AI vs. ML: Avkodning av teknologin som formar vår värld | IoT Now News & Reports

Media I vår vardag har det blivit allt svårare att undvika att höra orden 'Artificial Intelligence (AI)"Och"Maskininlärning (ML)' oavsett om det är inom industrin eller den akademiska världen. Dessa teknologier har kommit in i våra dagliga liv och förändrar de flesta sektorer av ekonomin, bygger nya kunskapssfärer och praktiker och inleder en ny era i mänsklighetens historia. Men även när dessa former av snabbt utvecklande intelligens blir mer synliga inom och utanför akademin, hindrar deras oprecisa definitioner, vaga om deras modaliteter och tillämpningsområde deras fulla förståelse. Den här artikeln syftar till att förtydliga dessa nya tekniker, skilja dem från varandra och beskriva deras omfattande konsekvenser.

1. AI/ML i IoT-världen

Artificiell intelligens (AI), Machine Learning (ML) och Internet av saker (IoT) är intrikat sammanlänkade och representerar tillsammans en kraftfull triad som inleder en ny våg av innovation. Trion möjliggör en ny generation av smarta, självjusterande och självoptimerande autonoma produkter och maskiner, som i sin tur stör och förvandlar varje sektor från tillverkning till hälsovård. Kopplingen mellan AI och ML och IoT är naturlig:

• Datadriven intelligens:

Generatorerna av denna data är sensorer och smarta enheter inbäddade i vardagliga föremål, i så olika sammanhang som trafiknätverk eller köksapparater. Det är kraften och skickligheten hos AI och ML som tillhandahåller beräkningsintelligensen för att bearbeta, transformera och analysera data och förvandla den till handlingsbar information. IoT utgör det datainfångande lagret, medan AI och ML representerar analysmotorn som utgör beräkningshjärnan.

Inom industrin, IoT-enheter spårsensorer av utrustning och maskiner. ML-algoritmer kan identifiera länkar mellan dess nuvarande data och historiska data och sedan förutsäga maskin- eller utrustningsfel, underhållsbehov och andra problem. Hela processen är kontinuerlig, och ML-algoritmen kan förutsäga maskinförhållanden baserat på realtidsdata från IoT-enheter. Till exempel, om oljenivåerna är låga eller det har förekommit överdrivna vibrationer, kan systemen förutsäga ett potentiellt maskinhaveri. På så sätt kan prediktivt underhåll minimera stilleståndstiden och sänka materialkostnaderna utan att nämnvärt öka arbetskostnaderna.

• Förbättrad användarupplevelse och anpassning:

Exempel på dessa konsumentapplikationer finns i IoT-enheter som samlar in information om användarnas interaktioner och preferenser. Till exempel, genom att analysera hur du använder ett smart hem, kan AI styra din belysning och temperatur baserat på ditt beteende, med maskininlärningsalgoritmer som förbättrar prediktiva ansträngningar över tid om du fortsätter att använda den. Fitness trackers kan också använda ML-algoritmer för att anpassa hälsorekommendationer.

• Autonomt beslutsfattande:

Med hjälp av AI och ML kan IoT-enheter börja fatta autonoma beslut baserat på realtidsdata. Autonoma fordon (ett ekosystem av IoT-enheter) använder till exempel ML för att förstå sensordata och bestämma vilka köråtgärder som ska utföras ögonblick för ögonblick på vägen. I våra hem och kontor använder energinät AI för att balansera nätbelastningar och intelligent optimera energidistribution baserat på IoT-data som tillhandahålls i realtid.

• Förbättrad säkerhet:

Säkerhet och cyberattacker kan krypa in i IoT-nätverk. AI och ML kan fungera som säkerhetsradar och upptäcka anomalier i IoT-nätverkens tillstånd eller i data som genereras av IoT-enheter för att avgöra om en attack pågår eller är på väg att hända. AI-driven säkerhet kan därför göra IoT säkrare – dessa system kan alltid lära sig av data som kommer från nätverken och uppdatera de åtgärder som ska vidtas.

• Operativ effektivitet:

I affärer och tillverkning matar IoTs in många variabler och parametrar som analyseras av ML-algoritmer för att optimera verksamheten genom att minska mängden avfall och förbättra effektiviteten. AI kan samtidigt användas för att automatisera mer komplexa beslutsprocesser, och på så sätt optimera, i realtid, driftsparametrarna.

Kort sagt, AI och ML är oumbärliga för IoT, och ett smart system kommer att integrera alla tre som ett intelligent ekosystem för lärande, anpassning och beslutsfattande: en IoT-drivare och accelerator för framtida innovationer, självt med hjälp av smart reglering.

