AI vs. ML: Decodificarea tehnologiilor care modelează lumea noastră | Știri și rapoarte IoT Now

Media În viața noastră de zi cu zi, a devenit din ce în ce mai greu să evităm să auzim cuvintele „Artificial Intelligence (AI)"Și"Învățare automată (ML)' fie în industrie sau în mediul academic. Aceste tehnologii au intrat în viața noastră de zi cu zi și transformă majoritatea sectoarelor economiei, construind noi sfere de cunoaștere și practică și inaugurând o nouă eră în istoria umanității. Cu toate acestea, chiar dacă aceste forme de inteligență cu evoluție rapidă devin mai vizibile în interiorul și în afara academiei, definițiile lor imprecise, neclaritatea modalităților și domeniul de aplicare a acestora împiedică înțelegerea lor deplină. Acest articol își propune să clarifice aceste noi tehnologii, să le distingă unele de altele și să sublinieze implicațiile lor majore.

1. AI/ML în lumea IoT

Inteligența artificială (AI), Machine Learning (ML) și Internetul obiectelor (IoT) sunt strâns legate și împreună reprezintă o triadă puternică, dând startul unui nou val de inovație. Trio-ul permite o nouă generație de produse și mașini autonome inteligente, care se ajustează și se autooptimizează, care, la rândul lor, perturbă și transformă fiecare sector, de la producție la îngrijirea sănătății. Legătura dintre AI și ML și IoT este una firească:

• Inteligență bazată pe date:

Generatorii acestor date sunt senzorii și dispozitivele inteligente încorporate în obiecte de zi cu zi, în contexte atât de diverse precum rețelele de trafic sau aparatele de bucătărie. Puterea și priceperea AI și ML sunt cele care oferă inteligența computațională pentru a procesa, transforma și analiza datele și le transformă în informații utile. IoT formează stratul de captare a datelor, în timp ce AI și ML reprezintă motorul de analiză care constituie creierul computațional.

În industrie, dispozitive IoT senzori de urmărire a echipamentelor și mașinilor. Algoritmii ML pot identifica legăturile dintre datele actuale și datele istorice și apoi pot prezice defecțiuni ale mașinii sau echipamentelor, nevoile de întreținere și alte probleme. Întregul proces este continuu, iar algoritmul ML poate prezice condițiile mașinii pe baza datelor în timp real de la dispozitivele IoT. De exemplu, dacă nivelurile de ulei sunt scăzute sau au existat vibrații excesive, sistemele ar putea prezice o potențială defecțiune a mașinii. În acest fel, întreținerea predictivă poate minimiza timpul de nefuncționare și poate reduce costurile materialelor fără a crește semnificativ costurile cu forța de muncă.

• Experiență de utilizator îmbunătățită și personalizare:

Exemple de aceste aplicații pentru consumatori pot fi găsite în dispozitivele IoT care colectează informații despre interacțiunile și preferințele utilizatorilor. De exemplu, analizând modul în care utilizați o casă inteligentă, AI vă poate controla iluminarea și temperatura în funcție de comportamentul dvs., algoritmii de învățare automată îmbunătățind eforturile de predicție în timp, dacă continuați să o utilizați. Trackerele de fitness pot folosi, de asemenea, algoritmi ML pentru a personaliza recomandările de sănătate.

• Luare autonomă a deciziilor:

Folosind AI și ML, dispozitivele IoT pot începe să ia decizii autonome bazate pe date în timp real. Vehiculele autonome (un ecosistem de dispozitive IoT), de exemplu, folosesc ML pentru a înțelege datele senzorilor și pentru a decide ce acțiuni de conducere să întreprindă moment cu moment pe drum. În casele și birourile noastre, rețelele energetice folosesc AI pentru a echilibra sarcinile rețelei și pentru a optimiza în mod inteligent distribuția energiei pe baza datelor IoT furnizate în timp real.

