AI proti ML: Dekodiranje tehnologij, ki oblikujejo naš svet | Novice in poročila IoT Now

Mediji V vsakdanjem življenju se je vse težje izogniti besedam "Umetna inteligenca (AI)"In"Strojno učenje (ML)' bodisi v industriji ali akademiji. Te tehnologije so vstopile v naše vsakdanje življenje in preoblikujejo večino sektorjev gospodarstva, gradijo nove sfere znanja in prakse ter uvajajo novo obdobje v človeški zgodovini. Kljub temu, da te oblike hitro razvijajoče se inteligence postajajo bolj vidne znotraj in zunaj akademije, njihove nenatančne definicije, nejasnosti glede njihovih modalitet in obsega uporabe ovirajo njihovo popolno razumevanje. Namen tega članka je razjasniti te nove tehnologije, jih razlikovati med seboj in orisati njihove obsežne posledice.

1. AI/ML v svetu IoT

Umetna inteligenca (AI), strojno učenje (ML) in Internet stvari (IoT) so tesno povezani in skupaj predstavljajo močno triado, ki uvaja nov val inovacij. Trio omogoča novo generacijo pametnih, samonastavljivih in samooptimizirajočih avtonomnih izdelkov in strojev, ki posledično motijo ​​in preoblikujejo vse sektorje od proizvodnje do zdravstva. Povezava med AI in ML ter IoT je naravna:

• Podatkovno vodena inteligenca:

Generatorji teh podatkov so senzorji in pametne naprave, vgrajene v vsakdanje predmete, v tako raznolikih kontekstih, kot so prometna omrežja ali kuhinjski aparati. Moč in hrabrost AI in ML sta tista, ki zagotavljata računalniško inteligenco za obdelavo, transformacijo in analizo podatkov ter njihovo spreminjanje v informacije, ki jih je mogoče uporabiti. IoT tvori plast za zajemanje podatkov, medtem ko AI in ML predstavljata mehanizem za analizo, ki sestavlja računalniške možgane.

V industriji naprave IoT tirni senzorji opreme in strojev. Algoritmi ML lahko prepoznajo povezave med njegovimi trenutnimi podatki in preteklimi podatki ter nato predvidijo okvaro stroja ali opreme, potrebe po vzdrževanju in druge težave. Celoten proces je neprekinjen in algoritem ML lahko predvidi stanje stroja na podlagi podatkov v realnem času iz naprav IoT. Na primer, če so ravni olja nizke ali je prišlo do prekomernih tresljajev, lahko sistemi predvidevajo morebitno okvaro stroja. Na ta način lahko predvideno vzdrževanje zmanjša čas izpadov in zniža stroške materiala, ne da bi znatno povečal stroške dela.

• Izboljšana uporabniška izkušnja in personalizacija:

Primere teh potrošniških aplikacij lahko najdete v napravah IoT, ki zbirajo informacije o interakcijah in preferencah uporabnikov. Na primer, z analizo, kako uporabljate pametni dom, lahko umetna inteligenca nadzoruje vašo osvetlitev in temperaturo na podlagi vašega vedenja, z algoritmi strojnega učenja, ki sčasoma izboljšajo napovedna prizadevanja, če ga še naprej uporabljate. Sledilniki telesne pripravljenosti lahko uporabljajo tudi algoritme ML za prilagajanje zdravstvenih priporočil.

• Avtonomno odločanje:

Z uporabo AI in ML lahko naprave IoT začnejo sprejemati avtonomne odločitve na podlagi podatkov v realnem času. Avtonomna vozila (ekosistem naprav IoT) na primer uporabljajo ML za razumevanje podatkov senzorjev in odločanje o tem, katera dejanja pri vožnji naj se izvajajo iz trenutka v trenutek na cesti. V naših domovih in pisarnah energetska omrežja uporabljajo umetno inteligenco za uravnoteženje obremenitev omrežja in inteligentno optimizacijo distribucije energije na podlagi podatkov IoT, posredovanih v realnem času.

• Izboljšana varnost:

Varnost in kibernetski napadi se lahko prikradejo v omrežja IoT. AI in ML lahko delujeta kot varnostni radar in zaznavata anomalije v stanju omrežij interneta stvari ali v podatkih, ki jih ustvarijo naprave interneta stvari, da ugotovita, ali se napad dogaja ali se bo zgodil. Varnost, ki jo poganja AI, lahko torej naredi internet stvari varnejši – ti sistemi se lahko vedno učijo iz podatkov, ki prihajajo iz omrežij, in posodobijo ukrepe, ki jih je treba sprejeti.