2. Avkodning av AI och maskininlärning: En jämförande översikt

Artificial Intelligence (AI)

Artificiell intelligens är ett område – eller vi kan till och med säga disciplin – inom datavetenskap som syftar till att skapa system som kan utföra uppgifter som vanligtvis anses kräva mänsklig intelligens. Några av dess väsentliga kännetecken kretsar kring användningen av begrepp som intelligens och inlärning, genom vilka man korrelerar AI:s uppgiftsutförande förmåga med människans kognitionsförmåga. Exempel på sådana uppgifter inkluderar förståelsen av naturligt språk – vilket kan resonera med människans förmåga att tala; de mönsterigenkänning – nära besläktad med den mänskliga perceptionsförmågan; och den inneboende jämförbara förmågan att lösa komplexa problem som involverar oförutsebara svårigheter och obönhörlig vaghet och osäkerhet om deras lösningar – som pussel hämtade från den verkliga världen för den intellektuellt nyfikna människan. Det är allmänt hållet att även om chatbots är mer snävt målinriktade, involverar AI:er datorers förmåga att utföra någon av de ovan nämnda uppgifterna på ett sätt som skulle få oss att säga att datorn är "smart". Detta är vad som ibland kallas "intellektuell mimik" eller "mimesis" av den mänskliga intelligensen - kort sagt att lära av erfarenhet och "agera smart".

Maskininlärning (ML)

Machine Learning handlar om ett särskilt aktivt område inom artificiell intelligens (AI) som försöker kodifiera datorers förmåga att lära sig, göra val eller förutsägelser baserat på data, utan att behöva förbigå behovet av mänsklig input eller vägledning. Algoritmer tränas på tidigare insamlade datamängder tills de förstår de underliggande mönstren för denna data, gör välgrundade val baserat på vad de har lärt sig och kan fortsätta att stegvis förbättra sin prediktiva kapacitet autonomt framöver. ML:s mål är att utveckla program som kan utnyttja data för att bli bättre, mer anpassningsbara på att lära på egen hand, utan ingripande, uppgift för uppgift.

Viktiga skillnader:

AI är till för att bygga en intelligent dator som löser problemen på samma sätt som en människa gör, medan ML gör det möjligt för en robot att lära sig av data för att rita en korrekt prognos.

Funktionalitet: maskinen använder en förskriven regelbok (ofta flexar systemet och "justerar" regler baserat på resultat) kontra ML-systemet följer ett mönstermoln av förväntade indata som leder till ett svar.

3. Vad de ger till bordet: Förmåga och applikationer

AI:s bidrag:

Artificiell intelligens är ganska bra på att automatisera rutinuppgifter – oavsett om det är enkla jobb som datainmatning eller de dolda processerna som matar dessa beslut, maximerar det effektiviteten och produktiviteten.

• Kognitiva tjänster:

Tack vare kognitiva tjänster (för språkförståelse, tal och syn) är datorn utrustad med ett bredare utbud av interaktion med människor.

• Beslutsfattande:

AI-system kan nå meningsfulla slutsatser om nuet genom att jämföra och kontrastera tidigare och nuvarande data, skapa välgrundade kopplingar och synteser av mängder av input.

ML:s bidrag:

• Prediktiv analys:

ML-modeller är utmärkta på att förutsäga och förutsäga trender och beteenden från tidigare data, och det är här de kan tillämpas, som i finans-, medicin- och marknadsföringssektorerna.

• Mönsterigenkänning:

En av de mest framgångsrika ML-applikationerna är att lära sig känna igen nedgrävda mönster i data, såsom avvikande aktivitet inom cybersäkerhet eller kontrollanta tecken på sjukdom inom diagnostisk medicin.

• Individualisering:

ML producerar anpassade användarupplevelser beroende på hur en enskild användare har interagerat med tjänsten tidigare, och kan användas för att förbättra tjänster för e-handel, underhållning och mycket mer.

4. Det synergistiska förhållandet: Hur AI och ML kompletterar varandra

Den relationen är också ömsesidigt stödjande, med vetenskapen i den ena som återkopplar för att förbättra och informera den andra begynnande vetenskapen, och de resulterande systemen blir mer kapabla och kognitivt kraftfulla över tiden. AI är arrangören: området artificiell intelligens definierar de övergripande målen och arkitekturerna för att bygga maskiner som i princip kan uppvisa aspekter av mänsklig intelligens. ML är verktygslådan: området för maskininlärning tillhandahåller metoder och tekniker som gör att dessa maskiner kan lära sig saker från data, bli bättre med övning och fatta beslut.

• Förbättrade inlärningsmöjligheter: Så att ställa in mänsklighetens "vibrationer" i verkliga världen är avgörande. AI-system är tänkta att informeras av mänsklig intelligens och ML tillåter maskiner att lära sig av erfarenhet, på det sätt som människor gör. Om statistisk inlärning överbryggar maskiner och människor, så har ML något löfte – de datadrivna systemen måste lära sig att "omkalibrera" (som människor gör) när de ställs inför nya exempel på "mänskligt" beteende (till exempel bilkörning, interaktion med andra) människor och så vidare).

