AI vs. ML: Dekoding av teknologiene som former vår verden | IoT nå nyheter og rapporter

Media I vår hverdag har det blitt stadig vanskeligere å unngå å høre ordene 'Artificial Intelligence (AI)'Og'Maskinlæring (ML)enten i industri eller akademia. Disse teknologiene har kommet inn i våre daglige liv og transformerer de fleste sektorer av økonomien, bygger nye sfærer av kunnskap og praksis, og innleder en ny æra i menneskets historie. Men selv om disse formene for raskt utviklende intelligens blir mer synlige i og utenfor akademiet, hindrer deres upresise definisjoner, vaghet om deres modaliteter og anvendelsesområde deres fulle forståelse. Denne artikkelen tar sikte på å klargjøre disse nye teknologiene, skille dem fra hverandre og skissere deres omfattende implikasjoner.

1. AI/ML i IoT-verdenen

Kunstig intelligens (AI), maskinlæring (ML) og Internet of Things (IOT) er intrikat knyttet sammen og representerer sammen en mektig triade, som innleder en ny bølge av innovasjon. Trioen muliggjør en ny generasjon av smarte, selvjusterende og selvoptimaliserende autonome produkter og maskiner, som igjen forstyrrer og transformerer hver sektor fra produksjon til helsevesen. Koblingen mellom AI og ML og IoT er naturlig:

• Datadrevet intelligens:

Generatorene av disse dataene er sensorer og smarte enheter innebygd i hverdagsobjekter, i så forskjellige sammenhenger som trafikknettverk eller kjøkkenapparater. Det er kraften og dyktigheten til AI og ML som gir den beregningsmessige intelligensen til å behandle, transformere og analysere dataene, og gjøre dem om til handlingsvennlig informasjon. IoT danner datafangstlaget, mens AI og ML representerer analysemotoren som utgjør beregningshjernen.

I industrien, IoT-enheter sporsensorer av utstyr og maskiner. ML-algoritmer kan identifisere koblinger mellom gjeldende data og historiske data, og deretter forutsi maskin- eller utstyrsfeil, vedlikeholdsbehov og andre problemer. Hele prosessen er kontinuerlig, og ML-algoritmen kan forutsi maskinforhold basert på sanntidsdata fra IoT-enheter. For eksempel, hvis oljenivået er lavt eller det har vært overdreven vibrasjon, kan systemene forutsi et potensielt maskinhavari. På denne måten kan prediktivt vedlikehold minimere nedetid og redusere materialkostnader uten å øke arbeidskostnadene betydelig.

• Forbedret brukeropplevelse og personalisering:

Eksempler på disse forbrukerapplikasjonene finnes i IoT-enheter som samler inn informasjon om brukernes interaksjoner og preferanser. For eksempel, ved å analysere hvordan du bruker et smart hjem, kan AI kontrollere belysningen og temperaturen din basert på oppførselen din, med maskinlæringsalgoritmer som forbedrer den prediktive innsatsen over tid hvis du fortsetter å bruke den. Treningssporere kan også bruke ML-algoritmer for å tilpasse helseanbefalinger.

• Autonom beslutningstaking:

Ved å bruke AI og ML kan IoT-enheter begynne å ta autonome beslutninger basert på sanntidsdata. Autonome kjøretøy (et økosystem av IoT-enheter) bruker for eksempel ML for å forstå sensordata og bestemme hvilke kjørehandlinger som skal utføres øyeblikk for øyeblikk på veien. I våre hjem og kontorer bruker energinett AI for å balansere nettbelastninger og intelligent optimalisere energidistribusjonen basert på IoT-data levert i sanntid.

