AI vs ML: decodificare le tecnologie che modellano il nostro mondo | IoT Now Notizie e rapporti

Media Nella nostra vita quotidiana è diventato sempre più difficile evitare di sentire le parole "Artificial Intelligence (AI)' e 'Apprendimento automatico (ML)sia nell'industria che nel mondo accademico. Queste tecnologie sono entrate nella nostra vita quotidiana e stanno trasformando la maggior parte dei settori dell’economia, costruendo nuove sfere di conoscenza e pratica e inaugurando una nuova era nella storia umana. Tuttavia, anche se queste forme di intelligenza in rapida evoluzione diventano più visibili all’interno e all’esterno del mondo accademico, le loro definizioni imprecise, la vaghezza riguardo alle loro modalità e alla portata delle applicazioni ne impediscono la piena comprensione. Questo articolo mira a chiarire queste nuove tecnologie, distinguerle le une dalle altre e delineare le loro ampie implicazioni.

1. AI/ML nel mondo dell'IoT

Intelligenza Artificiale (AI), Machine Learning (ML) e altri Internet of Things (IoT) sono strettamente collegati e insieme rappresentano una potente triade, inaugurando una nuova ondata di innovazione. Il trio sta consentendo una nuova generazione di prodotti e macchine autonomi intelligenti, autoregolanti e auto-ottimizzanti, che a loro volta stanno rivoluzionando e trasformando ogni settore, dalla produzione all’assistenza sanitaria. Il collegamento tra AI, ML e IoT è naturale:

• Intelligenza basata sui dati:

I generatori di questi dati sono sensori e dispositivi intelligenti incorporati in oggetti di uso quotidiano, in contesti diversi come le reti stradali o gli elettrodomestici da cucina. Sono la potenza e l’abilità dell’intelligenza artificiale e del machine learning a fornire l’intelligenza computazionale per elaborare, trasformare e analizzare i dati e trasformarli in informazioni fruibili. L’IoT costituisce il livello di acquisizione dei dati, mentre AI e ML rappresentano il motore di analisi che costituisce il cervello computazionale.

Nell'industria, dispositivi IoT tracciare i sensori di attrezzature e macchinari. Gli algoritmi ML possono identificare i collegamenti tra i dati attuali e i dati storici e quindi prevedere guasti di macchine o apparecchiature, esigenze di manutenzione e altri problemi. L'intero processo è continuo e l'algoritmo ML può prevedere le condizioni della macchina sulla base dei dati in tempo reale provenienti dai dispositivi IoT. Ad esempio, se i livelli dell’olio sono bassi o si sono verificate vibrazioni eccessive, i sistemi potrebbero prevedere un potenziale guasto della macchina. In questo modo, la manutenzione predittiva può ridurre al minimo i tempi di inattività e abbassare i costi dei materiali senza aumentare significativamente i costi della manodopera.

• Esperienza utente e personalizzazione migliorate:

Esempi di queste applicazioni consumer possono essere trovati nei dispositivi IoT che raccolgono informazioni sulle interazioni e preferenze degli utenti. Ad esempio, analizzando il modo in cui utilizzi una casa intelligente, l’intelligenza artificiale potrebbe controllare l’illuminazione e la temperatura in base al tuo comportamento, con algoritmi di apprendimento automatico che migliorano gli sforzi predittivi nel tempo se continui a utilizzarla. I fitness tracker possono anche utilizzare algoritmi ML per personalizzare i consigli sulla salute.

• Processo decisionale autonomo:

Utilizzando l’intelligenza artificiale e il machine learning, i dispositivi IoT possono iniziare a prendere decisioni autonome basate su dati in tempo reale. I veicoli autonomi (un ecosistema di dispositivi IoT), ad esempio, utilizzano il machine learning per comprendere i dati dei sensori e decidere quali azioni di guida intraprendere momento per momento sulla strada. Nelle nostre case e nei nostri uffici, le reti energetiche utilizzano l’intelligenza artificiale per bilanciare i carichi di rete e ottimizzare in modo intelligente la distribuzione dell’energia sulla base dei dati IoT forniti in tempo reale.

