AI versus ML: het decoderen van de technologieën die onze wereld vormgeven | IoT Now-nieuws en -rapporten

Media In ons dagelijks leven is het steeds moeilijker geworden om de woorden 'Artificial Intelligence (AI)"En"Machine leren (ML)Of het nu in de industrie of in de academische wereld is. Deze technologieën zijn ons dagelijks leven binnengedrongen en transformeren de meeste sectoren van de economie, bouwen nieuwe gebieden van kennis en praktijk op en luiden een nieuw tijdperk in de menselijke geschiedenis in. Maar zelfs nu deze vormen van snel evoluerende intelligentie binnen en buiten de academie zichtbaarder worden, belemmeren hun onnauwkeurige definities, vaagheid over hun modaliteiten en reikwijdte van toepassingen hun volledige begrip. Dit artikel heeft tot doel deze nieuwe technologieën te verduidelijken, ze van elkaar te onderscheiden en hun verstrekkende implicaties te schetsen.

1. AI/ML in de wereld van IoT

Kunstmatige Intelligentie (AI), Machine Learning (ML) en de Internet of Things (IoT) zijn nauw met elkaar verbonden en vertegenwoordigen samen een krachtige triade, die een nieuwe golf van innovatie inluidt. Het trio maakt een nieuwe generatie slimme, zelfaanpassende en zelfoptimaliserende autonome producten en machines mogelijk, die op hun beurt elke sector ontwrichten en transformeren, van productie tot gezondheidszorg. De link tussen AI en ML en IoT is een natuurlijke link:

• Datagedreven intelligentie:

De generatoren van deze gegevens zijn sensoren en slimme apparaten ingebed in alledaagse voorwerpen, in contexten die zo divers zijn als verkeersnetwerken of keukenapparatuur. Het zijn de kracht en bekwaamheid van AI en ML die de computationele intelligentie bieden om de gegevens te verwerken, transformeren en analyseren, en deze om te zetten in bruikbare informatie. IoT vormt de laag voor het vastleggen van gegevens, terwijl AI en ML de analyse-engine vertegenwoordigen die het computationele brein vormt.

In de industrie, IoT-apparaten volgsensoren van apparatuur en machines. ML-algoritmen kunnen verbanden leggen tussen de huidige gegevens en historische gegevens, en vervolgens machine- of apparatuurstoringen, onderhoudsbehoeften en andere problemen voorspellen. Het hele proces is continu en het ML-algoritme kan machineomstandigheden voorspellen op basis van realtime gegevens van IoT-apparaten. Als het oliepeil bijvoorbeeld laag is of als er overmatige trillingen zijn geweest, kunnen de systemen een mogelijke machinestoring voorspellen. Op deze manier kan voorspellend onderhoud de uitvaltijd minimaliseren en de materiaalkosten verlagen zonder de arbeidskosten aanzienlijk te verhogen.

• Verbeterde gebruikerservaring en personalisatie:

Voorbeelden van deze consumententoepassingen zijn te vinden in IoT-apparaten die informatie verzamelen over de interacties en voorkeuren van gebruikers. Door bijvoorbeeld te analyseren hoe u een slim huis gebruikt, kan AI uw verlichting en temperatuur regelen op basis van uw gedrag, waarbij machine learning-algoritmen de voorspellende inspanningen in de loop van de tijd verbeteren als u het blijft gebruiken. Fitnesstrackers kunnen ook ML-algoritmen gebruiken om gezondheidsaanbevelingen te personaliseren.

• Autonome besluitvorming:

Met behulp van AI en ML kunnen IoT-apparaten autonome beslissingen gaan nemen op basis van realtime gegevens. Autonome voertuigen (een ecosysteem van IoT-apparaten) gebruiken bijvoorbeeld ML om sensorgegevens te begrijpen en te beslissen welke rijacties ze op de weg van moment tot moment moeten ondernemen. In onze huizen en kantoren gebruiken energienetwerken AI om de netbelastingen in evenwicht te brengen en de energiedistributie op intelligente wijze te optimaliseren op basis van IoT-gegevens die in realtime worden verstrekt.

