Medien In unserem Alltag ist es immer schwieriger geworden, die Worte „Artificial Intelligence (AI)'Und'Maschinelles Lernen (ML)' ob in der Industrie oder der Wissenschaft. Diese Technologien sind in unser tägliches Leben eingedrungen und verändern die meisten Wirtschaftszweige, schaffen neue Wissens- und Praxisbereiche und läuten eine neue Ära in der Menschheitsgeschichte ein. Doch selbst wenn diese Formen sich schnell entwickelnder Intelligenz innerhalb und außerhalb der Akademie immer sichtbarer werden, erschweren ihre ungenauen Definitionen und die Unklarheit hinsichtlich ihrer Modalitäten und ihres Anwendungsbereichs ihr vollständiges Verständnis. Ziel dieses Artikels ist es, diese neuen Technologien zu klären, sie voneinander zu unterscheiden und ihre weitreichenden Auswirkungen zu skizzieren.

1. KI/ML in der Welt des IoT

Künstliche Intelligenz (KI), maschinelles Lernen (ML) und das Internet der Dinge (IoT) sind eng miteinander verbunden und bilden zusammen einen kraftvollen Dreiklang, der eine neue Innovationswelle einleitet. Das Trio ermöglicht eine neue Generation intelligenter, sich selbst anpassender und optimierender autonomer Produkte und Maschinen, die wiederum jeden Sektor von der Fertigung bis zum Gesundheitswesen revolutionieren und verändern. Die Verbindung zwischen KI, ML und IoT ist eine natürliche:

• Datengesteuerte Intelligenz:

Die Erzeuger dieser Daten sind Sensoren und intelligente Geräte, die in Alltagsgegenständen eingebettet sind, in so unterschiedlichen Kontexten wie Verkehrsnetzen oder Küchengeräten. Es sind die Leistungsfähigkeit und Leistungsfähigkeit von KI und ML, die die Rechenintelligenz bereitstellen, um die Daten zu verarbeiten, umzuwandeln, zu analysieren und sie in umsetzbare Informationen umzuwandeln. IoT bildet die Datenerfassungsschicht, während KI und ML die Analyse-Engine darstellen, die das rechnerische Gehirn bildet.

In der Industrie IoT-Geräte Spursensoren von Geräten und Maschinen. ML-Algorithmen können Verbindungen zwischen aktuellen und historischen Daten erkennen und dann Maschinen- oder Geräteausfälle, Wartungsbedarf und andere Probleme vorhersagen. Der gesamte Prozess ist kontinuierlich und der ML-Algorithmus kann Maschinenzustände basierend auf Echtzeitdaten von IoT-Geräten vorhersagen. Wenn beispielsweise der Ölstand niedrig ist oder übermäßige Vibrationen aufgetreten sind, können die Systeme einen möglichen Maschinenausfall vorhersagen. Auf diese Weise können durch vorausschauende Wartung Ausfallzeiten minimiert und Materialkosten gesenkt werden, ohne dass die Arbeitskosten wesentlich steigen.

• Verbesserte Benutzererfahrung und Personalisierung:

Beispiele für diese Verbraucheranwendungen finden sich in IoT-Geräten, die Informationen über die Interaktionen und Vorlieben der Benutzer sammeln. Durch die Analyse, wie Sie ein Smart Home nutzen, könnte KI beispielsweise Ihre Beleuchtung und Temperatur auf der Grundlage Ihres Verhaltens steuern, wobei maschinelle Lernalgorithmen die Vorhersagebemühungen im Laufe der Zeit verbessern, wenn Sie es weiterhin nutzen. Fitness-Tracker können ML-Algorithmen auch nutzen, um Gesundheitsempfehlungen zu personalisieren.

• Autonome Entscheidungsfindung:

Mithilfe von KI und ML können IoT-Geräte beginnen, autonome Entscheidungen auf der Grundlage von Echtzeitdaten zu treffen. Autonome Fahrzeuge (ein Ökosystem von IoT-Geräten) beispielsweise nutzen ML, um Sensordaten zu verstehen und zu entscheiden, welche Fahraktionen sie im jeweiligen Moment auf der Straße durchführen. In unseren Häusern und Büros nutzen Energienetze KI, um die Netzlasten auszugleichen und die Energieverteilung auf der Grundlage von in Echtzeit bereitgestellten IoT-Daten intelligent zu optimieren.

• Verbesserte Sicherheit:

Sicherheit und Cyberangriffe kann sich in IoT-Netzwerke einschleichen. KI und ML können wie ein Sicherheitsradar funktionieren und Anomalien im Zustand von IoT-Netzwerken oder in den von IoT-Geräten generierten Daten erkennen, um festzustellen, ob ein Angriff stattfindet oder bevorsteht. KI-gestützte Sicherheit kann das IoT daher sicherer machen – diese Systeme können jederzeit aus den Daten aus den Netzwerken lernen und die zu ergreifenden Maßnahmen aktualisieren.

