«Любая достаточно продвинутая технология неотличима от магии» - Артур Кларк
Все мы, должно быть, столкнулись с двумя тенденциями, доминирующими в технологической отрасли: Интернетом вещей (IoT) и искусственным интеллектом (AI). Конвергенция ИИ и Интернета вещей полностью изменит определение будущего промышленной автоматизации. Сначала давайте попробуем разобраться в этих двух технологиях независимо друг от друга, как они работают, и, наконец, их объединение будет похоже на добавление глазури на вкусный торт.
Искусственный интеллект (AI)
Искусственный интеллект в современном мире повсеместен. Его можно найти в вашем смартфоне в виде виртуального голосового помощника, который всегда готов ответить на ваши вопросы, услышав тревожный звонок, такой как «Привет, Google». При просмотре веб-сайта появляется чат-бот, который предлагает лучшее обслуживание клиентов (иногда к нашему большому раздражению). Рекомендации, которые вы получаете на Netflix, помогут вам выбрать подходящий веб-сериал для плодотворного проведения отпуска (во время просмотра разгула). Наряду с ИИ, некоторые термины, такие как машинное обучение и глубокое обучение, используются как взаимозаменяемые. Итак, давайте проясним разницу между этими терминами ...
Эта диаграмма Венна дает некоторое представление о том, как эти термины связаны друг с другом. Впервые предложенный в 1956 году Джоном Маккарти, ИИ включает в себя машины, которые могут выполнять задачи, характерные для человеческого интеллекта. Хотя это довольно общий характер, он включает в себя такие вещи, как планирование, понимание языка, распознавание объектов и звуков, обучение и решение проблем.
ИИ определяется как исследование интеллектуальных агентов. Теперь возникает вопрос, что такое интеллектуальный агент? Все, что воспринимает окружающую среду с помощью датчиков и предпринимает оптимальные действия, которые увеличивают его шансы на успешное достижение целей. Машины получают способность думать и действовать как люди, а также принимать рациональные решения.
Машинное обучение (ML)
Машинное обучение, разновидность искусственного интеллекта, является одним из способов добиться этого. Услышав это, мой друг спросил меня, есть ли другие способы достичь ИИ, кроме машинного обучения? Да, существуют экспертные системы на основе правил, но они включают в себя миллионы строк кода со сложными правилами и деревьями решений.
Вышеупомянутая пословица объясняет, что предоставление решения может решить существующую проблему только в конкретной среде. Но если вы усвоите принципы, которые приведут вас к ответу, вы сможете решить любую связанную с этим проблему. Распространяя эту философию на компьютеры, Артур Сэмюэл определил машинное обучение как способность учиться без явного программирования.
Таким образом, вместо функций жесткого кодирования для выполнения конкретной задачи компьютер самостоятельно изучает алгоритм. Основная цель - позволить машине научиться принимать решения автоматически без особого вмешательства человека и соответствующим образом корректировать действия.
Система полагается на наблюдения или обучающие примеры, чтобы идентифицировать закономерности, извлекать особенности и становиться способными делать выводы и делать прогнозы, когда они сталкиваются с подобной ситуацией. Таким образом, машинное обучение включает в себя определенные статистические методы, которые позволяют машинам совершенствоваться в задачах с опытом (как и мы).
Глубокое обучение и искусственные нейронные сети (ИНС)
Теперь, когда мы имитируем человеческий атрибут интеллекта в машине, почему бы не смоделировать работу нашего мозга в форме математической модели?
Это привело к изучению искусственных нейронных сетей. Наша биологическая нервная система состоит из нескольких взаимосвязанных единиц, называемых нейронами, которые собирают входные данные и на основе электрохимических реакций и связей между нейронами передают информацию, и мы получаем представление о нашем окружении.
Вдохновленная биологическими системами, ИНС состоит из «узлов» (искусственных нейронов), составляющих дискретные слои и имеющих связи с другими «нейронами». Каждый слой извлекает определенную функцию для изучения, например обнаружение краев при распознавании лиц. Именно эта многослойность дает название глубокому обучению, глубина создается за счет использования нескольких слоев, а не одного слоя.
Сравнение подхода машинного обучения с глубоким обучением
Как видно из приведенной выше цитаты, из-за ажиотажа вам не следует сразу же погружаться в глубокое обучение (каламбур). В зависимости от набора данных и приложения даже простая модель машинного обучения может помочь.
Обычное машинное обучение обычно используется для проектов, которые включают прогнозирование результатов или выявление тенденции, например прогнозирование цен на акции или фильтрацию спама в электронной почте. В этих примерах используется ограниченный объем структурированных данных, чтобы помочь машинам изучить шаблоны, которые они могут впоследствии использовать для правильного определения новых входных данных.
Давайте посмотрим, как люди собирают данные ...