• Securitate sporită:

Securitate și atacuri cibernetice se poate strecura în rețelele IoT. AI și ML pot funcționa ca un radar de securitate și pot detecta anomalii în starea rețelelor IoT sau în datele generate de dispozitivele IoT pentru a spune dacă un atac are loc sau este pe cale să aibă loc. Securitatea bazată pe inteligență artificială poate, prin urmare, să facă IoT mai sigur – aceste sisteme pot întotdeauna învăța din datele care provin din rețele și pot actualiza măsurile de adoptat.

• Eficienta operationala:

În afaceri și producție, IoT introduce o mulțime de variabile și parametri care sunt analizați de algoritmi ML pentru a optimiza operațiunile prin reducerea cantității de deșeuri și îmbunătățirea eficienței. În același timp, AI poate fi folosită pentru a automatiza procese mai complexe de luare a deciziilor și, în acest fel, pentru a optimiza, în timp real, parametrii de funcționare.

Pe scurt, AI și ML sunt indispensabile pentru IoT, iar un sistem inteligent le va integra pe toate trei ca un ecosistem inteligent de învățare, adaptare și decizie: un motor IoT și un accelerator al inovațiilor viitoare, el însuși ajutat de o reglementare inteligentă.

2. Decodificarea AI și învățarea automată: o privire de ansamblu comparativă

Artificial Intelligence (AI)

Inteligența artificială este un domeniu – sau putem spune chiar disciplină – al informaticii care își propune să creeze sisteme capabile să îndeplinească sarcini care sunt considerate în mod obișnuit ca necesitând inteligență umană. Unele dintre semnele sale esențiale gravitează în jurul utilizării unor concepte precum inteligența și învățarea, prin care se corelează capacitatea de îndeplinire a sarcinilor AI cu facultatea de cunoaștere a omului. Exemple de astfel de sarcini includ înțelegerea limbajului natural – care ar putea rezona cu capacitatea umană de a vorbi; cel recunoasterea formelor – strâns legată de facultatea umană de percepție; și capacitatea inerent comparabilă de a rezolva probleme complexe care implică dificultăți imprevizibile și vag inexorabil și incertitudine în ceea ce privește soluțiile lor - precum puzzle-uri extrase din lumea reală pentru omul curios din punct de vedere intelectual. Este larg răspândit că, în timp ce chatbot-urile sunt mai strict orientate spre obiective, AI implică capacitatea computerelor de a îndeplini oricare dintre sarcinile menționate mai sus într-un mod care ne-ar face să spunem că computerul este „inteligent”. Aceasta este ceea ce se numește uneori „mimetism intelectual” sau „mimesis” a inteligenței umane – pe scurt, să înveți din experiență și să „acționezi inteligent”.

Învățare automată (ML)

Învățarea automată se referă la o zonă deosebit de activă a inteligenței artificiale (IA) care încearcă să codifice capacitatea computerelor de a învăța, de a face alegeri sau predicții bazate pe date, ocolind nevoia de aport sau îndrumare umană. Algoritmii sunt antrenați pe seturi de date colectate anterior până când înțeleg tiparele care stau la baza acelor date, fac alegeri informate pe baza a ceea ce au învățat și sunt capabili să continue să își îmbunătățească progresiv capacitatea de predicție în mod autonom. Obiectivul ML este de a dezvolta programe capabile să exploateze datele pentru a deveni mai buni, mai adaptabili la învățare pe cont propriu, fără intervenție, sarcină cu sarcină.

Diferențe cheie:

AI este pentru construirea unui computer inteligent care rezolvă problemele într-un mod analog ca un om, în timp ce ML permite unui robot să învețe din date pentru a realiza o prognoză precisă.

Funcționalitate: mașina folosește un cadru de reguli pre-scris (adesea sistemul flexează și „ajustează” regulile în funcție de rezultate) în comparație cu sistemul ML urmează un model-nor de intrări așteptate care duce la un răspuns.

3. Ce aduc ei la masă: Capabilități și aplicații

Contribuțiile AI:

Inteligența artificială este destul de bună la automatizarea sarcinilor de rutină – indiferent dacă acestea sunt locuri de muncă simple, cum ar fi introducerea de date, sau procesele ascunse care alimentează aceste decizii, maximizează eficiența și productivitatea.

