AI проти ML: розшифровка технологій, що формують наш світ | IoT Now Новини та звіти

ЗМІ У нашому повсякденному житті стає дедалі важче уникнути слів «Штучний інтелект (AI)'І'Машинне навчання (ML)чи то в промисловості, чи в академії. Ці технології увійшли в наше повсякденне життя та трансформують більшість секторів економіки, створюють нові сфери знань і практики та відкривають нову еру в історії людства. Проте, навіть коли ці форми інтелекту, що швидко розвивається, стають більш помітними в академії та за її межами, їх неточні визначення, нечіткість щодо модальностей та сфери застосування перешкоджають їх повному розумінню. Ця стаття має на меті прояснити ці нові технології, відрізнити їх одна від одної та окреслити їхні широкі наслідки.

1. AI/ML у світі IoT

Штучний інтелект (ШІ), машинне навчання (ML) тощо Інтернет речей (IoT) тісно пов’язані між собою і разом представляють потужну тріаду, яка відкриває нову хвилю інновацій. Ця трійка створює нове покоління розумних автономних продуктів і машин, що самоналаштовуються та самооптимізуються, які, у свою чергу, руйнують і трансформують усі галузі від виробництва до охорони здоров’я. Зв’язок між штучним інтелектом, ML та IoT є природним:

• Інтелект на основі даних:

Генераторами цих даних є датчики та інтелектуальні пристрої, вбудовані в повсякденні об’єкти в таких різноманітних контекстах, як транспортні мережі чи кухонні прилади. Саме потужність і майстерність штучного інтелекту та машинного навчання забезпечують обчислювальний інтелект для обробки, трансформації та аналізу даних і перетворення їх на корисну інформацію. IoT формує рівень збору даних, тоді як AI та ML представляють механізм аналізу, який становить обчислювальний мозок.

У промисловості пристрої IoT трекові датчики обладнання та механізмів. Алгоритми ML можуть визначати зв’язки між його поточними даними та історичними даними, а потім прогнозувати несправність машини чи обладнання, потреби в технічному обслуговуванні та інші проблеми. Весь процес безперервний, і алгоритм ML може передбачати стан машини на основі даних у реальному часі з пристроїв IoT. Наприклад, якщо рівень масла низький або була надмірна вібрація, системи можуть передбачити потенційну поломку машини. Таким чином, прогнозне технічне обслуговування може мінімізувати час простою та знизити витрати на матеріали без істотного збільшення витрат на оплату праці.

• Покращений досвід користувача та персоналізація:

Приклади таких споживчих додатків можна знайти в пристроях IoT, які збирають інформацію про взаємодію та вподобання користувачів. Наприклад, аналізуючи, як ви використовуєте розумний дім, штучний інтелект може контролювати ваше освітлення та температуру на основі вашої поведінки, а алгоритми машинного навчання покращують передбачувані зусилля з часом, якщо ви продовжуєте ним користуватися. Фітнес-трекери також можуть використовувати алгоритми ML для персоналізації рекомендацій щодо здоров’я.

• Автономне прийняття рішень:

Використовуючи AI та ML, пристрої IoT можуть почати приймати автономні рішення на основі даних у реальному часі. Автономні транспортні засоби (екосистема пристроїв Інтернету речей), наприклад, використовують ML, щоб розуміти дані датчиків і вирішувати, які дії під час руху щомиті виконувати на дорозі. У наших будинках і офісах енергетичні мережі використовують штучний інтелект для балансування навантажень мережі та інтелектуальної оптимізації розподілу енергії на основі даних IoT, які надаються в режимі реального часу.

• Покращена безпека:

Безпека та кібератаки можуть проникати в мережі IoT. AI та ML можуть працювати як радар безпеки та виявляти аномалії в стані мереж Інтернету речей або в даних, створених пристроями Інтернету речей, щоб визначити, чи відбувається атака або збирається статися. Таким чином, безпека на основі штучного інтелекту може зробити IoT більш безпечним – ці системи завжди можуть вивчати дані, що надходять із мереж, і оновлювати заходи, які потрібно вживати.

• Операційна ефективність:

У бізнесі та на виробництві IoT вводять багато змінних і параметрів, які аналізуються алгоритмами ML для оптимізації операцій шляхом зменшення кількості відходів і підвищення ефективності. У той же час ШІ можна використовувати для автоматизації більш складних процесів прийняття рішень і, таким чином, для оптимізації в режимі реального часу параметрів роботи.

Коротше кажучи, штучний інтелект і машинне навчання є незамінними для IoT, і розумна система об’єднає всі три в інтелектуальну екосистему навчання, адаптації та прийняття рішень: рушій IoT і прискорювач майбутніх інновацій, які самі сприятимуть розумному регулюванню.

