AI kontra ML: Dekodowanie technologii kształtujących nasz świat | Wiadomości i raporty dotyczące IoT Now

Media W naszym codziennym życiu coraz trudniej jest uniknąć słów „Artificial Intelligence (AI)'I'Uczenie maszynowe (ML)„czy to w przemyśle, czy w środowisku akademickim”. Technologie te wkroczyły w nasze codzienne życie i przekształcają większość sektorów gospodarki, budując nowe sfery wiedzy i praktyki oraz zapoczątkowując nową erę w historii ludzkości. Jednak nawet gdy te formy szybko rozwijającej się inteligencji stają się coraz bardziej widoczne w akademii i poza nią, ich nieprecyzyjne definicje, niejasność co do sposobów ich stosowania i zakresu zastosowań utrudniają ich pełne zrozumienie. Celem tego artykułu jest wyjaśnienie tych nowych technologii, odróżnienie ich od siebie i nakreślenie ich dalekosiężnych implikacji.

1. AI/ML w świecie IoT

Sztuczna inteligencja (AI), uczenie maszynowe (ML) i Internet przedmiotów (Internet przedmiotów) są ze sobą ściśle powiązane i razem stanowią potężną triadę, zapoczątkowując nową falę innowacji. To trio umożliwia stworzenie nowej generacji inteligentnych, samodostosowujących się i samooptymalizujących autonomicznych produktów i maszyn, które z kolei rewolucjonizują i przekształcają każdy sektor, od produkcji po opiekę zdrowotną. Powiązanie między AI, ML i IoT jest naturalne:

• Inteligencja oparta na danych:

Generatorami tych danych są czujniki i inteligentne urządzenia wbudowane w przedmioty codziennego użytku, w kontekstach tak różnorodnych, jak sieci drogowe czy urządzenia kuchenne. To siła i sprawność sztucznej inteligencji i uczenia maszynowego zapewniają inteligencję obliczeniową niezbędną do przetwarzania, przekształcania i analizowania danych oraz przekształcania ich w przydatne informacje. Internet rzeczy tworzy warstwę przechwytywania danych, podczas gdy sztuczna inteligencja i uczenie maszynowe reprezentują silnik analityczny stanowiący mózg obliczeniowy.

W przemyśle urządzenia IoT czujniki śledzenia sprzętu i maszyn. Algorytmy ML potrafią zidentyfikować powiązania pomiędzy swoimi bieżącymi danymi a danymi historycznymi, a następnie przewidzieć awarię maszyn lub sprzętu, potrzeby konserwacyjne i inne problemy. Cały proces ma charakter ciągły, a algorytm ML potrafi przewidzieć stan maszyny na podstawie danych w czasie rzeczywistym z urządzeń IoT. Na przykład, jeśli poziom oleju jest niski lub występują nadmierne wibracje, systemy mogą przewidzieć potencjalną awarię maszyny. W ten sposób konserwacja predykcyjna może zminimalizować przestoje i obniżyć koszty materiałów bez znaczącego zwiększania kosztów pracy.

• Lepsze doświadczenie użytkownika i personalizacja:

Przykłady takich aplikacji konsumenckich można znaleźć w urządzeniach IoT, które zbierają informacje o interakcjach i preferencjach użytkowników. Na przykład analizując sposób, w jaki korzystasz z inteligentnego domu, sztuczna inteligencja może kontrolować oświetlenie i temperaturę na podstawie Twojego zachowania, a algorytmy uczenia maszynowego z czasem poprawiają przewidywanie, jeśli będziesz nadal z niego korzystać. Urządzenia do śledzenia kondycji mogą również wykorzystywać algorytmy ML do personalizowania zaleceń zdrowotnych.

• Autonomiczne podejmowanie decyzji:

Wykorzystując sztuczną inteligencję i ML, urządzenia IoT mogą zacząć podejmować autonomiczne decyzje w oparciu o dane w czasie rzeczywistym. Na przykład pojazdy autonomiczne (ekosystem urządzeń IoT) wykorzystują uczenie maszynowe do zrozumienia danych z czujników i decydowania, jakie działania związane z prowadzeniem pojazdu podjąć w danej chwili na drodze. W naszych domach i biurach sieci energetyczne wykorzystują sztuczną inteligencję do równoważenia obciążeń sieci i inteligentnej optymalizacji dystrybucji energii w oparciu o dane IoT dostarczane w czasie rzeczywistym.