• Servicii cognitive:

Datorită serviciilor cognitive (pentru înțelegerea limbajului, vorbirea și viziunea), computerul este echipat cu o gamă mai largă de interacțiuni cu oamenii.

• Luarea deciziilor:

Sistemele de inteligență artificială pot ajunge la concluzii semnificative despre prezent prin compararea și contrastarea datelor trecute și prezente, făcând conexiuni în cunoștință de cauză și sinteze ale unor cantități de input.

Contribuțiile lui ML:

• Analiza predictiva:

Modelele ML sunt excelente la predicția și prognoza tendințelor și comportamentelor din datele anterioare și aici pot fi aplicate, ca în sectoarele financiar, medical și de marketing.

• Recunoasterea formelor:

Una dintre cele mai de succes aplicații ML este să învețe să recunoască tiparele îngropate în date, cum ar fi activitatea anormală în securitatea cibernetică sau semnele de boală în medicina de diagnostic.

• Individualizarea:

ML produce experiențe personalizate de utilizator în funcție de modul în care un utilizator individual a interacționat cu serviciul în trecut și poate fi folosit pentru a îmbunătăți serviciile pentru comerțul electronic, divertisment și multe altele.

4. Relația sinergică: cum AI și ML se completează reciproc

Această relație se susține, de asemenea, reciproc, știința dintr-unul alimentându-se pentru a îmbunătăți și informa cealaltă știință în curs de dezvoltare, iar sistemele rezultate devin mai capabile și mai puternice din punct de vedere cognitiv în timp. AI este organizatorul: domeniul inteligenței artificiale definește obiectivele și arhitecturile generale pentru construirea de mașini care, în principiu, pot prezenta aspecte ale inteligenței umane. ML este trusa de instrumente: domeniul învățării automate furnizează metodele și tehnicile care permit acestor mașini să învețe lucruri din date, să se îmbunătățească prin practică și să ia decizii.

• Capacități de învățare îmbunătățite: Deci, acordarea la „vibrațiile” umanității din lumea reală este crucială. Sistemele AI sunt menite să fie informate de inteligența umană, iar ML permite mașinilor să învețe din experiență, așa cum o fac oamenii. Dacă învățarea statistică face legătura între mașini și oameni, atunci ML are o promisiune – sistemele bazate pe date trebuie să învețe cum să „recalibreze” (cum o fac oamenii) atunci când se confruntă cu noi exemple de comportament „uman” (de exemplu, conducerea, interacțiunea cu alte persoane). oameni și așa mai departe).

• Luare decizii bazate pe date: A fi „inteligent” în AI înseamnă „a fi un bun decident”. ML este (probabil) o ipoteză nulă pentru cel mai bun mod de a face AI rapid în luarea deciziilor, oferindu-i instrumentele pentru a analiza o mulțime de date despre ceea ce fac obiectele AI în fiecare moment, a afla care sunt modelele în acele date și apoi (face o predicție) folosește analiza și recunoașterea modelelor pentru a lua următoarea decizie.

• Putere predictivă și personalizare: În multe alte moduri, ML este un instrument eficient pentru a face posibil ceea ce AI-urile sunt concepute pentru a realiza utilizatorilor: experiență personalizată și predicție a rezultatelor. ML este excelent pentru a oferi o experiență personalizată unui utilizator al unui site de comerț electronic, al unui serviciu de streaming video sau al unei platforme de servicii pentru clienți, deoarece preia puncte de date despre ceea ce utilizatorul a făcut în trecut și prezice ce va face acel utilizator în cele din urmă. .

• Îmbunătățirea autonomă: Un aspect fundamental al conceptului de IA este capacitatea de a proiecta un sistem autonom. ML face acest pas mai departe, deoarece sistemele nu sunt concepute doar pentru a funcționa autonom, ci și pentru a optimiza performanța în mod autonom (de exemplu, prin învățarea din datele obținute după pornire). În cazul unui sistem, cum ar fi o mașină autonomă, care trebuie să „învețe” cum să facă față unui mediu necunoscut, o astfel de buclă de îmbunătățire este esențială. Complex.