2. Декодування ШІ та машинного навчання: порівняльний огляд

Штучний інтелект (AI)

Штучний інтелект — це галузь — або, можна навіть сказати, дисципліна — інформатики, яка спрямована на створення систем, здатних виконувати завдання, які зазвичай вважаються такими, що вимагають людського інтелекту. Деякі з його суттєвих ознак обертаються навколо використання таких понять, як інтелект і навчання, за допомогою яких можна співвіднести здатність ШІ виконувати завдання зі здатністю людини до пізнання. Приклади таких завдань включають розуміння природної мови, яка може резонувати з людською здатністю говорити; в розпізнавання образів – тісно пов’язані з людською здатністю сприйняття; і властива порівняльна здатність розв’язувати складні проблеми, які включають непередбачені труднощі та невблаганну невизначеність і невизначеність щодо їх вирішення – як головоломки, взяті з реального світу для інтелектуально допитливої ​​людини. Широко поширена думка, що, хоча чат-боти є більш вузько орієнтованими на ціль, штучний інтелект передбачає здатність комп’ютерів виконувати будь-яке з вищезазначених завдань таким чином, щоб ми могли сказати, що комп’ютер «розумний». Це те, що іноді називають «інтелектуальною мімікрією» або «мімезисом» людського інтелекту – коротше кажучи, вчитися на досвіді та «діяти розумно».

Машинне навчання (ML)

Машинне навчання стосується особливо активної сфери штучного інтелекту (ШІ), яка намагається кодифікувати здатність комп’ютерів навчатися, робити вибір або прогнозувати на основі даних, обходячи потребу в людському введенні чи вказівках. Алгоритми навчаються на раніше зібраних наборах даних, доки вони не зрозуміють базові закономірності цих даних, не зроблять усвідомлений вибір на основі того, що вони навчилися, і зможуть продовжувати поступово вдосконалювати свою передбачувану здатність автономно в майбутньому. Метою ML є розробка програм, здатних використовувати дані, щоб стати кращими, більш адаптованими в навчанні самостійно, без втручання, завдання за завданням.

Ключові відмінності:

AI призначений для створення інтелектуального комп’ютера, який вирішує проблеми аналогічним чином, як це робить людина, тоді як ML дозволяє роботам навчатися на даних, щоб скласти точний прогноз.

Функціональність: машина використовує попередньо написаний збірник правил (часто система змінює та «налаштовує» правила на основі результатів), а система ML слідує шаблону-хмарі очікуваних вхідних даних, які ведуть до відповіді.

3. Що вони пропонують: можливості та програми

Внесок AI:

Штучний інтелект досить добре автоматизує рутинні завдання – будь то прості завдання, такі як введення даних, чи приховані процеси, які живлять ці рішення, він максимізує ефективність і продуктивність.

• Пізнавальні послуги:

Завдяки когнітивним службам (для розуміння мови, мови та зору) комп’ютер оснащений більш широким спектром взаємодії з людиною.

• Прийняття рішень:

Системи штучного інтелекту можуть робити значущі висновки про сьогодення, порівнюючи та зіставляючи минулі та теперішні дані, встановлюючи обґрунтовані зв’язки та синтезуючи низку вхідних даних.

Внески ML:

• Прогнозний аналіз:

Моделі машинного навчання чудово підходять для передбачення та прогнозування тенденцій і поведінки на основі минулих даних, і саме тут їх можна застосовувати, наприклад, у фінансовому, медичному та маркетинговому секторах.

• Розпізнавання образів:

Одним із найуспішніших застосувань машинного навчання є навчання розпізнавання прихованих шаблонів у даних, таких як аномальна активність у сфері кібербезпеки або ознаки захворювання в діагностичній медицині.

• Індивідуалізація:

ML забезпечує індивідуальний досвід користувача залежно від того, як окремий користувач взаємодіяв із службою в минулому, і може використовуватися для покращення послуг електронної комерції, розваг тощо.

4. Синергічний зв’язок: як AI і ML доповнюють один одного

Ці стосунки також є взаємно підтримуючими, коли наука в одній подає зворотний зв’язок, щоб покращити та інформувати іншу науку, що зароджується, а отримані системи з часом стають більш спроможними та когнітивно потужними. ШІ є організатором: галузь штучного інтелекту визначає загальні цілі та архітектури для створення машин, які, в принципі, можуть демонструвати аспекти людського інтелекту. ML — це інструментарій: сфера машинного навчання пропонує методи та техніки, які дозволяють цим машинам вивчати дані, ставати кращими з практикою та приймати рішення.

• Розширені можливості навчання: Тож налаштуватися на «вібрації» людства в реальному світі є надзвичайно важливим. Системи штучного інтелекту призначені для отримання інформації від людського інтелекту, а ML дозволяє машинам вчитися на досвіді так само, як це роблять люди. Якщо статистичне навчання з’єднує машини та людей, тоді машинне навчання має певні перспективи – керовані даними системи повинні навчитися «перекалібрувати» (як це роблять люди), коли стикаються з новими прикладами «людської» поведінки (наприклад, водіння, взаємодія з іншими людьми). люди тощо).

