AI vs. ML: Maailmaamme muokkaavien teknologioiden purkaminen | IoT Now -uutiset ja -raportit

AI vs. ML: Maailmaamme muokkaavien teknologioiden purkaminen | IoT Now -uutiset ja -raportit

Aikaleima: 2. helmikuuta 2024 7
Lähdesolmu: 3093754

Media Jokapäiväisessä elämässämme on yhä vaikeampaa olla kuulematta sanoja "Keinotekoinen älykkyys (AI)"Ja"Koneoppiminen (ML)' teollisuudessa tai korkeakouluissa. Nämä teknologiat ovat tulleet jokapäiväiseen elämäämme ja muuttavat useimpia talouden aloja, rakentaen uusia tietämyksen ja käytännön aloja ja käynnistävät uuden aikakauden ihmiskunnan historiassa. Silti vaikka nämä nopeasti kehittyvän älykkyyden muodot tulevat entistä näkyvämmiksi akatemian sisällä ja ulkopuolella, niiden epätarkat määritelmät, epämääräisyys niiden modaliteeteista ja sovellusalueista estää niiden täyden ymmärtämisen. Tämän artikkelin tarkoituksena on selventää näitä uusia tekniikoita, erottaa ne toisistaan ​​ja hahmotella niiden laajat vaikutukset.

1. AI/ML IoT:n maailmassa

Tekoäly (AI), koneoppiminen (ML) ja Esineiden internet (IoT) ovat monimutkaisesti sidoksissa toisiinsa ja yhdessä edustavat voimakasta kolmikkoa, joka käynnistää uuden innovaatioaallon. Kolmikko mahdollistaa uuden sukupolven älykkäitä, itsesäätyviä ja itseoptimoituvia autonomisia tuotteita ja koneita, jotka puolestaan ​​häiritsevät ja muuttavat jokaista alaa valmistuksesta terveydenhuoltoon. Tekoälyn ja ML:n ja IoT:n välinen yhteys on luonnollinen:

  • Tietoihin perustuva älykkyys:

Tämän tiedon generaattorit ovat arkipäivän esineisiin upotettuja antureita ja älylaitteita niinkin erilaisissa yhteyksissä kuin liikenneverkot tai keittiökoneet. Tekoälyn ja ML:n teho ja pätevyys tarjoavat laskennallisen älykkyyden tietojen käsittelyyn, muuntamiseen ja analysointiin ja muuntamiseen käyttökelpoiseksi tiedoksi. IoT muodostaa tiedonkeruukerroksen, kun taas AI ja ML edustavat analyysimoottoria, joka muodostaa laskennalliset aivot.

Teollisuudessa IoT-laitteet laitteiden ja koneiden radananturit. ML-algoritmit voivat tunnistaa linkit sen nykyisten tietojen ja historiallisten tietojen välillä ja ennustaa sitten koneen tai laitteiston vikoja, huoltotarpeita ja muita ongelmia. Koko prosessi on jatkuva, ja ML-algoritmi voi ennustaa koneen olosuhteet IoT-laitteiden reaaliaikaisen datan perusteella. Esimerkiksi jos öljytaso on alhainen tai tärinää on ollut liikaa, järjestelmät voivat ennustaa mahdollisen koneen rikkoutumisen. Tällä tavalla ennakoiva huolto voi minimoida seisokkeja ja alentaa materiaalikustannuksia lisäämättä merkittävästi työvoimakustannuksia.

  • Parannettu käyttökokemus ja personointi:

Esimerkkejä näistä kuluttajasovelluksista löytyy IoT-laitteista, jotka keräävät tietoa käyttäjien vuorovaikutuksista ja mieltymyksistä. Esimerkiksi analysoimalla älykkään kodin käyttöä tekoäly voi ohjata valaistusta ja lämpötilaa käyttäytymisesi perusteella, ja koneoppimisalgoritmit parantavat ennakointitoimia ajan myötä, jos jatkat sen käyttöä. Fitness-seuraajat voivat myös käyttää ML-algoritmeja terveyssuositusten mukauttamiseen.

