AI so với ML: Giải mã các công nghệ định hình thế giới của chúng ta | Tin tức và báo cáo về IoT Now

Media Trong cuộc sống hàng ngày của chúng ta, việc tránh nghe những từ 'Artificial Intelligence (AI)'Và'Học máy (ML)' cho dù trong ngành công nghiệp hay học viện. Những công nghệ này đã đi vào cuộc sống hàng ngày của chúng ta và đang làm biến đổi hầu hết các lĩnh vực của nền kinh tế, xây dựng những lĩnh vực kiến ​​thức và thực tiễn mới, đồng thời mở ra một kỷ nguyên mới trong lịch sử nhân loại. Tuy nhiên, ngay cả khi những dạng trí thông minh phát triển nhanh chóng này trở nên rõ ràng hơn trong và ngoài học viện, thì những định nghĩa không chính xác, sự mơ hồ về phương thức và phạm vi ứng dụng của chúng đã cản trở sự hiểu biết đầy đủ của chúng. Bài viết này nhằm mục đích làm rõ những công nghệ mới này, phân biệt chúng với nhau và phác thảo những tác động sâu rộng của chúng.

1. AI/ML trong thế giới IoT

Trí tuệ nhân tạo (AI), Học máy (ML) và Internet of Things (IOT) được liên kết phức tạp và cùng nhau đại diện cho một bộ ba quyền lực, mở ra một làn sóng đổi mới mới. Bộ ba này đang tạo điều kiện cho một thế hệ mới của các sản phẩm và máy móc tự động thông minh, tự điều chỉnh và tự tối ưu hóa, từ đó đang đột phá và chuyển đổi mọi lĩnh vực từ sản xuất sang chăm sóc sức khỏe. Mối liên kết giữa AI, ML và IoT là một mối liên kết tự nhiên:

• Trí tuệ dựa trên dữ liệu:

Bộ tạo dữ liệu này là các cảm biến và thiết bị thông minh được nhúng trong các vật dụng hàng ngày, trong các bối cảnh đa dạng như mạng lưới giao thông hoặc thiết bị nhà bếp. Chính sức mạnh và sức mạnh của AI và ML cung cấp trí thông minh tính toán để xử lý, chuyển đổi và phân tích dữ liệu, đồng thời biến nó thành thông tin có thể hành động được. IoT tạo thành lớp thu thập dữ liệu, trong khi AI và ML đại diện cho công cụ phân tích cấu thành nên bộ não tính toán.

Trong công nghiệp, thiết bị IoT cảm biến theo dõi của thiết bị và máy móc. Thuật toán ML có thể xác định các liên kết giữa dữ liệu hiện tại và dữ liệu lịch sử, sau đó dự đoán lỗi máy hoặc thiết bị, nhu cầu bảo trì và các vấn đề khác. Toàn bộ quá trình diễn ra liên tục và thuật toán ML có thể dự đoán tình trạng máy dựa trên dữ liệu thời gian thực từ các thiết bị IoT. Ví dụ: nếu mức dầu thấp hoặc có độ rung quá mức, hệ thống có thể dự đoán khả năng máy bị hỏng. Bằng cách này, bảo trì dự đoán có thể giảm thiểu thời gian ngừng hoạt động và giảm chi phí vật liệu mà không làm tăng đáng kể chi phí lao động.

• Nâng cao trải nghiệm người dùng và cá nhân hóa:

Ví dụ về các ứng dụng tiêu dùng này có thể được tìm thấy trong các thiết bị IoT thu thập thông tin về tương tác và sở thích của người dùng. Ví dụ: bằng cách phân tích cách bạn sử dụng ngôi nhà thông minh, AI có thể kiểm soát ánh sáng và nhiệt độ dựa trên hành vi của bạn, với các thuật toán học máy sẽ cải thiện nỗ lực dự đoán theo thời gian nếu bạn tiếp tục sử dụng nó. Người theo dõi sức khỏe cũng có thể sử dụng thuật toán ML để cá nhân hóa các đề xuất về sức khỏe.