• Verbeterde beveiliging:

Beveiliging en cyberaanvallen kunnen in IoT-netwerken binnensluipen. AI en ML kunnen werken als een beveiligingsradar en afwijkingen detecteren in de toestand van IoT-netwerken of in de gegevens die door IoT-apparaten worden gegenereerd om te bepalen of er een aanval plaatsvindt of op het punt staat te gebeuren. AI-aangedreven beveiliging kan het IoT dus veiliger maken – deze systemen kunnen altijd leren van de gegevens die uit de netwerken komen en de te nemen maatregelen bijwerken.

• Operationele efficiëntie:

In het bedrijfsleven en de productie voeren IoT's veel variabelen en parameters in die door ML-algoritmen worden geanalyseerd om de activiteiten te optimaliseren door de hoeveelheid verspilling te verminderen en de efficiëntie te verbeteren. Tegelijkertijd kan AI worden gebruikt om complexere besluitvormingsprocessen te automatiseren en op deze manier de bedrijfsparameters in realtime te optimaliseren.

Kortom, AI en ML zijn onmisbaar voor het IoT, en een slim systeem zal ze alle drie integreren als een intelligent ecosysteem van leren, aanpassen en beslissen: een IoT-aanjager en versneller van toekomstige innovaties, zelf geholpen door slimme regelgeving.

2. Het decoderen van AI en Machine Learning: een vergelijkend overzicht

Artificial Intelligence (AI)

Kunstmatige intelligentie is een vakgebied – of we kunnen zelfs zeggen dat het een discipline is – van de informatica die tot doel heeft systemen te creëren die in staat zijn taken uit te voeren waarvan algemeen wordt aangenomen dat ze menselijke intelligentie vereisen. Enkele van de essentiële kenmerken ervan draaien om het gebruik van concepten als intelligentie en leren, waarmee men het taakuitvoerende vermogen van de AI correleert met het cognitieve vermogen van de mens. Voorbeelden van dergelijke taken zijn onder meer het begrijpen van natuurlijke taal – wat mogelijk weerklank vindt in het menselijke vermogen om te spreken; de patroonherkenning – nauw verwant aan het menselijke waarnemingsvermogen; en het inherent vergelijkbare vermogen om complexe problemen op te lossen die onvoorzienbare moeilijkheden en onverbiddelijke vaagheid en onzekerheid over hun oplossingen met zich meebrengen – zoals puzzels uit de echte wereld voor de intellectueel nieuwsgierige mens. Er wordt algemeen aangenomen dat, hoewel chatbots nauwer doelgericht zijn, AI's het vermogen van computers inhouden om elk van de bovengenoemde taken uit te voeren op een manier die ons zou doen zeggen dat de computer 'slim' is. Dit is wat soms 'intellectuele nabootsing' of 'mimesis' van de menselijke intelligentie wordt genoemd – kortom: leren van ervaringen en 'slim handelen'.

Machine leren (ML)

Machine Learning betreft een bijzonder actief gebied van de kunstmatige intelligentie (AI) dat probeert het vermogen van computers om te leren te codificeren, keuzes te maken of voorspellingen te doen op basis van gegevens, waarbij de behoefte aan menselijke input of begeleiding wordt omzeild. Algoritmen worden getraind op eerder verzamelde datasets totdat ze de onderliggende patronen van die data begrijpen, weloverwogen keuzes maken op basis van wat ze hebben geleerd, en in staat zijn om hun voorspellende vermogen in de toekomst autonoom stapsgewijs te blijven verbeteren. Het doel van ML is om programma's te ontwikkelen die gegevens kunnen exploiteren om beter en flexibeler te worden in het zelfstandig leren, zonder tussenkomst, taak voor taak.

Belangrijkste verschillen:

AI is bedoeld voor het bouwen van een intelligente computer die de problemen op dezelfde manier oplost als een mens, terwijl ML het voor een robot mogelijk maakt om van de gegevens te leren om zo een nauwkeurige voorspelling te kunnen doen.

Functionaliteit: de machine gebruikt een vooraf geschreven rulebook (vaak past het systeem de regels aan op basis van de resultaten) terwijl het ML-systeem een ​​patroonwolk van verwachte invoer volgt die tot een antwoord leidt.

3. Wat ze naar voren brengen: mogelijkheden en toepassingen

AI's bijdragen:

Kunstmatige intelligentie is behoorlijk goed in het automatiseren van routinetaken. Of het nu gaat om eenvoudige taken zoals gegevensinvoer, of om de verborgen processen die deze beslissingen voeden, het maximaliseert de efficiëntie en productiviteit.