  • Itsenäinen päätöksenteko:

Tekoälyn ja ML:n avulla IoT-laitteet voivat alkaa tehdä itsenäisiä päätöksiä reaaliaikaisen datan perusteella. Esimerkiksi autonomiset ajoneuvot (IoT-laitteiden ekosysteemi) käyttävät ML:ää anturidatan ymmärtämiseen ja päättäessään, mitä ajotoimia tiellä tehdä hetki kerrallaan. Koteissamme ja toimistoissamme energiaverkot käyttävät tekoälyä tasapainottamaan verkon kuormitusta ja optimoimaan älykkäästi energian jakelua reaaliaikaisen IoT-tietojen perusteella.

  • Parannettu turvallisuus:

Turvallisuus ja kyberhyökkäykset voi hiipiä IoT-verkkoihin. Tekoäly ja ML voivat toimia tietoturvatutkan tavoin ja havaita poikkeavuuksia IoT-verkkojen tilassa tai IoT-laitteiden tuottamassa datassa kertoakseen, onko hyökkäys tapahtumassa tai tulossa. Tekoälypohjainen tietoturva voi siis tehdä IoT:stä turvallisempaa – nämä järjestelmät voivat aina oppia verkoista tulevasta tiedosta ja päivittää käyttöön otettavat toimenpiteet.

  • Toiminnallinen tehokkuus:

Liiketoiminnassa ja valmistuksessa IoT:t syöttävät paljon muuttujia ja parametreja, joita ML-algoritmit analysoivat toiminnan optimoimiseksi vähentämällä jätteen määrää ja parantamalla tehokkuutta. Tekoälyllä voidaan samanaikaisesti automatisoida monimutkaisempia päätöksentekoprosesseja ja tällä tavoin optimoida reaaliajassa toimintaparametreja.

Lyhyesti sanottuna tekoäly ja ML ovat välttämättömiä IoT:lle, ja älykäs järjestelmä integroi kaikki kolme älykkääksi oppimisen, sopeutumisen ja päätöksenteon ekosysteemiksi: IoT:n kuljettajaksi ja tulevaisuuden innovaatioiden kiihdyttimeksi, jota itse auttaa älykäs sääntely.

Kuva robotistaKuva robotista
Kuva Freepik

2. Tekoälyn ja koneoppimisen purku: vertaileva yleiskatsaus

Keinotekoinen älykkyys (AI)

Tekoäly on tietojenkäsittelytieteen ala – tai voisi jopa sanoa – tieteenala, jonka tavoitteena on luoda järjestelmiä, jotka pystyvät suorittamaan tehtäviä, joita yleisesti pidetään ihmisälyä vaativina. Jotkut sen olennaisista tunnusmerkeistä pyörivät älykkyyden ja oppimisen kaltaisten käsitteiden käytön ympärillä, joilla verrataan tekoälyn tehtävän suorittamiskykyä ihmisen kognitiiviseen kykyyn. Esimerkkejä tällaisista tehtävistä ovat luonnollisen kielen ymmärtäminen – mikä saattaa resonoida ihmisen puhekyvyn kanssa; the hahmontunnistus – liittyy läheisesti ihmisen havaintokykyyn; ja luonnostaan ​​verrattavissa oleva kyky ratkaista monimutkaisia ​​ongelmia, joihin liittyy ennakoimattomia vaikeuksia ja vääjäämätöntä epämääräisyyttä ja epävarmuutta niiden ratkaisuissa – kuten todellisesta maailmasta poimittuja pulmia älyllisesti uteliaille ihmisille. Yleisesti ajatellaan, että vaikka chatbotit ovat kapeammin tavoitteellisia, tekoälyt sisältävät tietokoneiden kyvyn suorittaa mikä tahansa edellä mainituista tehtävistä tavalla, joka saa meidät sanomaan, että tietokone on "älykäs". Tätä kutsutaan joskus ihmisälyn "älyksi mimikriksi" tai "mimeesiksi" – lyhyesti sanottuna kokemuksesta oppimiseksi ja ovelaksi toimimiseksi.