• Tự chủ ra quyết định:

Sử dụng AI và ML, các thiết bị IoT có thể bắt đầu đưa ra quyết định tự chủ dựa trên dữ liệu thời gian thực. Ví dụ: phương tiện tự lái (hệ sinh thái của các thiết bị IoT) sử dụng ML để hiểu dữ liệu cảm biến và quyết định hành động lái xe nào sẽ thực hiện theo từng thời điểm trên đường. Trong gia đình và văn phòng của chúng ta, lưới năng lượng sử dụng AI để cân bằng tải lưới và tối ưu hóa việc phân phối năng lượng một cách thông minh dựa trên dữ liệu IoT được cung cấp trong thời gian thực.

• Bảo mật nâng cao:

An ninh và tấn công mạng có thể len ​​lỏi vào mạng IoT. AI và ML có thể hoạt động giống như radar bảo mật và phát hiện những điểm bất thường trong trạng thái của mạng IoT hoặc trong dữ liệu do thiết bị IoT tạo ra để biết liệu một cuộc tấn công đang diễn ra hay sắp xảy ra. Do đó, bảo mật được hỗ trợ bởi AI có thể giúp IoT an toàn hơn – các hệ thống này luôn có thể học hỏi từ dữ liệu đến từ mạng và cập nhật các biện pháp để áp dụng.

• Hiệu quả hoạt động:

Trong kinh doanh và sản xuất, IoT nhập rất nhiều biến số và thông số được phân tích bằng thuật toán ML để tối ưu hóa hoạt động bằng cách cắt giảm lượng chất thải và nâng cao hiệu quả. Đồng thời, AI có thể được sử dụng để tự động hóa các quy trình ra quyết định phức tạp hơn và bằng cách này để tối ưu hóa các thông số vận hành trong thời gian thực.

Nói tóm lại, AI và ML là không thể thiếu đối với IoT và một hệ thống thông minh sẽ tích hợp cả ba như một hệ sinh thái thông minh về học tập, thích ứng và quyết định: một trình điều khiển và tăng tốc IoT cho những đổi mới trong tương lai, bản thân nó được hỗ trợ bởi quy định thông minh.

2. Giải mã AI và Machine Learning: Tổng quan so sánh

Artificial Intelligence (AI)

Trí tuệ nhân tạo là một lĩnh vực - hay thậm chí chúng ta có thể gọi là môn học - của khoa học máy tính nhằm tạo ra các hệ thống có khả năng thực hiện các nhiệm vụ thường được coi là đòi hỏi trí thông minh của con người. Một số điểm cơ bản của nó xoay quanh việc sử dụng các khái niệm như trí thông minh và khả năng học tập, qua đó người ta liên hệ khả năng thực hiện nhiệm vụ của AI với khả năng nhận thức của con người. Ví dụ về những nhiệm vụ như vậy bao gồm sự hiểu biết về ngôn ngữ tự nhiên - ngôn ngữ có thể cộng hưởng với khả năng nói của con người; các nhận dạng mẫu – liên quan chặt chẽ đến khả năng nhận thức của con người; và khả năng vốn có thể so sánh được trong việc giải quyết các vấn đề phức tạp liên quan đến những khó khăn không thể đoán trước cũng như sự mơ hồ và không chắc chắn không thể tránh khỏi về giải pháp của chúng - giống như những câu đố được rút ra từ thế giới thực dành cho con người tò mò về mặt trí tuệ. Người ta cho rằng, trong khi chatbot có định hướng mục tiêu hẹp hơn, thì AI lại liên quan đến khả năng máy tính thực hiện bất kỳ tác vụ nào nêu trên theo cách khiến chúng ta phải nói rằng máy tính là 'thông minh'. Đây là cái đôi khi được gọi là 'bắt chước trí tuệ' hay 'bắt chước' trí thông minh của con người - nói tóm lại là học hỏi kinh nghiệm và 'hành động khéo léo'.