• Betriebseffizienz:

In Unternehmen und der Fertigung geben IoTs viele Variablen und Parameter ein, die von ML-Algorithmen analysiert werden, um Abläufe durch Reduzierung der Abfallmenge und Verbesserung der Effizienz zu optimieren. Gleichzeitig kann KI genutzt werden, um komplexere Entscheidungsprozesse zu automatisieren und so die Betriebsparameter in Echtzeit zu optimieren.

Kurz gesagt, KI und ML sind für das IoT unverzichtbar, und ein cleveres System wird alle drei als intelligentes Ökosystem des Lernens, der Anpassung und der Entscheidung integrieren: ein IoT-Treiber und Beschleuniger zukünftiger Innovationen, der selbst durch intelligente Regulierung vorangetrieben wird.

2. Dekodierung von KI und maschinellem Lernen: Ein vergleichender Überblick

Artificial Intelligence (AI)

Künstliche Intelligenz ist ein Bereich – oder wir könnten sogar sagen: Disziplin – der Informatik, der darauf abzielt, Systeme zu schaffen, die in der Lage sind, Aufgaben auszuführen, für die gemeinhin menschliche Intelligenz erforderlich ist. Einige seiner wesentlichen Merkmale drehen sich um die Verwendung von Konzepten wie Intelligenz und Lernen, durch die man die Aufgabenerfüllungsfähigkeit der KI mit der Erkenntnisfähigkeit des Menschen in Beziehung setzt. Beispiele für solche Aufgaben sind das Verstehen natürlicher Sprache – was mit der menschlichen Sprechfähigkeit in Einklang stehen könnte; Die Mustererkennung – eng mit der menschlichen Wahrnehmungsfähigkeit verbunden; und die inhärent vergleichbare Fähigkeit, komplexe Probleme zu lösen, die mit unvorhersehbaren Schwierigkeiten und unaufhaltsamer Unbestimmtheit und Unsicherheit hinsichtlich ihrer Lösungen verbunden sind – wie Rätsel aus der realen Welt für den intellektuell neugierigen Menschen. Es wird allgemein angenommen, dass Chatbots zwar eher zielorientiert sind, KIs jedoch die Fähigkeit von Computern beinhalten, jede der oben genannten Aufgaben auf eine Weise auszuführen, die uns dazu veranlassen würde, den Computer als „intelligent“ zu bezeichnen. Dies wird manchmal als „intellektuelle Nachahmung“ oder „Mimesis“ der menschlichen Intelligenz bezeichnet – kurz gesagt, aus Erfahrung zu lernen und „klug zu handeln“.

Maschinelles Lernen (ML)

Maschinelles Lernen betrifft einen besonders aktiven Bereich der künstlichen Intelligenz (KI), der versucht, die Fähigkeit von Computern zu kodifizieren, auf der Grundlage von Daten zu lernen, Entscheidungen zu treffen oder Vorhersagen zu treffen, und dabei die Notwendigkeit menschlicher Eingaben oder Anleitung zu umgehen. Algorithmen werden auf zuvor gesammelten Datensätzen trainiert, bis sie die zugrunde liegenden Muster dieser Daten verstehen, fundierte Entscheidungen auf der Grundlage des Gelernten treffen und in der Lage sind, ihre Vorhersagekapazität auch in Zukunft schrittweise autonom zu verbessern. Das Ziel von ML besteht darin, Programme zu entwickeln, die in der Lage sind, Daten zu nutzen, um besser und anpassungsfähiger beim selbstständigen Lernen zu werden, ohne dass Eingriffe erforderlich sind, Aufgabe für Aufgabe.

Hauptunterschiede:

KI dient dazu, einen intelligenten Computer zu bauen, der die Probleme auf analoge Weise löst wie ein Mensch, während ML es einem Roboter ermöglicht, aus den Daten zu lernen, um eine genaue Prognose zu erstellen.

Funktionalität: Die Maschine verwendet ein vorab geschriebenes Regelwerk (häufig passt das System Regeln an und „optimiert“ die Regeln basierend auf den Ergebnissen), während das ML-System einer Musterwolke erwarteter Eingaben folgt, die zu einer Antwort führt.

3. Was sie mitbringen: Fähigkeiten und Anwendungen

Beiträge von AI:

Künstliche Intelligenz ist recht gut darin, Routineaufgaben zu automatisieren – egal, ob es sich um einfache Aufgaben wie die Dateneingabe handelt oder um die versteckten Prozesse, die diese Entscheidungen unterstützen, sie maximiert Effizienz und Produktivität.