Koneoppiminen (ML)

Koneoppiminen koskee erityisen aktiivista tekoälyn (AI) aluetta, joka yrittää kodifioida tietokoneiden kykyä oppia, tehdä valintoja tai ennustaa datan perusteella ohittaen ihmisen panoksen tai ohjauksen tarpeen. Algoritmeja koulutetaan aiemmin kerättyjen tietojoukkojen perusteella, kunnes ne ymmärtävät datan taustalla olevat mallit, tekevät tietoisia valintoja oppimansa perusteella ja pystyvät jatkuvasti parantamaan ennustuskykyään itsenäisesti eteenpäin. ML:n tavoitteena on kehittää ohjelmia, jotka pystyvät hyödyntämään dataa tullakseen paremmiksi, mukautuvammiksi oppimaan itsenäisesti, ilman väliintuloa, tehtävä tehtävältä.

Tärkeimmät erot:

Tekoäly on tarkoitettu älykkään tietokoneen rakentamiseen, joka ratkaisee ongelmat samalla tavalla kuin ihminenkin, kun taas ML:n avulla robotti voi oppia tiedoista tarkan ennusteen laatimiseksi.

Toiminnallisuus: kone käyttää valmiiksi kirjoitettua sääntökirjaa (usein järjestelmä joustaa ja "muuttaa" sääntöjä tulosten perusteella), kun taas ML-järjestelmä seuraa odotettujen syötteiden mallipilveä, joka johtaa vastaukseen.

3. Mitä ne tuovat pöytään: Ominaisuudet ja sovellukset

AI:n panokset:

Tekoäly on melko hyvä automatisoimaan rutiinitehtävät – olivatpa nämä yksinkertaisia ​​töitä, kuten tiedonsyöttö, tai piilotetut prosessit, jotka ruokkivat näitä päätöksiä, se maksimoi tehokkuuden ja tuottavuuden.

  • Kognitiiviset palvelut:

Kognitiivisten palveluiden (kielen ymmärtäminen, puhe ja näkeminen) ansiosta tietokone on varustettu laajemmin vuorovaikutukseen ihmisten kanssa.

  • Päätöksenteko:

Tekoälyjärjestelmät voivat tehdä merkityksellisiä johtopäätöksiä nykyhetkestä vertaamalla ja vastakkain menneisyyden ja nykyisen datan luomalla tietoisia yhteyksiä ja synteesejä syötteistä.

ML:n panokset:

  • Ennakoiva analyysi:

ML-mallit ovat erinomaisia ​​ennustamaan ja ennustamaan trendejä ja käyttäytymistä aiempien tietojen perusteella, ja tässä niitä voidaan soveltaa, kuten rahoitus-, lääketieteen ja markkinoinnin aloilla.

  • Hahmontunnistus:

Yksi menestyneimmistä ML-sovelluksista on oppia tunnistamaan datassa hautautuneita kuvioita, kuten poikkeavaa toimintaa kyberturvallisuudessa tai sairauden merkkejä diagnostisessa lääketieteessä.

  • Yksilöinti:

ML tuottaa räätälöityjä käyttökokemuksia riippuen siitä, kuinka yksittäinen käyttäjä on ollut vuorovaikutuksessa palvelun kanssa aiemmin, ja sitä voidaan käyttää parantamaan verkkokaupan, viihteen ja paljon muuta.

henkilö, joka käyttää ai-työkaluahenkilö, joka käyttää ai-työkalua
Kuva Freepik

4. Synergistinen suhde: Kuinka tekoäly ja ML täydentävät toisiaan

Tämä suhde tukee myös toisiaan, sillä yhdessä tiede antaa palautetta parantaakseen ja antaakseen tietoa toiselle syntymässä olevalle tieteelle, ja tuloksena olevat järjestelmät kasvavat ajan myötä kykyisemmiksi ja kognitiivisesti tehokkaammiksi. AI on järjestäjä: tekoälyn ala määrittelee yleiset tavoitteet ja arkkitehtuurit rakennuskoneille, jotka periaatteessa voivat esitellä ihmisen älykkyyttä. ML on työkalupakki: koneoppimisen ala tarjoaa menetelmiä ja tekniikoita, joiden avulla nämä koneet voivat oppia asioita tiedosta, kehittyä paremmin harjoittelun avulla ja tehdä päätöksiä.