Học máy (ML)

Học máy liên quan đến một lĩnh vực đặc biệt tích cực của Trí tuệ nhân tạo (AI) cố gắng hệ thống hóa khả năng học hỏi, đưa ra lựa chọn hoặc dự đoán của máy tính dựa trên dữ liệu, bỏ qua nhu cầu về đầu vào hoặc hướng dẫn của con người. Các thuật toán được đào tạo trên các tập dữ liệu đã thu thập trước đó cho đến khi chúng hiểu được các mẫu cơ bản của dữ liệu đó, đưa ra các lựa chọn sáng suốt dựa trên những gì chúng đã học được và có khả năng tiếp tục cải thiện dần khả năng dự đoán một cách tự động trong tương lai. Mục tiêu của ML là phát triển các chương trình có khả năng khai thác dữ liệu để trở nên tốt hơn, thích ứng hơn trong việc tự học mà không cần can thiệp, theo từng nhiệm vụ.

Sự khác biệt chính:

AI dùng để xây dựng một máy tính thông minh có thể giải quyết các vấn đề theo cách tương tự như con người, trong khi ML cho phép robot học từ dữ liệu để đưa ra dự báo chính xác.

Chức năng: máy sử dụng sách quy tắc được viết sẵn (thường hệ thống sẽ linh hoạt và 'chỉnh sửa' các quy tắc dựa trên kết quả) so với hệ thống ML tuân theo một đám mây mẫu gồm các đầu vào dự kiến ​​dẫn đến câu trả lời.

3. Họ mang đến điều gì: Khả năng và ứng dụng

Đóng góp của AI:

Trí tuệ nhân tạo khá giỏi trong việc tự động hóa các tác vụ thông thường – cho dù đây là những công việc đơn giản như nhập dữ liệu hay các quy trình ẩn cung cấp các quyết định đó, nó sẽ tối đa hóa hiệu quả và năng suất.

• Dịch vụ nhận thức:

Nhờ các dịch vụ nhận thức (để hiểu ngôn ngữ, lời nói và tầm nhìn), máy tính được trang bị phạm vi tương tác rộng hơn với con người.

• Quyết định:

Hệ thống AI có thể đưa ra những kết luận có ý nghĩa về hiện tại bằng cách so sánh và đối chiếu dữ liệu trong quá khứ và hiện tại, tạo ra các kết nối và tổng hợp đầy đủ thông tin về các luồng đầu vào.

Đóng góp của ML:

• Phân tích tiên đoán:

Các mô hình ML rất xuất sắc trong việc dự đoán và dự báo các xu hướng cũng như hành vi từ dữ liệu trong quá khứ và đây là lúc chúng có thể được áp dụng, chẳng hạn như trong lĩnh vực tài chính, y tế và tiếp thị.

• Nhận dạng mẫu:

Một trong những ứng dụng ML thành công nhất là học cách nhận biết các mẫu ẩn trong dữ liệu, chẳng hạn như hoạt động bất thường trong an ninh mạng hoặc các dấu hiệu nhận biết bệnh tật trong y học chẩn đoán.

• Cá nhân hóa:

ML tạo ra trải nghiệm người dùng tùy chỉnh tùy thuộc vào cách người dùng cá nhân đã tương tác với dịch vụ trong quá khứ và có thể được sử dụng để cải thiện các dịch vụ cho thương mại điện tử, giải trí và hơn thế nữa.

4. Mối quan hệ hiệp lực: AI và ML bổ sung cho nhau như thế nào

Mối quan hệ đó cũng hỗ trợ lẫn nhau, với khoa học này phản hồi lại để cải thiện và cung cấp thông tin cho khoa học non trẻ khác, và kết quả là các hệ thống ngày càng có khả năng và mạnh mẽ hơn về mặt nhận thức theo thời gian. AI là người tổ chức: lĩnh vực trí tuệ nhân tạo xác định các mục tiêu và kiến ​​trúc tổng thể để chế tạo máy móc, về nguyên tắc, có thể thể hiện các khía cạnh của trí thông minh con người. ML là bộ công cụ: lĩnh vực học máy cung cấp các phương pháp và kỹ thuật cho phép những máy này học mọi thứ từ dữ liệu, thực hành tốt hơn và đưa ra quyết định.