• Operativna učinkovitost:

V podjetništvu in proizvodnji internet stvari vnaša veliko spremenljivk in parametrov, ki jih analizirajo algoritmi ML za optimizacijo delovanja z zmanjšanjem količine odpadkov in izboljšanjem učinkovitosti. AI se hkrati lahko uporablja za avtomatizacijo zahtevnejših procesov odločanja in na ta način v realnem času optimizira parametre delovanja.

Skratka, AI in ML sta nepogrešljiva za IoT, pameten sistem pa bo združil vse tri kot inteligenten ekosistem učenja, prilagajanja in odločanja: gonilo IoT in pospeševalnik prihodnjih inovacij, ki mu bo pomagala pametna regulacija.

2. Dekodiranje umetne inteligence in strojnega učenja: primerjalni pregled

Umetna inteligenca (AI)

Umetna inteligenca je področje – ali lahko celo rečemo disciplina – računalništva, katerega cilj je ustvariti sisteme, ki so sposobni opravljati naloge, za katere se običajno šteje, da zahtevajo človeško inteligenco. Nekatere njegove bistvene značilnosti se vrtijo okoli uporabe konceptov, kot sta inteligenca in učenje, s katerimi povezujemo zmožnost umetne inteligence za opravljanje nalog s človeško sposobnostjo spoznavanja. Primeri takšnih nalog vključujejo razumevanje naravnega jezika – ki bi lahko resoniral s človeško sposobnostjo govorjenja; the prepoznavanje vzorcev – tesno povezana s človeško sposobnostjo zaznavanja; in inherentno primerljiva sposobnost reševanja zapletenih problemov, ki vključujejo nepredvidljive težave ter neizprosno nejasnost in negotovost glede njihovih rešitev – kot uganke, izvlečene iz resničnega sveta za intelektualno radovednega človeka. Splošno velja, da medtem ko so klepetalni roboti bolj ozko ciljno usmerjeni, umetna inteligenca vključuje zmožnost računalnikov, da izvajajo katero koli od zgoraj omenjenih nalog na način, zaradi katerega bi rekli, da je računalnik 'pameten'. To je tisto, kar včasih imenujemo "intelektualna mimikrija" ali "mimezis" človeške inteligence – skratka, učiti se iz izkušenj in "delovati pametno".

Strojno učenje (ML)

Strojno učenje zadeva posebej aktivno področje umetne inteligence (AI), ki poskuša kodificirati sposobnost računalnikov za učenje, sprejemanje odločitev ali napovedi na podlagi podatkov, pri čemer obide potrebo po človeškem vnosu ali vodenju. Algoritmi se usposabljajo na predhodno zbranih nizih podatkov, dokler ne razumejo osnovnih vzorcev teh podatkov, sprejemajo ozaveščenih odločitev na podlagi tega, kar so se naučili, in so sposobni še naprej postopoma samostojno izboljševati svojo napovedno zmogljivost v prihodnje. Cilj ML je razviti programe, ki so sposobni izkoriščati podatke, da bi postali boljši, bolj prilagodljivi pri učenju sami, brez posredovanja, naloga za nalogo.

Ključne razlike:

Umetna inteligenca je namenjena izdelavi inteligentnega računalnika, ki rešuje probleme na podoben način kot človek, medtem ko ML omogoča, da se robot uči iz podatkov, da pripravi natančno napoved.

Funkcionalnost: naprava uporablja vnaprej napisan pravilnik (pogosto sistem prilagodi in prilagodi pravila na podlagi rezultatov), ​​medtem ko sistem ML sledi oblaku vzorcev pričakovanih vnosov, ki vodijo do odgovora.

3. Kaj prinašajo na mizo: zmogljivosti in aplikacije

Prispevki AI:

Umetna inteligenca je zelo dobra pri avtomatizaciji rutinskih opravil – ne glede na to, ali gre za preprosta opravila, kot je vnos podatkov, ali skrite procese, ki hranijo te odločitve, poveča učinkovitost in produktivnost.