• Sicurezza avanzata:

Sicurezza e attacchi informatici possono insinuarsi nelle reti IoT. L’intelligenza artificiale e il machine learning possono funzionare come un radar di sicurezza e rilevare anomalie nello stato delle reti IoT o nei dati generati dai dispositivi IoT per stabilire se un attacco è in corso o sta per verificarsi. La sicurezza basata sull’intelligenza artificiale può quindi rendere l’IoT più sicuro: questi sistemi possono sempre imparare dai dati provenienti dalle reti e aggiornare le misure da adottare.

• Efficienza operativa:

Negli affari e nella produzione, gli IoT inseriscono molte variabili e parametri che vengono analizzati da algoritmi ML per ottimizzare le operazioni riducendo la quantità di rifiuti e migliorando l’efficienza. Allo stesso tempo l’intelligenza artificiale può essere utilizzata per automatizzare processi decisionali più complessi, e in questo modo ottimizzare, in tempo reale, i parametri operativi.

In breve, l’intelligenza artificiale e il machine learning sono indispensabili per l’IoT e un sistema intelligente li integrerà tutti e tre come un ecosistema intelligente di apprendimento, adattamento e decisione: un motore IoT e un acceleratore di innovazioni future, a sua volta aiutato dalla regolamentazione intelligente.

2. Decodifica dell'intelligenza artificiale e apprendimento automatico: una panoramica comparativa

Artificial Intelligence (AI)

L’Intelligenza Artificiale è un campo – o potremmo anche dire una disciplina – dell’informatica che mira a creare sistemi in grado di eseguire compiti che comunemente sono considerati come richiedenti l’intelligenza umana. Alcuni dei suoi tratti essenziali ruotano attorno all'uso di concetti come intelligenza e apprendimento, attraverso i quali si correla la capacità di eseguire compiti dell'intelligenza artificiale con la facoltà cognitiva dell'essere umano. Esempi di tali compiti includono la comprensione del linguaggio naturale – che potrebbe entrare in risonanza con la capacità umana di parlare; IL riconoscimento del modello – strettamente legato alla facoltà umana di percezione; e la capacità intrinsecamente comparabile di risolvere problemi complessi che comportano difficoltà imprevedibili e inesorabile vaghezza e incertezza riguardo alle loro soluzioni – come enigmi tratti dal mondo reale per l’essere umano intellettualmente curioso. È opinione diffusa che, mentre i chatbot sono più strettamente orientati agli obiettivi, le IA implicano la capacità dei computer di eseguire qualsiasi compito sopra menzionato in un modo che ci indurrebbe a dire che il computer è “intelligente”. Questo è ciò che a volte viene chiamato “mimetismo intellettuale” o “mimesi” dell'intelligenza umana – in breve, imparare dall'esperienza e “agire in modo intelligente”.

Apprendimento automatico (ML)

Il Machine Learning riguarda un’area particolarmente attiva dell’Intelligenza Artificiale (AI) che cerca di codificare la capacità dei computer di apprendere, fare scelte o previsioni basate sui dati, aggirando la necessità di input o guida umana. Gli algoritmi vengono addestrati su set di dati raccolti in precedenza fino a quando non comprendono i modelli sottostanti di tali dati, fanno scelte informate in base a ciò che hanno imparato e sono in grado di continuare a migliorare in modo incrementale la propria capacità predittiva in modo autonomo in futuro. L'obiettivo di ML è sviluppare programmi in grado di sfruttare i dati per diventare migliori, più adattabili nell'apprendimento autonomo, senza intervento, compito per compito.

Differenze chiave:

L’intelligenza artificiale serve per costruire un computer intelligente che risolva i problemi in modo analogo a come fa un essere umano, mentre l’ML consente a un robot di apprendere dai dati in modo da elaborare previsioni accurate.

Funzionalità: la macchina utilizza un regolamento pre-scritto (spesso il sistema modifica e "modifica" le regole in base ai risultati) mentre il sistema ML segue uno schema di input attesi che porta a una risposta.

3. Cosa portano in tavola: capacità e applicazioni

I contributi dell'IA:

L’intelligenza artificiale è piuttosto brava ad automatizzare le attività di routine: che si tratti di lavori semplici come l’immissione di dati o di processi nascosti che alimentano tali decisioni, massimizza l’efficienza e la produttività.