• Rozszerzona ochrona:

Bezpieczeństwo i cyberataki mogą przedostać się do sieci IoT. Sztuczna inteligencja i uczenie maszynowe mogą działać jak radar bezpieczeństwa i wykrywać anomalie w stanie sieci IoT lub w danych generowanych przez urządzenia IoT, aby stwierdzić, czy atak ma miejsce lub wkrótce nastąpi. Bezpieczeństwo oparte na sztucznej inteligencji może zatem zwiększyć bezpieczeństwo Internetu Rzeczy – systemy te mogą zawsze uczyć się na danych pochodzących z sieci i aktualizować stosowane środki.

• Efektywność operacyjna:

W biznesie i produkcji IoT wprowadza wiele zmiennych i parametrów, które są analizowane przez algorytmy ML w celu optymalizacji operacji poprzez zmniejszenie ilości odpadów i poprawę wydajności. Sztuczną inteligencję można jednocześnie wykorzystać do automatyzacji bardziej złożonych procesów decyzyjnych i w ten sposób do optymalizacji w czasie rzeczywistym parametrów pracy.

Krótko mówiąc, sztuczna inteligencja i uczenie maszynowe są niezbędne w IoT, a sprytny system zintegruje wszystkie trzy elementy w inteligentny ekosystem uczenia się, dostosowywania i podejmowania decyzji: czynnik napędzający IoT i akcelerator przyszłych innowacji, wspomagany przez inteligentne regulacje.

2. Dekodowanie sztucznej inteligencji i uczenia maszynowego: przegląd porównawczy

Artificial Intelligence (AI)

Sztuczna inteligencja to dziedzina – a może nawet można powiedzieć dyscyplina – informatyki, której celem jest tworzenie systemów zdolnych do wykonywania zadań powszechnie uznawanych za wymagające ludzkiej inteligencji. Niektóre z jego zasadniczych cech skupiają się na użyciu pojęć takich jak inteligencja i uczenie się, za pomocą których koreluje się zdolność sztucznej inteligencji do wykonywania zadań ze zdolnością poznania człowieka. Przykłady takich zadań obejmują rozumienie języka naturalnego – który może współgrać z ludzką zdolnością mówienia; the rozpoznawanie wzorców – ściśle związane z ludzką zdolnością percepcji; oraz nieodłącznie porównywalna umiejętność rozwiązywania złożonych problemów, które wiążą się z nieprzewidywalnymi trudnościami oraz nieubłaganą niejasnością i niepewnością co do ich rozwiązania – jak zagadki zaczerpnięte z realnego świata dla intelektualnie dociekliwego człowieka. Powszechnie uważa się, że chociaż chatboty są zorientowane w węższym zakresie na cele, sztuczna inteligencja obejmuje zdolność komputerów do wykonywania dowolnego z wyżej wymienionych zadań w sposób, który kazałby nam powiedzieć, że komputer jest „inteligentny”. Nazywa się to czasem „mimikrą intelektualną” lub „mimezą” ludzkiej inteligencji – krótko mówiąc, uczenie się na podstawie doświadczenia i „mądre działanie”.

Uczenie maszynowe (ML)

Uczenie maszynowe dotyczy szczególnie aktywnego obszaru sztucznej inteligencji (AI), który stara się kodyfikować zdolność komputerów do uczenia się, dokonywania wyborów lub przewidywania na podstawie danych, z pominięciem konieczności udziału człowieka lub wskazówek. Algorytmy są szkolone na wcześniej zebranych zbiorach danych, dopóki nie zrozumieją podstawowych wzorców tych danych, nie dokonają świadomych wyborów w oparciu o to, czego się nauczyli, i nie będą w stanie w dalszym ciągu stopniowo poprawiać swoich zdolności predykcyjnych w sposób autonomiczny. Celem ML jest opracowywanie programów, które będą w stanie wykorzystywać dane, aby lepiej i lepiej przystosowywać się do samodzielnego uczenia się, bez interwencji, zadanie po zadaniu.

Kluczowe różnice:

Sztuczna inteligencja ma na celu zbudowanie inteligentnego komputera, który rozwiąże problemy w analogiczny sposób jak człowiek, natomiast ML pozwala robotowi uczyć się na podstawie danych, aby sporządzić trafną prognozę.

Funkcjonalność: maszyna korzysta z wcześniej napisanego zbioru zasad (często system nagina i „poprawia” zasady w oparciu o wyniki), w przeciwieństwie do systemu ML, który kieruje się chmurą wzorców oczekiwanych danych wejściowych, która prowadzi do odpowiedzi.

3. Co wnoszą do tabeli: możliwości i zastosowania

Wkład AI:

Sztuczna inteligencja całkiem dobrze radzi sobie z automatyzacją rutynowych zadań – niezależnie od tego, czy są to proste zadania, takie jak wprowadzanie danych, czy ukryte procesy leżące u podstaw tych decyzji, maksymalizuje wydajność i produktywność.

