» کلی‌تری ایجاد کنید که می‌توانند بر طیف گسترده‌ای از وظایف پیچیده تسلط داشته باشند، مرزهای نوآوری را پشت سر بگذارند، و کل صنایع را توربوشارژ کنند.

5. چالش ها و ملاحظات اخلاقی

تقریباً با هر فناوری سریع و بالقوه مخرب برای هوش مصنوعی و یادگیری ماشین (ML)، ما به سرعت متوجه می‌شویم که نگرانی‌ها در مورد اینکه چگونه این فناوری ممکن است جهان را تغییر دهد تقریباً به همان سرعتی که خود فناوری‌های نوظهور و به سرعت در حال پیشرفت هستند تکامل می‌یابد. این یک مسئله بی‌سابقه است: از آنجا که سیستم‌های هوش مصنوعی و ML برای عملکرد مؤثر به حجم داده نیاز دارند، ما نگرانی‌هایی در مورد امنیت و حریم خصوصی داده‌ها ایجاد می‌کنیم. نگرانی‌های اخلاقی گسترده‌تر شامل موضوعات سوگیری و انصاف در طراحی هوش مصنوعی است (یعنی الگوریتم‌ها ممکن است نتایج مغرضانه‌ای ایجاد کنند، زیرا قبلاً روی داده‌های مغرضانه آموزش داده شده‌اند) و اینکه فرآیندهای تصمیم‌گیری عمدی که توسط الگوریتم اجرا می‌شوند قابل تفسیرتر و بازتر از فرآیندهای انسانی هستند. - به ویژه در سناریوهای آموزشی، پزشکی و عدالت کیفری، که در آن شفافیت می تواند به اندازه خود تصمیم مهم باشد. مشاغلی در فرآیند اتوماسیون حذف خواهند شد، وضعیتی که نیاز به مدیریت نیروی کار بسیار مورد نیاز و استراتژی‌های بازآموزی کارکنان دارد - و غیره. در واقع، این را می توان به صورت زیر بیان کرد: نگرانی های بزرگ:

در لبه پیشرو این کار، فراخوان‌ها برای بیان اصول و تحمیل استانداردهایی برای طراحی و استقرار فناوری‌های هوش مصنوعی و ML وجود دارد. این امر مستلزم مشارکت در مقیاس بزرگ بین شرکت‌ها، سیاست‌گذاران و سایر ذینفعان است تا اطمینان حاصل شود که فناوری‌های هوش مصنوعی و ML به صورت ایمن، منصفانه، شفاف و برای منافع عمومی توسعه یافته و به کار گرفته می‌شوند.

6. چشم انداز آینده: احتمالات بی نهایت

یک بار دیگر، در آستانه انقلاب بعدی فناوری - در هوش مصنوعی و ML - همین امر صدق می کند: با تجویز درمان های بیماران بر اساس اسکن توموگرافی DNA آنها، پزشکی تغییر خواهد کرد. جهان‌های زندگی شهری ما در شهرهای ML مبتنی بر هوش مصنوعی که در سرتاسر زیرساخت‌های ما مستقر هستند، بازسازی می‌شوند.

در مجموع، هوش مصنوعی و ML آینده‌ای را فراهم می‌کنند که به طور فزاینده‌ای یکپارچه و نامرئی است، که در آن فناوری پشتوانه بسیاری از واقعیت‌های ما است. دانستن اینکه چه چیزی آنها را از هم جدا می کند، چه کاری می توانند انجام دهند و کجا به دیوارها برخورد خواهند کرد، چیزی است که سازمان ها، سیاست گذاران و عموم مردم به طور یکسان در سال های آینده به خوبی درک خواهند کرد. با این فناوری‌ها که هنوز در حال تکامل هستند، جهان‌های کاملاً جدیدی پدیدار می‌شوند، دیگران از بین می‌روند و جهان اطراف ما از طریق چشم‌هایی که هنوز نمی‌توانند شروع به دیدن کنند، به تغییر ادامه خواهد داد. انقلاب هوش مصنوعی تازه شروع شده است. امکانات آنقدر بی حد و حصر هستند که تصورات ما اجازه می دهد.

مقاله توسط Magda Dąbrowska، نویسنده فنی در WeKnow Media

در مورد این مقاله در زیر یا از طریق توییتر نظر دهید: @IoTNow_

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/