• Kognitive Dienste:

Dank kognitiver Dienste (für Sprachverständnis, Sprache und Sehen) ist der Computer mit einem breiteren Spektrum an Interaktionen mit Menschen ausgestattet.

• Entscheidung fällen:

KI-Systeme können aussagekräftige Schlussfolgerungen über die Gegenwart ziehen, indem sie vergangene und gegenwärtige Daten vergleichen und gegenüberstellen und so fundierte Verbindungen und Synthesen aus Unmengen von Eingaben herstellen.

Beiträge von ML:

• Vorhersageanalyse:

ML-Modelle eignen sich hervorragend für die Vorhersage und Prognose von Trends und Verhaltensweisen aus vergangenen Daten und können hier eingesetzt werden, beispielsweise im Finanz-, Medizin- und Marketingbereich.

• Mustererkennung:

Eine der erfolgreichsten ML-Anwendungen ist das Erlernen der Erkennung verborgener Muster in Daten, beispielsweise anomale Aktivitäten in der Cybersicherheit oder verräterische Krankheitszeichen in der diagnostischen Medizin.

• Individualisierung:

ML erzeugt benutzerdefinierte Benutzererlebnisse, je nachdem, wie ein einzelner Benutzer in der Vergangenheit mit dem Dienst interagiert hat, und kann zur Verbesserung von Diensten für E-Commerce, Unterhaltung und vieles mehr eingesetzt werden.

4. Die synergistische Beziehung: Wie KI und ML einander ergänzen

Diese Beziehung unterstützt sich auch gegenseitig, da die Wissenschaft des einen auf die neu entstehende Wissenschaft des anderen zurückwirkt, um sie zu verbessern und zu informieren, und die daraus resultierenden Systeme mit der Zeit leistungsfähiger und kognitiv leistungsfähiger werden. AI ist der Organisator: Der Bereich der künstlichen Intelligenz definiert die Gesamtziele und Architekturen für den Bau von Maschinen, die grundsätzlich Aspekte menschlicher Intelligenz aufweisen können. ML ist das Toolkit: Der Bereich des maschinellen Lernens liefert die Methoden und Techniken, die es diesen Maschinen ermöglichen, Dinge aus Daten zu lernen, durch Übung besser zu werden und Entscheidungen zu treffen.

• Verbesserte Lernfähigkeiten: Daher ist es von entscheidender Bedeutung, sich auf die „Schwingungen“ der Menschheit in der realen Welt einzustellen. KI-Systeme sollen durch menschliche Intelligenz informiert werden und ML ermöglicht es Maschinen, aus Erfahrungen zu lernen, so wie es Menschen tun. Wenn statistisches Lernen Maschinen und Menschen verbindet, dann ist ML vielversprechend – die datengesteuerten Systeme müssen lernen, sich neu zu kalibrieren (wie Menschen es tun), wenn sie mit neuen Beispielen „menschlichen“ Verhaltens konfrontiert werden (z. B. Autofahren, Interaktion mit anderen). Menschen usw.).

• Datengesteuerte Entscheidungsfindung: „Klug“ in der KI zu sein bedeutet, „ein guter Entscheidungsträger zu sein“. ML ist (wahrscheinlich) eine Nullhypothese dafür, wie man die KI am besten dazu bringen kann, schnell Entscheidungen zu treffen, indem man ihr die Werkzeuge an die Hand gibt, mit denen sie viele Daten darüber analysieren kann, was die KI-Objekte jeden Moment tun, um herauszufinden, welche Muster in diesen Daten sind dann (macht eine Vorhersage) nutzt Analyse und Mustererkennung, um die nächste Entscheidung zu treffen.

• Vorhersagekraft und Personalisierung: In vielerlei Hinsicht ist ML ein wirksames Werkzeug, um das zu ermöglichen, was KI für Benutzer erreichen soll: personalisierte Erfahrung und Ergebnisvorhersage. ML eignet sich hervorragend, um einem Benutzer einer E-Commerce-Website, eines Video-Streaming-Dienstes oder einer Kundendienstplattform ein personalisiertes Erlebnis zu bieten, da es Datenpunkte darüber nutzt, was der Benutzer in der Vergangenheit getan hat, und vorhersagt, was dieser Benutzer letztendlich tun wird .

• Autonome Verbesserung: Ein grundlegender Aspekt des KI-Konzepts ist die Fähigkeit, ein autonomes System zu entwerfen. ML geht hier noch einen Schritt weiter, da Systeme nicht nur so konzipiert sind, dass sie autonom arbeiten, sondern auch die Leistung autonom optimieren (z. B. durch Lernen aus den nach dem Start gewonnenen Daten). Bei einem System wie einem autonomen Auto, das „lernen“ muss, mit einer unbekannten Umgebung umzugehen, ist eine solche Verbesserungsschleife unerlässlich. Komplex.