• Usługi kognitywne:

Dzięki usługom kognitywnym (rozumieniu języka, mowy i wzroku) komputer ma szersze możliwości interakcji z człowiekiem.

• Podejmowanie decyzji:

Systemy sztucznej inteligencji mogą wyciągać znaczące wnioski na temat teraźniejszości, porównując i kontrastując dane z przeszłości i teraźniejszości, tworząc świadome powiązania i syntezę ton danych wejściowych.

Wkład ML:

• Analiza predykcyjna:

Modele ML doskonale nadają się do przewidywania i prognozowania trendów i zachowań na podstawie danych z przeszłości i właśnie tam można je zastosować, np. w sektorach finansowym, medycznym i marketingowym.

• Rozpoznawanie wzorców:

Jednym z najbardziej udanych zastosowań uczenia maszynowego jest nauka rozpoznawania ukrytych wzorców w danych, takich jak anomalna aktywność w cyberbezpieczeństwie lub charakterystyczne oznaki choroby w medycynie diagnostycznej.

• Indywidualizacja:

ML zapewnia niestandardowe doświadczenia użytkownika w zależności od tego, jak dany użytkownik wchodził w interakcję z usługą w przeszłości i może zostać wykorzystane do ulepszenia usług w zakresie handlu elektronicznego, rozrywki i wielu innych.

4. Związek synergiczny: jak AI i ML uzupełniają się

Relacja ta również wzajemnie się wspiera, przy czym nauka z jednej strony czerpie korzyści z udoskonalania i informowania drugiej rodzącej się nauki, a powstałe w ten sposób systemy z biegiem czasu stają się coraz bardziej wydajne i potężniejsze poznawczo. AI jest organizatorem: dziedzina sztucznej inteligencji określa ogólne cele i architektury budowania maszyn, które w zasadzie mogą wykazywać aspekty ludzkiej inteligencji. ML to zestaw narzędzi: dziedzina uczenia maszynowego dostarcza metod i technik, które pozwalają tym maszynom uczyć się na podstawie danych, udoskonalać się dzięki praktyce i podejmować decyzje.

• Zwiększone możliwości uczenia się: Zatem dostrojenie się do „wibracji” ludzkości w świecie rzeczywistym jest kluczowe. Systemy AI mają czerpać informacje z ludzkiej inteligencji, a uczenie maszynowe pozwala maszynom uczyć się na podstawie doświadczenia, tak jak robią to ludzie. Jeśli uczenie się statystyczne łączy maszyny i ludzi, uczenie maszynowe wiąże się z pewnymi obietnicami – systemy oparte na danych muszą nauczyć się, jak „ponownej kalibracji” (tak jak robią to ludzie) w obliczu nowych przykładów „ludzkich” zachowań (np. prowadzenie pojazdu, interakcja z innymi ludzie itp.).

• Podejmowanie decyzji w oparciu o dane: Bycie „inteligentnym” w sztucznej inteligencji oznacza „bycie dobrym decydentem”. ML jest (prawdopodobnie) hipotezą zerową dotyczącą tego, jak najlepiej przyspieszyć podejmowanie decyzji przez sztuczną inteligencję, zapewniając jej narzędzia do analizowania wielu danych na temat tego, co w danym momencie robią obiekty AI, ustalania, jakie wzorce występują w tych danych, i następnie (przewiduje) użyj analizy i rozpoznawania wzorców, aby podjąć kolejną decyzję.

• Moc przewidywania i personalizacja: Pod wieloma innymi względami uczenie maszynowe jest skutecznym narzędziem umożliwiającym osiągnięcie tego, do czego sztuczna inteligencja ma służyć użytkownikom: spersonalizowane doświadczenie i przewidywanie wyników. ML świetnie sprawdza się w zapewnianiu spersonalizowanych doświadczeń użytkownikowi witryny handlu elektronicznego, usługi przesyłania strumieniowego wideo lub platformy obsługi klienta, ponieważ zbiera dane na temat tego, co użytkownik zrobił w przeszłości i przewiduje, co ostatecznie zrobi .

• Autonomiczne doskonalenie: Podstawowym aspektem koncepcji AI jest możliwość zaprojektowania systemu autonomicznego. ML idzie o krok dalej, ponieważ systemy projektuje się nie tylko tak, aby działały autonomicznie, ale także w celu autonomicznej optymalizacji wydajności (na przykład poprzez uczenie się na podstawie danych uzyskanych po uruchomieniu). W przypadku systemu takiego jak samochód autonomiczny, który musi „nauczyć się” radzić sobie w nieznanym środowisku, taka pętla usprawnień jest niezbędna. Złożony.