• De rezolvare a problemelor: Aupiter AI încearcă să abordeze problemele insolubile din spațiul de calcul menționat mai sus al problemelor din lumea reală, unde toate soluțiile practice par a fi iremediabil de complicate, iar căile evidente și ușoare eșuează. ML agravează complexitatea furnizând o paradigmă bazată pe combinarea mai multor modalități (de exemplu, seturi de algoritmi precum rețele neuronale) pentru a se potrivi cu complexitatea lumii reale și pentru a valorifica date de mare complexitate, în mare parte nestructurate, disponibile în cea mai mare parte în lumea reală.

Pune cele două împreună și vei avea un ecosistem tehnologic care se accelerează exponențial – în care capacitatea ML de a construi modele „inductive” și de a învăța să învețe prin dezvoltarea iterativă din date, poate fi aliată cu agenda și mai ambițioasă a IA, de modelare a inteligenței umane pentru creați sisteme „generative” din ce în ce mai generaliste, care pot stăpâni o mare varietate de sarcini complexe, să depășească limitele inovației și să turboalimenteze industrii întregi.

5. Provocări și considerații etice

Cu aproape toate tehnologiile care progresează rapid și pot perturbatoare pentru AI și învățarea automată (ML), descoperim rapid că preocupările cu privire la modul în care tehnologia ar putea schimba lumea evoluează aproape la fel de repede ca tehnologiile emergente și care avansează rapid în sine. Este o problemă fără precedent: deoarece sistemele AI și ML au nevoie de volum de date pentru a funcționa eficient, generăm îngrijorări cu privire la securitatea și confidențialitatea datelor. Preocupările etice mai largi includ problemele de părtinire și corectitudine în proiectarea IA (adică, algoritmii ar putea produce rezultate părtinitoare, deoarece au fost instruiți mai devreme pe date părtinitoare) și că procesele de decizie intenționată implementate de algoritmic sunt mai interpretabile și mai deschise decât cele umane. – în special în scenariile educaționale, medicale și de justiție penală, în care transparența poate fi la fel de importantă ca o decizie în sine. Vor fi locuri de muncă eliminate în procesul de automatizare, o situație care necesită un management foarte necesar al forței de muncă și strategii de recalificare a angajaților – și așa mai departe. De fapt, acest lucru poate fi parafrazat astfel: MARILE GRIJORI:

La vârful acestei lucrări se află în creștere apelurile de a enunța principii și de a impune standarde pentru proiectarea și implementarea tehnologiilor AI și ML. Acest lucru va necesita un parteneriat la scară largă între companii, factori de decizie și alte părți interesate pentru a se asigura că tehnologiile AI și ML sunt dezvoltate și implementate în mod sigur, echitabil, transparent și pentru binele public.

6. Viziunea viitorului: posibilități infinite

Încă o dată, în pragul următoarei revoluții tehnologice – în IA și ML – același lucru este valabil: medicina se va transforma pe măsură ce pacienților li se prescriu tratamente bazate pe scanarea tomografică a ADN-ului lor; Lumile noastre de viață urbane vor fi transformate în orașe ML bazate pe inteligență artificială, desfășurate în infrastructura noastră.

Luate împreună, AI și ML permit un viitor, din ce în ce mai transparent și invizibil, în care tehnologia stă la baza atât de mult din realitatea noastră. A ști ce îi separă, ce pot realiza și unde vor continua să lovească pereți este ceva pe care organizațiile, factorii de decizie și populația generală deopotrivă vor fi bine să-l înțeleagă în anii următori. Cu aceste tehnologii în continuare în evoluție, vor apărea lumi complet noi, altele vor cădea, iar lumea din jurul nostru va continua să se schimbe prin ochi care încă nu pot începe să vadă. Revoluția AI abia la început. Posibilitățile sunt la fel de nelimitate pe cât ne permite imaginația.

Articol de Magda Dąbrowska, un scriitor tehnic la WeKnow Media

Comentează acest articol de mai jos sau prin Twitter: @IoTNow_

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• Sursa: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/