  • Parannetut oppimismahdollisuudet: Joten viritys ihmiskunnan todellisiin "värähtelyihin" on ratkaisevan tärkeää. Tekoälyjärjestelmät on tarkoitettu saamaan tietoa ihmisen älykkyydestä, ja ML:n avulla koneet voivat oppia kokemuksesta ihmisten tavoin. Jos tilastollinen oppiminen yhdistää koneita ja ihmisiä, niin ML:llä on lupaus – dataohjattujen järjestelmien on opittava "kalibroimaan uudelleen" (kuten ihmiset tekevät), kun ne kohtaavat uusia esimerkkejä "ihmiskäyttäytymisestä" (esim. ajaminen, vuorovaikutus muiden kanssa). ihmiset ja niin edelleen).
  • Tietoihin perustuva päätöksenteko: Älykäs oleminen tekoälyssä tarkoittaa 'hyvä päätöksentekijä'. ML on (todennäköisesti) nollahypoteesi siitä, kuinka parhaiten saada tekoäly nopeasti tekemään päätöksiä antamalla sille työkalut analysoida paljon tietoa siitä, mitä tekoälyobjektit tekevät joka hetki, selvittää, mitkä mallit näissä tiedoissa ovat, ja sitten (tekee ennusteen) käyttää analyysiä ja kuvion tunnistusta seuraavan päätöksen tekemiseen.
  • Ennustava voima ja personointi: Monilla muilla tavoilla ML on tehokas työkalu, joka mahdollistaa sen, mitä tekoälyillä on suunniteltu saavuttamaan käyttäjille: henkilökohtaisen kokemuksen ja tulosten ennustamisen. ML on loistava tarjoamaan henkilökohtaisen käyttökokemuksen verkkokauppasivuston, videon suoratoistopalvelun tai asiakaspalvelualustan käyttäjälle, koska se ottaa datapisteitä siitä, mitä käyttäjä on tehnyt aiemmin, ja ennustaa, mitä käyttäjä lopulta tekee. .
  • Itsenäinen parannus: Tekoälykonseptin perusnäkökohta on kyky suunnitella itsenäinen järjestelmä. ML vie tämän askeleen pidemmälle, koska järjestelmiä ei ole suunniteltu vain toimimaan itsenäisesti, vaan optimoimaan suorituskykyä itsenäisesti (esimerkiksi oppimalla käynnistyksen jälkeen saaduista tiedoista). Kun kyseessä on järjestelmä, kuten autonominen auto, jonka on "opeteltava" käsittelemään tuntematonta ympäristöä, tällainen parannussilmukka on välttämätön. Monimutkainen.
  • Ongelmanratkaisu: Aupiter AI pyrkii ratkaisemaan vaikeaselkoisia asioita edellä mainitussa todellisten ongelmien laskennallisessa avaruudessa, jossa kaikki käytännön ratkaisut näyttävät olevan toivottoman monimutkaisia ​​ja ilmeiset, helpot keinot karkaavat karille. ML lisää monimutkaisuutta tarjoamalla paradigman, joka perustuu useiden modaliteettien yhdistämiseen (esim. algoritmisarjat, kuten hermoverkot).

Yhdistämällä nämä kaksi, saat eksponentiaalisesti kiihtyvän teknologisen ekosysteemin – jossa ML:n kyky rakentaa "induktiivisia" malleja ja oppia oppimaan iteratiivisen kehityksen avulla tiedosta, voidaan yhdistää tekoälyn entistä kunnianhimoisempaan toimintasuunnitelmaan, jossa mallinnetaan ihmisen älykkyyttä. luoda yhä yleisempiä "generatiivisia" järjestelmiä, jotka voivat hallita monenlaisia ​​monimutkaisia ​​tehtäviä, räjäyttää innovaatiorajoja ja turbottaa kokonaisia ​​toimialoja.