• Servizi cognitivi:

Grazie ai servizi cognitivi (per la comprensione del linguaggio, la parola e la vista), il computer è dotato di una più ampia gamma di interazioni con l'uomo.

• Il processo decisionale:

I sistemi di intelligenza artificiale possono raggiungere conclusioni significative sul presente confrontando e contrapponendo dati passati e presenti, creando connessioni informate e sintesi di risme di input.

Contributi di ML:

• Analisi predittiva:

I modelli ML sono eccellenti nel predire tendenze e comportamenti a partire da dati passati, ed è qui che possono essere applicati, come nei settori finanziario, medico e di marketing.

• Riconoscimento del modello:

Una delle applicazioni ML di maggior successo è imparare a riconoscere modelli sepolti nei dati, come attività anomale nella sicurezza informatica o segni rivelatori di malattie nella medicina diagnostica.

• Individualizzazione:

Il ML produce esperienze utente personalizzate a seconda di come un singolo utente ha interagito con il servizio in passato e potrebbe essere utilizzato per migliorare i servizi di e-commerce, intrattenimento e molto altro.

4. La relazione sinergica: come AI e ML si completano a vicenda

Questa relazione è anche di reciproco sostegno, con la scienza di una che reagisce per migliorare e informare l’altra scienza nascente, e i sistemi risultanti che diventano nel tempo più capaci e cognitivamente potenti. L'intelligenza artificiale è l'organizzatore: il campo dell'intelligenza artificiale definisce gli obiettivi generali e le architetture per la costruzione di macchine che, in linea di principio, possono presentare aspetti dell'intelligenza umana. Il machine learning è il toolkit: il campo del machine learning fornisce i metodi e le tecniche che consentono a queste macchine di apprendere cose dai dati, migliorare con la pratica e prendere decisioni.

• Capacità di apprendimento migliorate: Quindi sintonizzarsi con le “vibrazioni” dell’umanità nel mondo reale è cruciale. I sistemi di intelligenza artificiale sono pensati per essere informati dall’intelligenza umana e il machine learning consente alle macchine di apprendere dall’esperienza, proprio come fanno gli esseri umani. Se l’apprendimento statistico unisce macchine ed esseri umani, allora il machine learning ha qualche promessa: i sistemi basati sui dati devono imparare a “ricalibrarsi” (come fanno gli esseri umani) di fronte a nuovi esempi di comportamento “umano” (ad esempio, guidare, interagire con altri). umani e così via).

• Processo decisionale basato sui dati: Essere "intelligenti" nell'intelligenza artificiale significa "essere un buon decisore". Il ML è (probabilmente) un'ipotesi nulla su come rendere l'IA veloce nel prendere decisioni fornendogli gli strumenti per analizzare molti dati su qualunque cosa gli oggetti dell'IA stiano facendo in ogni momento, capire quali sono gli schemi in quei dati e quindi (fa una previsione) usa l'analisi e il riconoscimento dei modelli per prendere la decisione successiva.

• Potere predittivo e personalizzazione: In molti altri modi, il machine learning è uno strumento efficace per rendere possibile ciò per cui le IA sono progettate per raggiungere gli utenti: esperienza personalizzata e previsione dei risultati. Il machine learning è ottimo nel fornire un'esperienza personalizzata a un utente di un sito di e-commerce, di un servizio di streaming video o di una piattaforma di assistenza clienti perché prende dati su ciò che l'utente ha fatto in passato e prevede cosa farà alla fine quell'utente .

• Miglioramento autonomo: Un aspetto fondamentale del concetto di AI è la capacità di progettare un sistema autonomo. Il ML fa un ulteriore passo avanti, poiché i sistemi non sono progettati solo per funzionare in modo autonomo, ma per ottimizzare le prestazioni in modo autonomo (ad esempio, imparando dai dati ottenuti dopo l'avvio). Nel caso di un sistema come un'auto autonoma che deve "imparare" come affrontare un ambiente sconosciuto, tale ciclo di miglioramento è essenziale. Complesso.