• Forbedret sikkerhet:

Sikkerhet og cyberangrep kan krype inn i IoT-nettverk. AI og ML kan fungere som sikkerhetsradar og oppdage uregelmessigheter i tilstanden til IoT-nettverk eller i dataene generert av IoT-enheter for å fortelle om et angrep skjer eller er i ferd med å skje. AI-drevet sikkerhet kan derfor gjøre IoT sikrere – disse systemene kan alltid lære av dataene som kommer fra nettverkene og oppdatere tiltakene for å ta i bruk.

• Operasjonell effektivitet:

I virksomhet og produksjon legger IoT-er inn mange variabler og parametere som analyseres av ML-algoritmer for å optimalisere driften ved å kutte ned på mengden avfall og forbedre effektiviteten. AI kan samtidig brukes til å automatisere mer komplekse beslutningsprosesser, og på denne måten optimalisere, i sanntid, driftsparametrene.

Kort sagt, AI og ML er uunnværlige for IoT, og et smart system vil integrere alle tre som et intelligent økosystem for læring, tilpasning og avgjørelse: en IoT-driver og akselerator for fremtidige innovasjoner, selv hjulpet på vei av smart regulering.

2. Dekoding av AI og maskinlæring: En komparativ oversikt

Artificial Intelligence (AI)

Kunstig intelligens er et felt – eller vi kan til og med si disiplin – innen informatikk som tar sikte på å lage systemer som er i stand til å utføre oppgaver som vanligvis anses å kreve menneskelig intelligens. Noen av dens essensielle karakterer dreier seg om bruken av begreper som intelligens og læring, der man korrelerer AIs evne til å utføre oppgaver med menneskets kognisjonsevne. Eksempler på slike oppgaver inkluderer forståelse av naturlig språk – som kan gi gjenklang med menneskets evne til å snakke; de mønstergjenkjenning – nært knyttet til det menneskelige persepsjonsevnen; og den iboende sammenlignbare evnen til å løse komplekse problemer som involverer uforutsigbare vanskeligheter og ubønnhørlig vaghet og usikkerhet med hensyn til deres løsninger – som gåter hentet fra den virkelige verden for det intellektuelt nysgjerrige mennesket. Det er en utbredt oppfatning at mens chatbots er mer snevert målorienterte, involverer AI-er datamaskiners evne til å utføre noen av de ovennevnte oppgavene på en måte som vil få oss til å si at datamaskinen er "smart". Dette er det som noen ganger kalles "intellektuell mimikk" eller "mimesis" av den menneskelige intelligensen - kort sagt, for å lære av erfaring og "handle smart".

Maskinlæring (ML)

Maskinlæring dreier seg om et spesielt aktivt område innen kunstig intelligens (AI) som prøver å kodifisere datamaskiners evne til å lære, ta valg eller spådommer basert på data, og omgå behovet for menneskelig input eller veiledning. Algoritmer trenes på tidligere innsamlede datasett til de forstår de underliggende mønstrene til disse dataene, tar informerte valg basert på det de har lært, og er i stand til å fortsette å gradvis forbedre sin prediksjonskapasitet autonomt fremover. MLs mål er å utvikle programmer som er i stand til å utnytte data for å bli bedre, mer tilpasningsdyktige til å lære på egen hånd, uten intervensjon, oppgave for oppgave.

Viktige forskjeller:

AI er for å bygge en intelligent datamaskin som løser problemene på samme måte som et menneske gjør, mens ML lar en robot lære av dataene for å tegne en nøyaktig prognose.

Funksjonalitet: Maskinen bruker en forhåndsskrevet regelbok (ofte bøyer systemet og "tweaks" regler basert på resultater) versus ML-systemet følger en mønstersky av forventede innganger som fører til et svar.

3. Hva de bringer til bordet: Evner og applikasjoner

AIs bidrag:

Kunstig intelligens er ganske god til å automatisere rutineoppgaver – enten disse er enkle jobber som dataregistrering eller de skjulte prosessene som mater disse beslutningene, maksimerer det effektiviteten og produktiviteten.