• Kognitivne storitve:

Zahvaljujoč kognitivnim storitvam (za razumevanje jezika, govora in vida) je računalnik opremljen s širšim spektrom interakcije s človekom.

• Odločanje:

Sistemi umetne inteligence lahko pridejo do pomembnih zaključkov o sedanjosti s primerjavo in primerjavo preteklih in sedanjih podatkov, vzpostavljanjem ozaveščenih povezav in sintez vnosov.

Prispevki ML:

• Napovedna analiza:

Modeli ML so odlični pri napovedovanju in napovedovanju trendov in vedenj iz preteklih podatkov, in tukaj jih je mogoče uporabiti, na primer v finančnem, medicinskem in marketinškem sektorju.

• Prepoznavanje vzorcev:

Ena najuspešnejših aplikacij ML je učenje prepoznavanja skritih vzorcev v podatkih, kot so nenormalne dejavnosti v kibernetski varnosti ali znaki bolezni v diagnostični medicini.

• Individualizacija:

ML proizvaja uporabniške izkušnje po meri glede na to, kako je posamezni uporabnik v preteklosti komuniciral s storitvijo, in se lahko uporablja za izboljšanje storitev za e-trgovino, zabavo in še veliko več.

4. Sinergijsko razmerje: Kako se AI in ML dopolnjujeta

Ta odnos se medsebojno podpira, pri čemer znanost v eni daje povratne informacije za izboljšanje in obveščanje druge nastajajoče znanosti, sistemi, ki iz tega izhajajo, pa sčasoma postanejo zmogljivejši in kognitivno močnejši. AI je organizator: področje umetne inteligence opredeljuje splošne cilje in arhitekture za gradnjo strojev, ki načeloma lahko izkazujejo vidike človeške inteligence. ML je komplet orodij: področje strojnega učenja ponuja metode in tehnike, ki tem strojem omogočajo, da se stvari učijo iz podatkov, postanejo boljši s prakso in sprejemajo odločitve.

• Izboljšane zmožnosti učenja: Uglaševanje na 'vibracije' človeštva v resničnem svetu je torej ključnega pomena. Sistemi umetne inteligence naj bi bili obveščeni s človeško inteligenco in ML omogoča strojem, da se učijo iz izkušenj, tako kot ljudje. Če statistično učenje povezuje stroje in ljudi, potem strojno učenje nekaj obeta – sistemi, ki temeljijo na podatkih, se morajo naučiti, kako "ponovno umeriti" (kot počnejo ljudje), ko se soočijo z novimi primeri "človeškega" vedenja (npr. vožnja, interakcija z drugimi ljudje in tako naprej).

• Odločanje na podlagi podatkov: Biti 'pameten' v AI pomeni 'biti dober odločevalec'. ML je (verjetno) ničelna hipoteza o tem, kako najbolje narediti AI hitro pri sprejemanju odločitev, tako da mu damo orodja za analizo številnih podatkov o tem, kaj objekti AI počnejo vsak trenutek, ugotovimo, kakšni so vzorci v teh podatkih in nato (naredi napoved) uporabi analizo in prepoznavanje vzorcev za naslednjo odločitev.

• Moč napovedovanja in personalizacija: Na veliko drugih načinov je ML učinkovito orodje, ki uporabnikom omogoča tisto, za kar so umetne inteligence zasnovane: prilagojeno izkušnjo in napovedovanje rezultatov. ML je odličen pri zagotavljanju prilagojene izkušnje uporabniku spletnega mesta za e-trgovino, storitve pretakanja videoposnetkov ali platforme za pomoč strankam, saj zajema podatkovne točke o tem, kaj je uporabnik naredil v preteklosti, in napove, kaj bo uporabnik na koncu naredil. .

• Avtonomno izboljšanje: temeljni vidik koncepta umetne inteligence je zmožnost oblikovanja avtonomnega sistema. ML naredi to še korak dlje, saj sistemi niso zasnovani le za samostojno delovanje, ampak za avtonomno optimizacijo delovanja (na primer z učenjem iz podatkov, pridobljenih po zagonu). V primeru sistema, kot je avtonomni avtomobil, ki se mora 'naučiti', kako ravnati z neznanim okoljem, je takšna izboljšavna zanka bistvena. Kompleksno.