• Khả năng học tập nâng cao: Vì vậy, việc điều chỉnh 'sự rung động' trong thế giới thực của con người là rất quan trọng. Hệ thống AI được cho là được thông báo bởi trí thông minh của con người và ML cho phép máy móc học hỏi từ kinh nghiệm, theo cách mà con người làm. Nếu học thống kê là cầu nối giữa máy móc và con người, thì ML có một số hứa hẹn - hệ thống dựa trên dữ liệu phải học cách 'hiệu chỉnh lại' (như con người) khi đối mặt với các ví dụ mới về hành vi 'con người' (ví dụ: lái xe, tương tác với người khác). con người, v.v.).

• Ra quyết định dựa trên dữ liệu: Trở nên 'thông minh' trong AI có nghĩa là 'trở thành người đưa ra quyết định đúng đắn'. ML (có thể) là một giả thuyết vô giá trị về cách tốt nhất giúp AI đưa ra quyết định nhanh chóng bằng cách cung cấp cho nó các công cụ để phân tích nhiều dữ liệu về bất kỳ đối tượng AI nào đang thực hiện mỗi thời điểm, tìm ra các mẫu trong dữ liệu đó và sau đó (đưa ra dự đoán) sử dụng phân tích và nhận dạng mẫu để đưa ra quyết định tiếp theo.

• Khả năng dự đoán và cá nhân hóa: Theo nhiều cách khác, ML là một công cụ hiệu quả để hiện thực hóa những gì AI được thiết kế nhằm đạt được cho người dùng: trải nghiệm cá nhân hóa và dự đoán kết quả. ML rất tuyệt vời trong việc cung cấp trải nghiệm được cá nhân hóa cho người dùng trang web thương mại điện tử, dịch vụ truyền phát video hoặc nền tảng dịch vụ khách hàng vì nó lấy điểm dữ liệu về những gì người dùng đã làm trong quá khứ và dự đoán những gì người dùng đó cuối cùng sẽ làm .

• Cải tiến tự chủ: Một khía cạnh cơ bản của khái niệm AI là khả năng thiết kế một hệ thống tự trị. ML tiến thêm một bước nữa vì các hệ thống không chỉ được thiết kế để hoạt động tự chủ mà còn để tối ưu hóa hiệu suất một cách tự động (ví dụ: bằng cách học hỏi từ dữ liệu thu được sau khi khởi động). Trong trường hợp một hệ thống như ô tô tự hành cần 'học' cách đối phó với một môi trường chưa xác định, thì vòng lặp cải tiến như vậy là điều cần thiết. Tổ hợp.

• Giải quyết vấn đề: Aupiter AI tìm cách giải quyết những vấn đề khó giải quyết trong không gian tính toán nói trên của các vấn đề trong thế giới thực, nơi tất cả các giải pháp thực tế dường như phức tạp đến mức vô vọng và những con đường rõ ràng, dễ dàng mắc cạn. ML kết hợp sự phức tạp bằng cách cung cấp một mô hình dựa trên việc kết hợp nhiều phương thức (ví dụ: các bộ thuật toán như lưới thần kinh) để phù hợp với độ phức tạp trong thế giới thực và khai thác dữ liệu có độ phức tạp cao, phần lớn không có cấu trúc, hầu hết có sẵn trong thế giới thực.

Kết hợp cả hai lại với nhau và bạn có một hệ sinh thái công nghệ tăng tốc theo cấp số nhân - trong đó khả năng của ML trong việc xây dựng các mô hình 'quy nạp' và học cách học bằng cách phát triển lặp lại từ dữ liệu, có thể được liên minh với chương trình nghị sự thậm chí còn tham vọng hơn của AI, về mô hình hóa trí thông minh của con người để tạo ra các hệ thống 'sáng tạo' tổng quát hơn bao giờ hết, có thể xử lý nhiều nhiệm vụ phức tạp khác nhau, vượt qua các ranh giới đổi mới và thúc đẩy toàn bộ ngành công nghiệp.