• Прийняття рішень на основі даних: Бути «розумним» у ШІ означає «вміти приймати рішення». ML — це (ймовірно) нульова гіпотеза про те, як найкраще зробити штучний інтелект швидким у прийнятті рішень, надавши йому інструменти для аналізу великої кількості даних про те, що об’єкти штучного інтелекту роблять щомиті, з’ясувати, які закономірності є в цих даних, і потім (робить прогноз) використовує аналіз і розпізнавання образів, щоб прийняти наступне рішення.

• Передбачувана сила та персоналізація: У багатьох інших аспектах ML є ефективним інструментом, який робить можливим те, для чого AI призначений для користувачів: персоналізований досвід і прогнозування результатів. ML чудово підходить для надання персоналізованого досвіду користувачам веб-сайту електронної комерції, сервісу потокового відео або платформи обслуговування клієнтів, оскільки він бере дані про те, що користувач робив у минулому, і передбачає, що цей користувач зрештою зробить .

• Автономне вдосконалення: Фундаментальним аспектом концепції ШІ є можливість проектувати автономну систему. ML робить це ще далі, оскільки системи створюються не просто для автономної роботи, а й для автономної оптимізації продуктивності (наприклад, шляхом навчання на основі даних, отриманих після запуску). У випадку такої системи, як автономний автомобіль, якому потрібно «навчитися» поводитися з невідомим середовищем, така петля вдосконалення є важливою. Комплекс.

• Вирішення проблем: Aupiter AI прагне впоратися з нерозв’язним у вищезгаданому обчислювальному просторі проблем реального світу, де всі практичні рішення здаються безнадійно складними, а очевидні, легкі шляхи сходять на мілину. ML посилює складність, надаючи парадигму на основі змішування кількох модальностей (наприклад, наборів алгоритмів, таких як нейронні мережі), щоб відповідати складності реального світу та використовувати високоскладні, значною мірою неструктуровані дані, які здебільшого доступні в реальному світі.

Поєднайте ці два разом, і ви отримаєте експоненціально прискорювану технологічну екосистему, у якій здатність ML створювати «індуктивні» моделі та вчитися вчитися шляхом ітераційного розвитку даних можна поєднати з ще більш амбітною програмою ШІ – моделювання людського інтелекту для створювати все більш загальні «генеративні» системи, які можуть опанувати широкий спектр складних завдань, долати межі інновацій і турбонаддув цілих галузей.

5. Виклики та етичні міркування

Практично з усіма технологіями штучного інтелекту та машинного навчання (ML), які швидко розвиваються та потенційно проривними, ми швидко виявляємо, що занепокоєння щодо того, як ця технологія може змінити світ, розвивається майже так само швидко, як і самі нові та швидко прогресуючі технології. Це безпрецедентна проблема: оскільки системам штучного інтелекту та машинного навчання потрібен обсяг даних для ефективної роботи, ми породжуємо занепокоєння щодо безпеки та конфіденційності даних. Більш широкі етичні проблеми включають питання упередженості та справедливості в розробці штучного інтелекту (тобто алгоритми можуть давати необ’єктивні результати, оскільки вони були навчені раніше на необ’єктивних даних), а також те, що навмисні процеси прийняття рішень, реалізовані алгоритмом, є більш доступними для інтерпретації та відкритими, ніж людські. – особливо в освітніх, медичних і кримінальних сценаріях, де прозорість може бути такою ж важливою, як і саме рішення. У процесі автоматизації будуть ліквідовані робочі місця, виникне ситуація, яка вимагатиме вкрай необхідного управління робочою силою та стратегій перенавчання працівників – і так далі. Насправді це можна перефразувати так: ВЕЛИКІ ТВОРИ:

На передньому краї цієї роботи зростають заклики проголошувати принципи та нав’язувати стандарти для проектування та розгортання технологій ШІ та ML. Для цього знадобиться широкомасштабне партнерство між компаніями, політиками та іншими зацікавленими сторонами, щоб гарантувати, що технології AI та ML розробляються та розгортаються безпечно, чесно, прозоро та для суспільного блага.

6. Погляд на майбутнє: безмежні можливості

Ще раз, на порозі наступної технологічної революції – у штучному інтелекті та машинному обігу – те саме стосується: медицина трансформуватиметься, оскільки пацієнтам призначатимуть лікування на основі томографічного сканування їх ДНК; наші міські життєві світи буде перероблено в міста машинного навчання на основі штучного інтелекту, розгорнуті по всій нашій інфраструктурі.

Взяті разом, штучний інтелект та машинне навчання створюють майбутнє, дедалі більш безперебійне та непомітне, у якому технології лежать в основі нашої реальності. Знання того, що їх розділяє, чого вони можуть досягти і де вони продовжуватимуть натикатися на стіни, – це те, що організаціям, політикам і населенню в цілому буде корисно зрозуміти в найближчі роки. Оскільки ці технології все ще розвиваються, з’являться абсолютно нові світи, інші відпадуть, а світ навколо нас продовжуватиме змінюватися очима, які ще не бачать. Революція ШІ тільки починається. Можливості настільки безмежні, наскільки дозволяє наша уява.

Стаття Магди Домбровської, технічного автора WeKnow Media

Прокоментуйте цю статтю нижче або через Twitter: @IoTNow_

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/