• Kognitive tjenester:

Takket være kognitive tjenester (for språkforståelse, tale og syn) er datamaskinen utstyrt med et bredere spekter av interaksjon med mennesker.

• Beslutningstaking:

AI-systemer kan nå meningsfulle konklusjoner om nåtiden ved å sammenligne og kontrastere tidligere og nåværende data, lage informerte forbindelser og syntese av mengder av input.

MLs bidrag:

• Prediktiv analyse:

ML-modeller er gode til å forutsi og forutsi trender og atferd fra tidligere data, og det er her de kan brukes, som i finans-, medisinsk- og markedsføringssektorene.

• Mønstergjenkjenning:

En av de mest vellykkede ML-applikasjonene er å lære å gjenkjenne nedgravde mønstre i data, for eksempel unormal aktivitet innen cybersikkerhet eller avslørende tegn på sykdom i diagnostisk medisin.

• Individualisering:

ML produserer tilpassede brukeropplevelser avhengig av hvordan en individuell bruker har samhandlet med tjenesten tidligere, og kan brukes til å forbedre tjenester for e-handel, underholdning og mye mer.

4. Det synergistiske forholdet: Hvordan AI og ML utfyller hverandre

Dette forholdet er også gjensidig støttende, med vitenskapen i den ene som gir tilbakemelding for å forbedre og informere den andre spirende vitenskapen, og de resulterende systemene blir mer kapable og kognitivt kraftige over tid. AI er arrangøren: feltet kunstig intelligens definerer de overordnede målene og arkitekturene for å bygge maskiner som i prinsippet kan vise aspekter av menneskelig intelligens. ML er verktøysettet: Maskinlæringsfeltet leverer metodene og teknikkene som lar disse maskinene lære ting fra data, bli bedre med praksis og ta beslutninger.

• Forbedrede læringsevner: Så det er avgjørende å tune inn på menneskehetens 'vibrasjoner' i den virkelige verden. AI-systemer er ment å bli informert av menneskelig intelligens, og ML lar maskiner lære av erfaring, på den måten som mennesker gjør. Hvis statistisk læring bygger bro mellom maskiner og mennesker, så har ML et løfte - de datadrevne systemene må lære å "rekalibrere" (som mennesker gjør) når de står overfor nye eksempler på "menneskelig" atferd (for eksempel kjøring, samhandling med andre) mennesker og så videre).

• Datadrevet beslutningstaking: Å være "smart" i AI betyr "å være en god beslutningstaker". ML er (sannsynligvis) en nullhypotese for hvordan man best kan gjøre AI rask til å ta beslutninger ved å gi den verktøyene til å analysere mye data om hva AI-objektene gjør hvert øyeblikk, finne ut hva mønstrene er i disse dataene, og deretter (gjør en prediksjon) bruk analyse og mønstergjenkjenning for å ta neste beslutning.

• Prediktiv kraft og personalisering: På mange andre måter er ML et effektivt verktøy for å muliggjøre det AI-er er designet for å oppnå for brukere: personlig tilpasset opplevelse og resultatprediksjon. ML er flott når det gjelder å levere en personlig opplevelse til en bruker av et e-handelsnettsted, en videostrømmetjeneste eller en kundeserviceplattform fordi den tar datapunkter om hva brukeren har gjort tidligere og forutsier hva den brukeren til slutt vil gjøre .

• Autonom forbedring: Et grunnleggende aspekt ved begrepet AI er evnen til å designe et autonomt system. ML tar dette et skritt videre, siden systemer ikke bare blir designet for å fungere autonomt, men for å optimalisere ytelsen autonomt (for eksempel ved å lære av dataene som er hentet etter oppstart). I tilfelle av et system som en autonom bil som trenger å "lære" hvordan man håndterer et ukjent miljø, er en slik forbedringssløyfe avgjørende. Kompleks.