Зрение или видение - наиболее развитое из пяти чувств человека. Мы используем его ежедневно, чтобы узнавать наших друзей, обнаруживать препятствия на нашем пути, указывать нам ориентиры, выполнять задания и узнавать что-то новое. Еще одна развитая способность людей - это понимание языков, которые помогают нам общаться друг с другом. Распространение этих возможностей на машины открывает двери для двух областей, а именно:
1) Компьютерное зрение - фокусируется на захвате и сохранении изображения, видео или любых визуальных данных, а затем преобразует эти кадры в информацию, с которой можно в дальнейшем действовать.
2) Обработка естественного языка - позволяет компьютеру успешно общаться на человеческом языке, используя текст, речь на разных человеческих языках. Например, функция «Посмотреть перевод», которую мы часто используем, чтобы понимать комментарии человека, написанные на незнакомом нам языке, в социальных сетях.
Здесь данные в виде изображений / видеокадров (состоящих из миллионов пикселей) или текста, который представляет собой набор слов или аудио, представляет собой набор волновых сигналов. Следует отметить, что реальные наблюдения имеют тенденцию быть огромными и неструктурированными. Таким образом, извлечение функций, которые необходимо предоставить в модель машинного обучения, является утомительной задачей. И именно здесь нам на помощь приходит глубокое обучение, автоматизируя процесс извлечения функций с использованием нескольких слоев для частичного извлечения функций в каждом слое.
Интернет вещей
В процессе искусственного построения нервной системы не учитывается неотъемлемый компонент. Наши органы чувств также играют решающую роль, давая нам возможность воспринимать окружающее. Мы также можем общаться с другими людьми, создавать социальные сети, распределять большие задачи между нашими товарищами по команде. Можно ли добавить эти способности к машинам или, в более общем смысле, к окружающим нас объектам / устройствам?
Интернет вещей может многое предложить для этой цели. Машины могут собирать данные с помощью датчиков, которые в этом случае действуют как органы чувств. Камеры можно рассматривать как глаза, механические датчики (температуры, давления и т. Д.) - как чувствительную кожу, а микрофон - как уши. В сенсорной технологии произошел значительный прогресс, и в последнее время были проведены огромные исследования в области разработки интеллектуальных датчиков.
Наши устройства или «вещи» теперь связаны друг с другом через Интернет, что позволяет им общаться друг с другом (связь между машиной или M2M). Множество сетевых протоколов, таких как Wi-Fi, Bluetooth, Zigbee, BLE и другие формы беспроводной связи, упростили создание сети вещей.
Теперь мы можем достичь распределенных вычислений, разделяя задачи обработки локально, где данные собираются (на периферии), и на серверах (облако). Таким образом, мечта о подключенных домах, подключенных транспортных средствах, умных городах и умном сельском хозяйстве определенно станет реальностью в ближайшие годы.
Когда оба собираются вместе…
Отношения между ними похожи на цифровую периферическую нервную систему и мозг. Область IoT занимается созданием, сбором и передачей данных со всех возможных вещей вокруг нас, а AI отвечает за встраивание интеллекта в компоненты IoT. Это помогает нам создавать ценность и получать осмысленную информацию из необработанных данных, которые для компьютера являются всего лишь мусором.
Несколько замечательных приложений…
Автономные транспортные средства - мнение генерального директора Tesla Илона Маска о том, что делает беспилотные автомобили Tesla уникальными: «Весь парк Tesla работает как сеть. Когда одна машина чему-то учится, они все узнают это. Это выходит за рамки того, что делают другие автомобильные компании… »
«Профилактика лучше лечения»
До сих пор мы просто считали, что это применимо к людям. Но теперь люди думают и с более широкой точки зрения, включая машины. Вместе с этим появляется интересное приложение под названием «Профилактическое обслуживание».
Он использует данные из различных источников, таких как записи о техническом обслуживании, данные датчиков машин и данные о погоде, чтобы определить, когда машину нужно будет обслуживать до того, как произойдет какое-либо повреждение. Используя возможности искусственного интеллекта, операторы могут принимать более обоснованные решения о том, когда машине потребуется ремонт. Это помогает системе стать проактивной, а не реактивной.
Искусственный интеллект вещей обязательно повлияет практически на все отрасли, включая автомобилестроение, авиацию, финансы, здравоохранение, производство и цепочки поставок. Конечно, есть некоторые проблемы с безопасностью и масштабируемостью. Тем не менее, многие другие развивающиеся технологии, такие как блокчейн и облачные вычисления, объединяются с AIoT, чтобы предложить инновационные решения, которые изменят наш образ жизни. Конечно, влияние будет глубоким. Завершая удачной фразой об Индустрии 4.0-
AI - это новая электроэнергия, данные - это новый уголь, а Интернет вещей - новая угольная шахта.