• Reševanje problema: Umetna inteligenca Aupiter se skuša spopasti z nerešljivim v zgoraj omenjenem računalniškem prostoru problemov resničnega sveta, kjer se vse praktične rešitve zdijo brezupno zapletene, očitne in preproste poti pa nasedejo. ML združuje kompleksnost z zagotavljanjem paradigme, ki temelji na mešanju več modalitet (npr. nizov algoritmov, kot je nevronske mreže), da se ujemajo z zapletenostjo v resničnem svetu in izkoristijo visoko zapletene, večinoma nestrukturirane podatke, ki so večinoma na voljo v resničnem svetu.

Združite to dvoje in dobili boste eksponentno pospeševalni tehnološki ekosistem – v katerem se lahko zmožnost ML, da gradi 'induktivne' modele in se uči s ponavljajočim se razvojem podatkov, poveže s še bolj ambicioznim načrtom umetne inteligence, modeliranjem človeške inteligence za ustvarite vedno bolj splošne 'generativne' sisteme, ki lahko obvladajo široko paleto zapletenih nalog, se prebijajo skozi meje inovacij in turbo polnijo celotne industrije.

5. Izzivi in ​​etični premisleki

Pri skoraj vseh hitro napredujočih in potencialno motečih tehnologijah za umetno inteligenco in strojno učenje (ML) hitro ugotovimo, da se skrbi o tem, kako bi lahko tehnologija spremenila svet, razvijajo skoraj tako hitro kot same nastajajoče in hitro napredujoče tehnologije. Gre za težavo brez primere: ker sistemi AI in ML potrebujejo količino podatkov za učinkovito delovanje, povzročamo skrbi glede varnosti in zasebnosti podatkov. Širši etični pomisleki vključujejo vprašanja pristranskosti in pravičnosti pri oblikovanju umetne inteligence (tj. algoritmi lahko proizvedejo pristranske rezultate, ker so bili predhodno usposobljeni na pristranskih podatkih) in da so procesi namernega odločanja, ki jih izvaja algoritem, bolj razumljivi in ​​odprti kot človeški – zlasti v izobraževalnih, zdravstvenih in kazenskopravnih scenarijih, kjer je preglednost lahko enako pomembna kot odločitev sama. V procesu avtomatizacije bodo ukinjena delovna mesta, situacija bo zahtevala prepotrebno upravljanje delovne sile in strategije prekvalificiranja zaposlenih – in tako naprej. Pravzaprav bi to lahko parafrazirali na: VELIKE SKRBI:

Na vrhu tega dela so vse pogostejši pozivi k razglasitvi načel in uvedbi standardov za načrtovanje in uvajanje tehnologij AI in ML. To bo zahtevalo obsežno partnerstvo med podjetji, oblikovalci politik in drugimi zainteresiranimi stranmi, da se zagotovi, da se tehnologije umetne inteligence in strojnega pisanja razvijajo in uporabljajo varno, pravično, pregledno in v javno dobro.

6. Pogled v prihodnost: Neskončne možnosti

Še enkrat, na pragu naslednje tehnološke revolucije – v AI in ML – velja isto: medicina se bo preoblikovala, ko bodo bolnikom predpisana zdravljenja na podlagi tomografskega skeniranja njihove DNK; naši urbani življenjski svetovi bodo preoblikovani v mesta ML, ki jih poganja umetna inteligenca in bodo razporejena po naši infrastrukturi.

Skupaj AI in ML omogočata prihodnost, ki je vse bolj brezhibna in nevidna, v kateri tehnologija podpira velik del naše resničnosti. Vedeti, kaj jih ločuje, kaj lahko dosežejo in kje bodo še naprej trkali ob zidove, je nekaj, kar bodo tako organizacije, oblikovalci politik kot splošno prebivalstvo dobro razumeli v prihodnjih letih. Ker se te tehnologije še vedno razvijajo, se bodo pojavili popolnoma novi svetovi, drugi bodo propadli, svet okoli nas pa se bo še naprej spreminjal skozi oči, ki še ne morejo videti. Revolucija AI se šele začenja. Možnosti so tako neomejene, kolikor jih dopušča naša domišljija.

Članek Magde Dąbrowske, tehnične pisateljice pri WeKnow Media

Komentirajte ta članek spodaj ali prek Twitterja: @IoTNow_

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/