• Rozwiązywanie problemów: Aupiter AI stara się stawić czoła nierozwiązywalnym we wspomnianej przestrzeni obliczeniowej problemów świata rzeczywistego, gdzie wszystkie praktyczne rozwiązania wydają się beznadziejnie skomplikowane, a oczywiste, łatwe ścieżki osiadają na mieliźnie. ML zwiększa złożoność, dostarczając paradygmat oparty na mieszaniu wielu modalności (np. zestawów algorytmów, takich jak sieci neuronowe), aby dopasować się do złożoności świata rzeczywistego i wykorzystać dane o dużej złożoności, w dużej mierze nieustrukturyzowane, dostępne głównie w świecie rzeczywistym.

Jeśli połączysz te dwie rzeczy, otrzymasz ekosystem technologiczny przyspieszający wykładniczo – w którym zdolność ML do budowania „indukcyjnych” modeli i uczenia się poprzez iteracyjny rozwój na podstawie danych można połączyć z jeszcze bardziej ambitnym programem sztucznej inteligencji, polegającym na modelowaniu ludzkiej inteligencji w celu tworzyć coraz bardziej ogólne systemy „generatywne”, które będą w stanie sprostać szerokiej gamie złożonych zadań, przedrzeć się przez granice innowacji i doładować całe gałęzie przemysłu.

5. Wyzwania i względy etyczne

W przypadku praktycznie wszystkich szybko rozwijających się i potencjalnie przełomowych technologii w zakresie sztucznej inteligencji i uczenia maszynowego (ML) szybko odkrywamy, że obawy dotyczące tego, w jaki sposób technologia może zmienić świat, ewoluują niemal tak szybko, jak same powstające i szybko rozwijające się technologie. Jest to problem bezprecedensowy: ponieważ systemy AI i ML potrzebują dużej ilości danych do skutecznego działania, budzimy obawy o bezpieczeństwo danych i prywatność. Szersze obawy etyczne obejmują kwestie stronniczości i uczciwości w projektowaniu sztucznej inteligencji (tj. algorytmy mogą dawać stronnicze wyniki, ponieważ zostały wcześniej przeszkolone na stronniczych danych) oraz fakt, że zamierzone procesy decyzyjne wdrażane przez algorytmy są bardziej zrozumiałe i otwarte niż ludzkie – szczególnie w scenariuszach edukacyjnych, medycznych i karnych, gdzie przejrzystość może być równie ważna jak sama decyzja. W procesie automatyzacji zostaną wyeliminowane stanowiska pracy, co będzie wymagało bardzo potrzebnego zarządzania personelem i strategii przekwalifikowania pracowników – i tak dalej. Właściwie można to sparafrazować następująco: DUŻE Zmartwienia:

W czołówce tych prac pojawiają się coraz częstsze wezwania do określenia zasad i narzucenia standardów w zakresie projektowania i wdrażania technologii AI i uczenia maszynowego. Będzie to wymagało partnerstwa na dużą skalę między przedsiębiorstwami, decydentami i innymi zainteresowanymi stronami, aby zapewnić opracowywanie i wdrażanie technologii sztucznej inteligencji i uczenia maszynowego w sposób bezpieczny, sprawiedliwy, przejrzysty i dla dobra publicznego.

6. Perspektywy na przyszłość: Nieskończone możliwości

Po raz kolejny u progu kolejnej rewolucji technologicznej – w zakresie sztucznej inteligencji i uczenia maszynowego – obowiązuje to samo: medycyna ulegnie przemianie, w miarę jak pacjentom będzie przepisywane leczenie oparte na tomograficznym skanowaniu ich DNA; nasze miejskie światy życia zostaną przekształcone w miasta ML oparte na sztucznej inteligencji, rozmieszczone w całej naszej infrastrukturze.

Podsumowując, sztuczna inteligencja i uczenie maszynowe umożliwiają przyszłość, coraz bardziej płynną i niewidoczną, w której technologia w dużej mierze stanowi podstawę naszej rzeczywistości. Wiedza o tym, co je dzieli, co mogą osiągnąć i gdzie w dalszym ciągu będą uderzać w mur, to coś, co organizacje, decydenci i ogół społeczeństwa będą dobrze rozumieć w nadchodzących latach. Ponieważ te technologie wciąż ewoluują, pojawią się zupełnie nowe światy, inne znikną, a świat wokół nas będzie się nadal zmieniał oczami, które nie mogą jeszcze zacząć widzieć. Rewolucja AI dopiero się zaczyna. Możliwości są tak nieograniczone, na ile pozwala nasza wyobraźnia.

Artykuł autorstwa Magdy Dąbrowskiej, pisarki technicznej w WeKnow Media

Skomentuj ten artykuł poniżej lub za pośrednictwem Twittera: @IoTNow_

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/