• Cognitieve diensten:

Dankzij cognitieve diensten (voor taalbegrip, spraak en visie) is de computer uitgerust met een breder scala aan interacties met mensen.

• Besluitvorming:

AI-systemen kunnen betekenisvolle conclusies over het heden trekken door gegevens uit het verleden en het heden te vergelijken en te contrasteren, en zo geïnformeerde verbindingen en syntheses te maken van grote hoeveelheden input.

ML's bijdragen:

• Voorspellende analyse:

ML-modellen zijn uitstekend in het voorspellen en voorspellen van trends en gedrag op basis van gegevens uit het verleden, en dit is waar ze kunnen worden toegepast, zoals in de financiële, medische en marketingsector.

• Patroonherkenning:

Een van de meest succesvolle ML-toepassingen is het leren herkennen van verborgen patronen in gegevens, zoals afwijkende activiteiten op het gebied van cyberbeveiliging of veelbetekenende ziekteverschijnselen in de diagnostische geneeskunde.

• Individualisering:

ML produceert gebruikerservaringen op maat, afhankelijk van hoe een individuele gebruiker in het verleden met de service heeft gereageerd, en kan worden gebruikt om services voor e-commerce, entertainment en nog veel meer te verbeteren.

4. De synergetische relatie: hoe AI en ML elkaar aanvullen

Die relatie ondersteunt elkaar ook wederzijds, waarbij de wetenschap in de ene wordt teruggekoppeld om de andere opkomende wetenschap te verbeteren en te informeren, en de resulterende systemen in de loop van de tijd capabeler en cognitief krachtiger worden. AI is de organisator: het vakgebied van de kunstmatige intelligentie definieert de algemene doelen en architecturen voor het bouwen van machines die in principe aspecten van menselijke intelligentie kunnen vertonen. ML is de toolkit: het gebied van machinaal leren levert de methoden en technieken waarmee deze machines dingen uit gegevens kunnen leren, beter kunnen worden door te oefenen en beslissingen kunnen nemen.

• Verbeterde leermogelijkheden: Het afstemmen op de 'trillingen' van de mensheid in de echte wereld is dus cruciaal. AI-systemen zijn bedoeld om te worden geïnformeerd door menselijke intelligentie en ML stelt machines in staat om van ervaringen te leren, zoals mensen dat doen. Als statistisch leren een brug slaat tussen machines en mensen, dan heeft ML enige belofte: de datagestuurde systemen moeten leren hoe ze moeten ‘herkalibreren’ (zoals mensen doen) wanneer ze worden geconfronteerd met nieuwe voorbeelden van ‘menselijk’ gedrag (bijvoorbeeld autorijden, interactie met andere mensen, enzovoort).

• Datagestuurde besluitvorming: 'Slim' zijn in AI betekent 'een goede beslisser zijn'. ML is (waarschijnlijk) een nulhypothese voor de beste manier om AI snel beslissingen te laten nemen door het de tools te geven om veel gegevens te analyseren over wat de AI-objecten op elk moment doen, om erachter te komen wat de patronen in die gegevens zijn, en gebruik vervolgens (maakt een voorspelling) analyse en patroonherkenning om de volgende beslissing te nemen.

• Voorspellende kracht en personalisatie: In veel andere opzichten is ML een effectief hulpmiddel om mogelijk te maken wat AI’s voor gebruikers moeten bereiken: gepersonaliseerde ervaring en resultaatvoorspelling. ML is geweldig in het leveren van een gepersonaliseerde ervaring aan een gebruiker van een e-commerce website, een videostreamingdienst of een klantenserviceplatform, omdat het datapunten verzamelt over wat de gebruiker in het verleden heeft gedaan en voorspelt wat die gebruiker uiteindelijk zal doen. .

• Autonome verbetering: Een fundamenteel aspect van het concept van AI is het vermogen om een ​​autonoom systeem te ontwerpen. ML gaat nog een stap verder, omdat systemen niet alleen worden ontworpen om autonoom te werken, maar om de prestaties autonoom te optimaliseren (bijvoorbeeld door te leren van de gegevens die worden verkregen na het opstarten). Bij een systeem als een autonome auto die moet ‘leren’ omgaan met een onbekende omgeving, is zo’n verbeterlus essentieel. Complex.