• Problem-solving: Aupiter AI cerca di affrontare l'intrattabile nel suddetto spazio computazionale dei problemi del mondo reale, dove tutte le soluzioni pratiche sembrano essere irrimediabilmente complicate e le strade ovvie e facili si incagliano. Il ML aumenta la complessità fornendo un paradigma basato sulla fusione di più modalità (ad esempio, set di algoritmi come reti neurali) per soddisfare la complessità del mondo reale e sfruttare dati ad elevata complessità, in gran parte non strutturati, disponibili per lo più nel mondo reale.

Metti insieme le due cose e avrai un ecosistema tecnologico in accelerazione esponenziale, in cui la capacità del machine learning di costruire modelli “induttivi” e imparare ad apprendere attraverso lo sviluppo iterativo dai dati, può essere alleata con l’agenda ancora più ambiziosa dell’intelligenza artificiale, di modellare l’intelligenza umana per creare sistemi “generativi” sempre più generalisti in grado di padroneggiare un’ampia varietà di compiti complessi, superare i confini dell’innovazione e mettere il turbo a interi settori.

5. Sfide e considerazioni etiche

Con praticamente tutte le tecnologie in rapido avanzamento e potenzialmente dirompenti per l’intelligenza artificiale e l’apprendimento automatico (ML), scopriamo rapidamente che le preoccupazioni su come la tecnologia potrebbe cambiare il mondo si evolvono quasi con la stessa rapidità delle tecnologie emergenti e in rapido progresso stesse. Si tratta di un problema senza precedenti: poiché i sistemi di intelligenza artificiale e ML necessitano di volumi di dati per funzionare in modo efficace, generiamo preoccupazioni sulla sicurezza e sulla privacy dei dati. Le preoccupazioni etiche più ampie includono le questioni di parzialità e di equità nella progettazione dell'intelligenza artificiale (ovvero, gli algoritmi potrebbero produrre risultati distorti perché sono stati addestrati in precedenza su dati distorti) e che i processi decisionali intenzionali implementati dall'algoritmo sono più interpretabili e aperti di quelli umani. – soprattutto negli scenari educativi, medici e di giustizia penale, dove la trasparenza può essere importante quanto una decisione stessa. Ci saranno posti di lavoro eliminati nel processo di automazione, una situazione che richiede la gestione della forza lavoro e strategie di riqualificazione dei dipendenti – e così via. In realtà, questo può essere parafrasato in: LE GRANDI PREOCCUPAZIONI:

All’avanguardia di questo lavoro stanno crescendo le richieste di enunciare principi e imporre standard per la progettazione e l’implementazione delle tecnologie AI e ML. Ciò richiederà una partnership su larga scala tra aziende, decisori politici e altre parti interessate per garantire che le tecnologie di intelligenza artificiale e machine learning siano sviluppate e implementate in modo sicuro, equo, trasparente e per il bene pubblico.

6. Le prospettive future: infinite possibilità

Ancora una volta, all’apice della prossima rivoluzione tecnologica – nell’intelligenza artificiale e nel machine learning – si applica lo stesso: la medicina si trasformerà man mano che ai pazienti verranno prescritti trattamenti basati sulla scansione tomografica del loro DNA; i nostri mondi di vita urbani saranno riformulati in città ML guidate dall’intelligenza artificiale distribuite in tutta la nostra infrastruttura.

Nel loro insieme, l’intelligenza artificiale e il machine learning stanno consentendo un futuro, sempre più fluido e invisibile, in cui la tecnologia è alla base di gran parte della nostra realtà. Sapere cosa li separa, cosa possono realizzare e dove continueranno a sbattere contro i muri è qualcosa che le organizzazioni, i politici e la popolazione in generale dovranno capire negli anni a venire. Con queste tecnologie ancora in evoluzione, emergeranno mondi completamente nuovi, altri scompariranno e il mondo intorno a noi continuerà a cambiare attraverso occhi che non possono ancora iniziare a vedere. La rivoluzione dell’intelligenza artificiale è solo all’inizio. Le possibilità sono illimitate quanto la nostra immaginazione lo consentirà.

Articolo di Magda Dąbrowska, scrittrice tecnica presso WeKnow Media

Commenta questo articolo qui sotto o tramite Twitter: @IoTNow_

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/