• Problemlösung: Aupiter AI versucht, das Unlösbare im oben genannten Rechenraum realer Probleme anzugehen, in dem alle praktischen Lösungen hoffnungslos kompliziert erscheinen und die offensichtlichen, einfachen Wege scheitern. ML erhöht die Komplexität, indem es ein Paradigma liefert, das auf der Mischung mehrerer Modalitäten (z. B. Sätze von Algorithmen wie …) basiert neuronale Netze), um der Komplexität der realen Welt gerecht zu werden und hochkomplexe, weitgehend unstrukturierte Daten zu nutzen, die größtenteils in der realen Welt verfügbar sind.

Wenn man beides zusammennimmt, entsteht ein sich exponentiell beschleunigendes technologisches Ökosystem – in dem die Fähigkeit von ML, „induktive“ Modelle zu erstellen und durch iterative Entwicklung aus Daten zu lernen, mit der noch ehrgeizigeren Agenda der KI, der Modellierung menschlicher Intelligenz, verbunden werden kann Erstellen Sie immer allgemeinere „generative“ Systeme, die eine Vielzahl komplexer Aufgaben bewältigen, Innovationsgrenzen sprengen und ganze Industrien auf Touren bringen können.

5. Herausforderungen und ethische Überlegungen

Bei praktisch allen sich schnell entwickelnden und potenziell disruptiven Technologien für KI und maschinelles Lernen (ML) stellen wir schnell fest, dass Bedenken darüber, wie die Technologie die Welt verändern könnte, fast genauso schnell wachsen wie die aufkommenden und sich schnell weiterentwickelnden Technologien selbst. Es handelt sich um ein beispielloses Problem: Da KI- und ML-Systeme Datenmengen benötigen, um effektiv zu funktionieren, bereiten wir Bedenken hinsichtlich der Datensicherheit und des Datenschutzes. Zu den umfassenderen ethischen Bedenken gehören die Fragen der Voreingenommenheit und Fairness bei der Gestaltung von KI (d. h. Algorithmen könnten voreingenommene Ergebnisse liefern, weil sie früher auf voreingenommenen Daten trainiert wurden) und die Tatsache, dass absichtliche Entscheidungsprozesse, die durch Algorithmen implementiert werden, besser interpretierbar und offener sind als menschliche – insbesondere in Bildungs-, Medizin- und Strafjustizszenarien, wo Transparenz genauso wichtig sein kann wie eine Entscheidung selbst. Durch den Automatisierungsprozess werden Arbeitsplätze gestrichen, eine Situation, die dringend benötigte Personalmanagement- und Mitarbeiterumschulungsstrategien erfordert – und so weiter. Tatsächlich lässt sich dies wie folgt umschreiben: DIE GROSSEN SORGEN:

Im Vordergrund dieser Arbeit stehen zunehmend Forderungen nach der Festlegung von Grundsätzen und der Einführung von Standards für die Gestaltung und den Einsatz von KI- und ML-Technologien. Dies erfordert eine groß angelegte Partnerschaft zwischen Unternehmen, politischen Entscheidungsträgern und anderen Interessengruppen, um sicherzustellen, dass KI- und ML-Technologien sicher, fair, transparent und zum Wohle der Allgemeinheit entwickelt und eingesetzt werden.

6. Der Zukunftsausblick: Unendliche Möglichkeiten

An der Schwelle zur nächsten technologischen Revolution – in KI und ML – gilt erneut das Gleiche: Die Medizin wird sich verändern, da den Patienten Behandlungen verschrieben werden, die auf dem tomografischen Scannen ihrer DNA basieren; Unsere städtischen Lebenswelten werden in KI-gesteuerten ML-Städten neu gestaltet, die in unserer gesamten Infrastruktur eingesetzt werden.

Zusammengenommen ermöglichen KI und ML eine zunehmend nahtlose und unsichtbare Zukunft, in der Technologie einen großen Teil unserer Realität untermauert. Zu wissen, was sie trennt, was sie erreichen können und wo sie weiterhin auf Hindernisse stoßen, ist etwas, das Organisationen, politische Entscheidungsträger und die breite Bevölkerung gleichermaßen in den kommenden Jahren verstehen sollten. Da sich diese Technologien ständig weiterentwickeln, werden völlig neue Welten entstehen, andere verschwinden und die Welt um uns herum wird sich weiterhin mit Augen verändern, die noch nicht einmal anfangen können zu sehen. Die KI-Revolution fängt gerade erst an. Die Möglichkeiten sind so grenzenlos, wie unsere Vorstellungskraft es zulässt.

Artikel von Magda Dąbrowska, technische Redakteurin bei WeKnow Media

Kommentar zu diesem Artikel unten oder über Twitter: @IoTNow_

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/