• Probleemoplossing: Aupiter AI probeert het hardnekkige in de eerder genoemde computationele ruimte van echte problemen aan te pakken, waar alle praktische oplossingen hopeloos ingewikkeld lijken en de voor de hand liggende, gemakkelijke wegen vastlopen. ML vergroot de complexiteit door een paradigma te leveren dat gebaseerd is op het combineren van meerdere modaliteiten (bijvoorbeeld sets algoritmen zoals neurale netwerken) om de complexiteit van de echte wereld te evenaren en gebruik te maken van hoge complexiteit, grotendeels ongestructureerde gegevens die meestal beschikbaar zijn in de echte wereld.

Voeg deze twee samen en je hebt een exponentieel versnellend technologisch ecosysteem – waarin het vermogen van ML om 'inductieve' modellen te bouwen en te leren leren door iteratieve ontwikkeling van data, kan worden gekoppeld aan de nog ambitieuzere agenda van AI, van het modelleren van menselijke intelligentie tot het creëren van steeds generalistischere 'generatieve' systemen die een breed scala aan complexe taken aankunnen, door innovatiegrenzen heen knallen en hele industrieën een boost geven.

5. Uitdagingen en ethische overwegingen

Bij vrijwel alle snel voortschrijdende en potentieel ontwrichtende technologieën voor AI en machinaal leren (ML) merken we al snel dat de zorgen over hoe de technologie de wereld zou kunnen veranderen bijna net zo snel evolueren als de opkomende en snel voortschrijdende technologieën zelf. Het is een probleem dat nog nooit eerder is voorgekomen: omdat AI- en ML-systemen een grote hoeveelheid data nodig hebben om effectief te kunnen functioneren, veroorzaken we zorgen over databeveiliging en privacy. De bredere ethische zorgen omvatten de kwesties van vooringenomenheid en eerlijkheid bij het ontwerp van AI (dat wil zeggen dat algoritmen vertekende resultaten kunnen opleveren omdat ze eerder zijn getraind op bevooroordeelde gegevens) en dat opzettelijke besluitvormingsprocessen die door algoritmen worden geïmplementeerd, beter interpreteerbaar en opener zijn dan menselijke processen. – vooral in educatieve, medische en strafrechtelijke scenario's, waar transparantie net zo belangrijk kan zijn als een beslissing zelf. Er zullen banen verdwijnen tijdens het automatiseringsproces, een situatie die het broodnodige personeelsbeheer en omscholingsstrategieën voor werknemers vereist – enzovoort. In feite kan dit worden geparafraseerd als: DE GROTE ZORGEN:

Aan de spits van dit werk staan ​​steeds meer oproepen om principes te verkondigen en normen op te leggen voor het ontwerp en de inzet van AI- en ML-technologieën. Dit vereist een grootschalig partnerschap tussen bedrijven, beleidsmakers en andere belanghebbenden om ervoor te zorgen dat AI- en ML-technologieën veilig, eerlijk, transparant en voor het algemeen belang worden ontwikkeld en ingezet.

6. Het toekomstperspectief: oneindige mogelijkheden

Aan de vooravond van de volgende technologische revolutie – op het gebied van AI en ML – geldt opnieuw hetzelfde: de geneeskunde zal transformeren naarmate patiënten behandelingen voorgeschreven krijgen op basis van tomografisch scannen van hun DNA; onze stedelijke levenswerelden zullen worden herschikt in AI-aangedreven ML-steden die overal in onze infrastructuur worden ingezet.

Alles bij elkaar maken AI en ML een toekomst mogelijk, die steeds naadlooser en onzichtbaarder wordt, waarin technologie een groot deel van onze realiteit ondersteunt. Weten wat hen scheidt, wat ze kunnen bereiken en waar ze tegen muren zullen blijven botsen, is iets dat zowel organisaties, beleidsmakers als de algemene bevolking de komende jaren goed zullen kunnen begrijpen. Nu deze technologieën zich nog steeds ontwikkelen, zullen er geheel nieuwe werelden ontstaan, andere zullen verdwijnen, en de wereld om ons heen zal blijven veranderen door ogen die nog niet kunnen beginnen te zien. De AI-revolutie is nog maar net begonnen. De mogelijkheden zijn zo grenzeloos als onze verbeelding toelaat.

Artikel door Magda Dąbrowska, technisch schrijver bij WeKnow Media

Reageer hieronder of via Twitter op dit artikel: @IoTNow_

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/