• Datadrivet beslutsfattande: Att vara "smart" i AI betyder "att vara en bra beslutsfattare". ML är (förmodligen) en nollhypotes för hur man bäst gör AI snabbare på att fatta beslut genom att ge den verktygen för att analysera mycket data om vad AI-objekten än gör varje ögonblick, ta reda på vad mönstren är i den datan, och (gör en förutsägelse) använd sedan analys och mönsterigenkänning för att fatta nästa beslut.

• Förutsägande kraft och personalisering: På många andra sätt är ML ett effektivt verktyg för att möjliggöra vad AI:er är designade för att uppnå för användare: personlig upplevelse och resultatförutsägelse. ML är utmärkt när det gäller att leverera en personlig upplevelse till en användare av en e-handelswebbplats, en videostreamingtjänst eller en kundtjänstplattform eftersom det tar datapunkter om vad användaren har gjort tidigare och förutsäger vad användaren så småningom kommer att göra .

• Autonom förbättring: En grundläggande aspekt av begreppet AI är förmågan att designa ett autonomt system. ML tar detta ett steg längre, eftersom system inte bara designas för att fungera autonomt, utan för att optimera prestandan autonomt (till exempel genom att lära sig av data som erhålls efter uppstart). I fallet med ett system som en autonom bil som behöver "lära sig" hur man hanterar en okänd miljö, är en sådan förbättringsslinga väsentlig. Komplex.

• Problemlösning: Aupiter AI försöker ta itu med det svårlösta i det ovannämnda beräkningsutrymmet av verkliga problem, där alla praktiska lösningar verkar vara hopplöst komplicerade och de uppenbara, lätta vägarna går på grund. ML förstärker komplexiteten genom att leverera ett paradigm baserat på att blanda flera modaliteter (t.ex. uppsättningar av algoritmer som t.ex. neurala nät) för att matcha den verkliga komplexiteten och utnyttja hög komplexitet, till stor del ostrukturerad data som oftast är tillgänglig i den verkliga världen.

Sätt ihop de två och du har ett exponentiellt accelererande tekniskt ekosystem – där ML:s förmåga att bygga "induktiva" modeller och lära sig att lära sig genom iterativ utveckling från data, kan förenas med AI:s ännu mer ambitiösa agenda, att modellera mänsklig intelligens till skapa allt mer generalistiska "generativa" system som kan bemästra en mängd olika komplexa uppgifter, spränga genom innovationsgränser och ladda hela industrier.

5. Utmaningar och etiska överväganden

Med praktiskt taget alla snabba framsteg och potentiellt störande teknologier för AI och maskininlärning (ML), finner vi snabbt att oro för hur tekniken kan förändra världen utvecklas nästan lika snabbt som de framväxande och snabbt framskridande teknologierna själva. Det är ett problem utan motstycke: eftersom AI- och ML-system behöver mängder av data för att fungera effektivt skapar vi oro för datasäkerhet och integritet. De bredare etiska frågorna inkluderar frågor om partiskhet och rättvisa i utformningen av AI (dvs. algoritmer kan ge partiska resultat eftersom de har tränats tidigare på partisk data) och att avsiktliga beslutsprocesser implementerade med algoritmer är mer tolkbara och öppna än mänskliga. – särskilt i scenarier inom utbildning, medicinsk och straffrättslig ordning, där transparens kan vara lika viktig som ett beslut i sig. Det kommer att elimineras jobb i automatiseringsprocessen, en situation som kräver välbehövlig personalledning och strategier för omskolning av anställda – och så vidare. I själva verket kan detta parafraseras till: DE STORA BESTÄMMELSERNA:

I framkanten av detta arbete finns ökande krav på att uttala principer och införa standarder för design och distribution av AI- och ML-teknik. Detta kommer att kräva ett storskaligt partnerskap mellan företag, beslutsfattare och andra intressenter för att säkerställa att AI- och ML-tekniker utvecklas och distribueras säkert, rättvist, öppet och för allmänhetens bästa.

6. Framtidsutsikterna: Oändliga möjligheter

Återigen, på gränsen till nästa teknologirevolution – inom AI och ML – gäller samma sak: medicin kommer att förändras när patienter ordineras behandlingar baserade på tomografisk skanning av deras DNA; våra urbana livsvärldar kommer att stöpas om i AI-drivna ML-städer utplacerade i hela vår infrastruktur.

Tillsammans möjliggör AI och ML en framtid, allt mer sömlös och osynlig, där teknologin underbygger så mycket av vår verklighet. Att veta vad som skiljer dem åt, vad de kan åstadkomma och var de kommer att fortsätta slå mot väggar är något som både organisationer, beslutsfattare och allmänheten kommer att vara väl tjänta av att förstå under de kommande åren. Med dessa teknologier som fortfarande utvecklas kommer helt nya världar att dyka upp, andra faller bort och världen omkring oss kommer att fortsätta att förändras genom ögon som ännu inte kan börja se. AI-revolutionen har bara börjat. Möjligheterna är så obegränsade som vår fantasi tillåter.

Artikel av Magda Dąbrowska, en teknisk skribent på WeKnow Media

Kommentera artikeln nedan eller via Twitter: @IoTNow_

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/