5. Những thách thức và cân nhắc về mặt đạo đức

Với hầu hết mọi công nghệ phát triển nhanh và có khả năng đột phá cho AI và máy học (ML), chúng tôi nhanh chóng nhận thấy rằng mối lo ngại về cách công nghệ này có thể thay đổi thế giới cũng phát triển gần như nhanh chóng như chính các công nghệ mới nổi và tiến bộ nhanh chóng. Đây là một vấn đề chưa từng có: vì hệ thống AI và ML cần lượng dữ liệu lớn để hoạt động hiệu quả nên chúng ta lo lắng về bảo mật và quyền riêng tư dữ liệu. Các mối quan tâm đạo đức rộng hơn bao gồm các vấn đề về sai lệch và công bằng trong thiết kế AI (tức là các thuật toán có thể tạo ra kết quả sai lệch vì chúng đã được đào tạo trước đó về dữ liệu sai lệch) và các quy trình quyết định có chủ ý được thực hiện bằng thuật toán dễ hiểu và cởi mở hơn so với các quy trình của con người. – đặc biệt là trong các tình huống giáo dục, y tế và tư pháp hình sự, trong đó tính minh bạch có thể quan trọng như chính quyết định. Sẽ có những công việc bị loại bỏ trong quá trình tự động hóa, một tình huống đòi hỏi các chiến lược quản lý lực lượng lao động và đào tạo lại nhân viên rất cần thiết – v.v. Trong thực tế, điều này có thể được diễn giải thành: NHỮNG LO LẮNG LỚN:

Điểm nổi bật của công việc này là ngày càng có nhiều lời kêu gọi đưa ra các nguyên tắc và áp đặt các tiêu chuẩn cho việc thiết kế và triển khai công nghệ AI và ML. Điều này sẽ đòi hỏi sự hợp tác quy mô lớn giữa các công ty, các nhà hoạch định chính sách và các bên liên quan khác để đảm bảo rằng công nghệ AI và ML được phát triển và triển khai một cách an toàn, công bằng, minh bạch và vì lợi ích chung.

6. Triển vọng tương lai: Khả năng vô tận

Một lần nữa, trên đỉnh cao của cuộc cách mạng công nghệ tiếp theo – về AI và ML – điều tương tự cũng được áp dụng: y học sẽ biến đổi khi bệnh nhân được chỉ định phương pháp điều trị dựa trên chụp cắt lớp DNA của họ; thế giới cuộc sống đô thị của chúng ta sẽ được tái tạo lại trong các thị trấn ML do AI điều khiển được triển khai trên toàn bộ cơ sở hạ tầng của chúng ta.

Kết hợp lại với nhau, AI và ML đang tạo nên một tương lai, ngày càng liền mạch và vô hình, trong đó công nghệ củng cố rất nhiều thực tế của chúng ta. Biết được điều gì ngăn cách họ, điều gì họ có thể đạt được và nơi họ sẽ tiếp tục gặp khó khăn là điều mà các tổ chức, nhà hoạch định chính sách cũng như người dân nói chung sẽ cần phải hiểu rõ trong những năm tới. Với những công nghệ này vẫn đang phát triển, những thế giới hoàn toàn mới sẽ xuất hiện, những thế giới khác sẽ biến mất và thế giới xung quanh chúng ta sẽ tiếp tục thay đổi qua những con mắt chưa thể nhìn thấy. Cuộc cách mạng AI chỉ mới bắt đầu. Khả năng là vô hạn như trí tưởng tượng của chúng ta cho phép.

Bài viết của Magda Dąbrowska, nhà văn kỹ thuật tại WeKnow Media

Nhận xét về bài viết này bên dưới hoặc qua Twitter: @IoTNow_

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/