• Problemløsning: Aupiter AI søker å takle det vanskelige i det nevnte beregningsrommet med problemer i den virkelige verden, der alle praktiske løsninger ser ut til å være håpløst kompliserte, og de åpenbare, enkle veiene går på grunn. ML forener kompleksiteten ved å levere et paradigme basert på å blande flere modaliteter (f.eks. sett med algoritmer som f.eks. nevrale nett) for å matche kompleksiteten i den virkelige verden og utnytte høy kompleksitet, stort sett ustrukturerte data som for det meste er tilgjengelig i den virkelige verden.

Sett de to sammen, og du har et eksponentielt akselererende teknologisk økosystem – der MLs evne til å bygge 'induktive' modeller, og lære å lære ved iterativ utvikling fra data, kan allieres med AIs enda mer ambisiøse agenda, med å modellere menneskelig intelligens til skape stadig mer generalistiske 'generative' systemer som kan mestre et bredt spekter av komplekse oppgaver, sprenge gjennom innovasjonsgrenser og sette turbo i hele bransjer.

5. Utfordringer og etiske hensyn

Med praktisk talt alle raskt fremmende og potensielt forstyrrende teknologier for AI og maskinlæring (ML), oppdager vi raskt at bekymringer for hvordan teknologien kan endre verden utvikler seg nesten like raskt som de nye og raskt fremskredende teknologiene selv. Det er et problem uten sidestykke: Fordi AI- og ML-systemer trenger datamengder for å fungere effektivt, genererer vi bekymringer om datasikkerhet og personvern. De bredere etiske bekymringene inkluderer spørsmål om skjevhet og rettferdighet i utformingen av AI (dvs. algoritmer kan gi skjeve resultater fordi de har blitt trent tidligere på partiske data) og at tilsiktede beslutningsprosesser implementert av algoritmer er mer tolkbare og åpne enn menneskelige. – spesielt i pedagogiske, medisinske og strafferettslige scenarier, der åpenhet kan være like viktig som en avgjørelse i seg selv. Det vil bli eliminert jobber i automatiseringsprosessen, en situasjon som krever sårt tiltrengt arbeidsstyrkeledelse og omskoleringsstrategier for ansatte – og så videre. Faktisk kan dette omskrives til: DE STORE BEKYMRINGENE:

I forkant av dette arbeidet er økende oppfordringer til å forkynne prinsipper og pålegge standarder for design og distribusjon av AI- og ML-teknologier. Dette kommer til å kreve et storstilt partnerskap på tvers av selskaper, beslutningstakere og andre interessenter for å sikre at AI- og ML-teknologier utvikles og distribueres sikkert, rettferdig, transparent og for allmennhetens beste.

6. Fremtidsutsiktene: Uendelige muligheter

Nok en gang, på randen av den neste teknologirevolusjonen – innen AI og ML – gjelder det samme: Medisinen vil forvandle seg etter hvert som pasienter foreskrives behandlinger basert på tomografisk skanning av deres DNA; våre urbane livsverdener vil bli omstøpt i AI-drevne ML-byer distribuert gjennom hele infrastrukturen vår.

Til sammen muliggjør AI og ML en fremtid, stadig mer sømløs og usynlig, der teknologi underbygger så mye av vår virkelighet. Å vite hva som skiller dem, hva de kan oppnå og hvor de vil fortsette å treffe vegger er noe som både organisasjoner, beslutningstakere og befolkningen generelt vil være godt tjent med å forstå i årene som kommer. Med disse teknologiene som fortsatt utvikler seg, vil helt nye verdener dukke opp, andre falle bort, og verden rundt oss vil fortsette å endre seg gjennom øyne som ennå ikke kan begynne å se. AI-revolusjonen har bare så vidt begynt. Mulighetene er så ubegrensede som fantasien vår tillater.

Artikkel av Magda Dąbrowska, en teknisk skribent ved WeKnow Media

Kommenter denne artikkelen nedenfor eller via Twitter: @IoTNow_

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/