5. Haasteet ja eettiset näkökohdat

Käytännössä jokaisen nopeasti kehittyvän ja mahdollisesti häiritsevän tekoälyn ja koneoppimisen (ML) teknologioiden yhteydessä huomaamme nopeasti, että huolet siitä, kuinka teknologia saattaa muuttaa maailmaa, kehittyvät melkein yhtä nopeasti kuin itse nousevat ja nopeasti kehittyvät tekniikat. Se on ennennäkemätön ongelma: koska tekoäly- ja ML-järjestelmät tarvitsevat paljon dataa toimiakseen tehokkaasti, aiheutamme huolta tietoturvasta ja yksityisyydestä. Laajempiin eettisiin huolenaiheisiin kuuluvat tekoälyn suunnittelun harha ja oikeudenmukaisuus (eli algoritmit voivat tuottaa puolueellisia tuloksia, koska ne on koulutettu aiemmin puolueelliseen dataan) ja se, että algoritmien toteuttamat tarkoitukselliset päätöksentekoprosessit ovat tulkittavissa ja avoimempia kuin ihmisen tekemät. – erityisesti koulutus-, lääke- ja rikosoikeudellisissa skenaarioissa, joissa avoimuus voi olla yhtä tärkeää kuin itse päätös. Automaatioprosessissa poistuu työpaikkoja, kipeästi kaivattua työvoiman hallintaa ja työntekijöiden uudelleenkoulutusstrategioita vaativaa tilannetta – ja niin edelleen. Itse asiassa tämä voidaan muotoilla seuraavasti: SUURI HUOLET:

Tämän työn kärjessä ovat lisääntyvät vaatimukset ilmaista periaatteet ja asettaa standardit tekoäly- ja ML-tekniikoiden suunnittelulle ja käyttöönotolle. Tämä edellyttää laajamittaista kumppanuutta yritysten, poliittisten päättäjien ja muiden sidosryhmien välillä varmistaakseen, että tekoäly- ja ML-tekniikoita kehitetään ja otetaan käyttöön turvallisesti, oikeudenmukaisesti, läpinäkyvästi ja yleisen edun vuoksi.

6. Tulevaisuuden näkymät: äärettömät mahdollisuudet

Jälleen kerran seuraavan teknologiavallankumouksen kynnyksellä – tekoälyssä ja ML:ssä – sama pätee: lääketiede muuttuu, kun potilaille määrätään hoitoja, jotka perustuvat heidän DNA:n tomografiseen skannaukseen; kaupunkimaailmamme rakennetaan uudelleen tekoälyvetoisiin ML-kaupunkeihin, joita käytetään kaikkialla infrastruktuurissamme.

Yhdessä tekoäly ja ML mahdollistavat tulevaisuuden, joka on yhä saumattomampi ja näkymätön, jossa teknologia tukee niin suurta osaa todellisuudestamme. Organisaatioiden, päättäjien ja suuren väestön on hyvä ymmärtää tulevina vuosina, kun tiedetään, mikä heidät erottaa, mitä he voivat saavuttaa ja mihin he törmäävät edelleen. Näiden teknologioiden kehittyessä täysin uusia maailmoja syntyy, toiset putoavat pois ja maailma ympärillämme jatkaa muuttumista silmien kautta, jotka eivät vielä pysty näkemään. Tekoälyvallankumous on vasta alussa. Mahdollisuudet ovat niin rajattomat kuin mielikuvituksemme sallii.

Magda Dąbrowska, WeKnow Median tekninen kirjoittajaMagda Dąbrowska, WeKnow Median tekninen kirjoittaja
Magda Dąbrowska, WeKnow Median tekninen kirjoittaja

WeKnow Median teknisen kirjoittajan Magda Dąbrowskan artikkeli

Kommentoi tätä artikkelia alla tai Twitterin kautta: @IoTNow_

Aikaleima:

Lisää aiheesta IoT Nyt