Inteligência Artificial, Aprendizagem Automática e Aprendizagem Profunda

Como eles são diferentes e porque eles são todos essenciais para a Internet das Coisas. #askIoT

Estamos todos familiarizados com o termo "Inteligência Artificial". Afinal, tem sido um foco popular em filmes como The Terminator, The Matrix e Ex Machina (um dos meus favoritos). Mas você pode ter sido recentemente ouvindo sobre outros termos como "Aprendizagem da Máquina" e "Aprendizagem Profunda", às vezes usado indistintamente com a inteligência artificial.

Vou começar por dar uma explicação rápida do que a Inteligência Artificial (IA), Aprendizagem Automática (ML) e Aprendizagem Profunda (DL) realmente significam e como eles são diferentes. Então, eu vou compartilhar como a AI ea Internet das Coisas estão inextricavelmente entrelaçadas, com vários avanços tecnológicos convergindo ao mesmo tempo para estabelecer as bases para uma explosão de AI e IoT.

Então, qual é a diferença entre AI, ML e DL?

Primeiramente cunhado em 1956 por John McCarthy, a IA envolve máquinas que podem realizar tarefas que são características da inteligência humana . Embora isso seja bastante geral, inclui coisas como planejar, entender a linguagem, reconhecer objetos e sons, aprender e resolver problemas.

Podemos colocar AI em duas categorias, geral e estreita. AI geral teria todas as características da inteligência humana, incluindo as capacidades mencionadas acima. AI estreita exibe algumas facetas da inteligência humana, e pode fazer essa faceta extremamente bem, mas está faltando em outras áreas. Uma máquina que é grande em reconhecer imagens, mas nada mais, seria um exemplo de AI estreito.

No seu núcleo, a aprendizagem mecânica é simplesmente uma maneira de alcançar a IA.

Arthur Samuel cunhou a frase não muito tempo depois de AI, em 1959, definindo-a como "a capacidade de aprender sem ser explicitamente programada". Você vê, você pode obter AI sem usar a aprendizagem da máquina, mas isso exigiria a construção de milhões de linhas de Com regras complexas e árvores de decisão.

Assim, ao invés de rotinas de software de codificação rígida com instruções específicas para realizar uma tarefa específica, a aprendizagem da máquina é uma maneira de "treinar" um algoritmo para que ele possa aprender como. "Treinamento" envolve a alimentação de enormes quantidades de dados para o algoritmo e permitindo que o algoritmo para ajustar-se e melhorar.

Para dar um exemplo, a aprendizagem mecânica tem sido usada para fazer melhorias drásticas na visão por computador (a capacidade de uma máquina reconhecer um objeto em uma imagem ou em um vídeo). Você recolhe centenas de milhares ou mesmo milhões de imagens e, em seguida, ter humanos tag-los. Por exemplo, os seres humanos podem marcar imagens que têm um gato nelas versus aquelas que não têm. Em seguida, o algoritmo tenta construir um modelo que pode marcar com precisão uma imagem como contendo um gato ou não, assim como um ser humano. Uma vez que o nível de precisão é alto o suficiente, a máquina tem agora "aprendido" como um gato se parece.

Aprendizagem profunda é uma das muitas abordagens para a aprendizagem automática . Outras abordagens incluem a aprendizagem de árvores de decisão, programação de lógica indutiva, agrupamento, aprendizado de reforço e redes bayesianas, entre outras.

A aprendizagem profunda foi inspirada pela estrutura e função do cérebro, nomeadamente a interligação de muitos neurónios. Redes Neurais Artificiais (ANNs) são algoritmos que imitam a estrutura biológica do cérebro.

Nas RNA, existem "neurônios" que têm camadas discretas e conexões com outros "neurônios". Cada camada seleciona um recurso específico para aprender, como curvas / bordas no reconhecimento de imagem. É esta camada que dá a profundidade de aprendizagem o seu nome, a profundidade é criada usando várias camadas em oposição a uma única camada.

AI e IoT estão intrinsecamente interligados

Penso na relação entre AI e IoT muito parecida com a relação entre o cérebro humano eo corpo.

Nossos corpos coletam entrada sensorial, como visão, som e toque. Nossos cérebros tomam esses dados e fazem sentido, transformando a luz em objetos reconhecíveis e transformando os sons em fala compreensível. Nossos cérebros então tomam decisões, enviando sinais de volta ao corpo para comandar movimentos como pegar um objeto ou falar.

Todos os sensores conectados que compõem a Internet das Coisas são como nossos corpos, eles fornecem os dados brutos do que está acontecendo no mundo. A inteligência artificial é como nosso cérebro, dando sentido a esses dados e decidindo quais ações devem ser executadas. E os dispositivos conectados de IoT são novamente como nossos corpos, realizando ações físicas ou comunicando aos outros.

Liberando o potencial de cada um

O valor e as promessas de AI e IoT estão sendo realizados por causa do outro.

Aprendizagem mecânica e aprendizagem profunda levaram a grandes saltos para a AI nos últimos anos. Como mencionado acima, a aprendizagem mecânica e a aprendizagem profunda requerem enormes quantidades de dados para trabalhar, e esses dados estão sendo coletados pelos bilhões de sensores que continuam a entrar na Internet das Coisas. IoT faz melhor AI.

Melhorar a AI também impulsionará a adoção da Internet das Coisas, criando um ciclo virtuoso no qual ambas as áreas irão acelerar drasticamente. Isso é porque AI faz IoT útil.

No lado industrial, a IA pode ser aplicada para prever quando as máquinas precisarão de manutenção ou analisar processos de fabricação para obter grandes ganhos de eficiência, economizando milhões de dólares.

No lado do consumidor, em vez de ter que se adaptar à tecnologia, a tecnologia pode nos adaptar. Em vez de clicar, digitar e pesquisar, podemos simplesmente pedir a uma máquina o que precisamos. Podemos pedir informações como o tempo ou para uma ação como preparar a casa para a hora de dormir (girando para baixo o termostato, bloqueando as portas, desligando as luzes, etc).

Os avanços tecnológicos convergentes tornaram isso possível

Shrinking chips de computador e técnicas de fabricação melhoradas significa mais barato, sensores mais potentes.

Melhorar rapidamente a tecnologia da bateria significa que esses sensores podem durar anos sem precisar ser conectado a uma fonte de alimentação.

Conectividade sem fio, impulsionado pelo advento de smartphones, significa que os dados podem ser enviados em grande volume a preços baratos, permitindo que todos os sensores para enviar dados para a nuvem.

E o nascimento da nuvem permitiu armazenamento praticamente ilimitado desses dados e habilidade computacional praticamente infinita para processá-lo.

Naturalmente, há uma ou duas preocupações sobre o impacto da IA ​​na nossa sociedade e no nosso futuro. Mas como os avanços ea adoção de AI e IoT continuam a acelerar, uma coisa é certa; O impacto será profundo.