Ką daryti, jei protingos mašinos galėtų mokytis vieni iš kitų?

Šimtmečio retrospektyva svečių lūpomis || Laikykitės ten su Andriumi Tapinu || S02E21 (Birželis 2019).

Anonim

Apsižvalgykite ir pamatysite įrodymus, kad plačiai paplitę nešiojami sveikatos ir tinkamumo jutikliai, pvz., "Fitbit", "Garmin" ar kiti įrenginiai.

Ką daugelis daugelio žmonių nežino, kad mes taip pat naudojame jutiklius, skirtus stebėti tiltų ir pastatų struktūrinį vientisumą, taip pat stebėti vabzdžių ir kitų gyvūnų judėjimą.

Su sparčiu daiktų interneto augimu dešimtys milijardų jutiklinių įrenginių planuojama prisijungti per ateinančius dešimtmečius. Šie prijungti jutikliniai įrenginiai automatizuos procesus įvairiuose ekonomikos sektoriuose, nuo pramoninių įrenginių iki sveikatos priežiūros valdymo, padidins našumą ir, tikiuosi, pagerins gyvenimo kokybę.

Šių jutiklių įrenginių, kurie bus naudojami daugybėje programų, esmė yra tokia pati, įskaitant mikroprocesorių, atminties ir laidinio ar belaidžio ryšio sąsają su internetu, kartu su baterija ar kitu energijos šaltiniu.

Kiekviena programa ir IoT įrenginys pateiks savo unikalų kontekstą, pvz., Jo vietą, aplinkos aplinką ir vietovės žmonių elgesį. Atskiri įrenginiai stebės ir pritaikys savo unikalius kontekstus.

Įveskite dirbtinį intelektą

Taigi, kas atsitinka, kai į mišinį įvedame dirbtinį intelektą (AI)? Naudodami AI šie įrenginiai gali keistis savo elgesiu, reaguodami į besikeičiančius kontekstus. Kaip ir tai, kaip gyvosios būtybės optimizuoja savo elgesį savo aplinkoje, net mažesni IO įrenginiai aplink mus gali paleisti AI įrenginius, kurie ilgainiui vystosi.

Apsvarstykite nešiojamą mobilųjį įrenginį, pvz., "Smartwatch" arba "smartphone", kuris paprastai tiekia didelius kiekius su vienodo dydžio visiems funkcijomis ir programomis visiems vartotojams.

Norėdami juos individualizuoti, naudotojai turi rankiniu būdu sukonfigūruoti kiekvieną programą atskirai ir nuolat atnaujinti šias konfigūracijas, nes nuo šiol jų nuostatos kinta.

Ką daryti, jei pats prietaisas galėtų išmokti mūsų pageidavimų, tiesiog stebėdamas mūsų naudojimo modelius? Tai galėtų padėti automatizuoti personalizavimo procesą.

Ką apie situacijas, kurių mūsų prietaisas dar neišlaikė? Ar įmanoma, kad šis prietaisas sužinotų, kokie mūsų pasirinkimai gali būti nežinomoje situacijoje?

Čia AI mašinos gali padėti viena kitai mokytis greičiau ir efektyviau, dalijantis informacija iš vienos kitų patirties, todėl daugialypis poveikis yra tai, kaip greitai šie prietaisai gali mokytis.

Kalbėti smartphonach

Pavyzdžiui, mes parodėme, kaip išmanieji telefonai, kurie yra arti vienas kito, gali paleisti savo AI įrenginius ir dalytis loginėmis blokais iš savo programų, kad paspartintų mokymąsi, kaip išlaikyti baterijos veikimo trukmę.

Šių išmokų priežastis yra dvi. Pirma, kiekvienas telefonas mokosi savarankiškai, tobulindamas savo programinės logikos genetinę medžiagą - rūšies evoliuciją.

Tai yra žinomas kaip "salos modelis" evoliucinėje kompiuterijoje. IoT kiekvienas įrenginys tampa jo "sala". Kartais prietaisai dalijasi tuo, ką išmoko.

Tai padidina jų genetinės įvairovės įvairovę, kuri gali būti naudinga sistemoje, kuri mokosi ar vystosi. Tai taip pat reiškia, kad abu prietaisai žino, kaip geriau reaguoti į naujus kontekstus, kuriuos iš pradžių galėjo pastebėti kiti bendradarbiaujantys įrenginiai.

Gyvūnų stebėjimas yra panašus vairuotojas, kurį sudaro bendradarbiaujama AI tarp IoT įrenginių. Įrenginiai dažnai dedami ant apykaklių arba ausų įsagų, kad būtų galima stebėti gyvulių, augintinių ar laukinių gyvūnų padėtį ir veiklą.

Norint pateikti tikslią informaciją apie stebėjimą, kiekvienas įrenginys turi sužinoti, kokie gyvūno stebėjimo konkrečios judėjimo savybės - pavyzdžiui, rūšis, amžius ir lytis - gali padėti AI.

Tada, kai susitiks du ar daugiau gyvūnų, IoT įrenginiai gali dalintis tuo, ką jie sužinojo apie savo gyvūnų judėjimą, o tai gali paspartinti kitų įrenginių, naudojamų gyvūnams su panašiais požymiais, mokymosi procesą.

Numatyti gedimus

Pasidalijamojo mokymosi IoT teikiama nauda viršija gyvūnų ir žmonių naudojimą. Paimkite prietaisus, kurie yra skirti stebėti struktūrinę tiltų ar kelių būklę.

Daugeliu atvejų šie įrenginiai neturėtų ryšio su internetu dėl kainų ir nutolimo, tačiau jie gali rinkti informaciją vietoje ir sužinoti konkrečius stebimus jutiklių duomenis, kurie gali numatyti gedimus.

Kadangi gedimai yra gana retai, dalijamasis mokymasis su kaimyniniais prietaisais suteikia didesnį baseiną, skirtą IoT įrenginių mokymams, kurie dar neturėjo gedimo, apie tai, ko reikia atkreipti dėmesį.

Kai kurie atvirieji klausimai lieka kelyje, kad bendrai naudojamas IO įrenginys mokytų realybę. Ar įrenginys pažeidžia jo savininko privatumą, jei jis dalyvauja bendrame mokymosi aplinkoje? Atsakymas priklauso nuo to, ar AI metodas turi informacijos, kuri turi esminę reikšmę, ar ne, pavyzdžiui, genetiniame programavime.

IoT įrenginys taip pat turi užtikrinti, kad jis ir toliau įgyvendins savo kasdienes užduotis, nes sužino, kaip reaguoti į naujas situacijas. Būtina sukurti tinkamą saugos kontrolę, pvz., Nustatyti sunkius apribojimus, kuriuos prietaisas gali mokytis, o tai neturėtų pasikeisti atsakant į mokymąsi.

Kitas klausimas yra tai, kaip prietaisas žino, kokie kaimyniniai įrenginiai gali pasikliauti, kai sprendžia, su kuriais bendradarbiauti? Ką daryti, jei kenksminga įmonė įveda tinklą, siekdama įtvirtinti sutrikusią logiką į bendrą IOT mokymosi aplinką? Norint visiškai išspręsti šiuos klausimus reikia sukurti metodus.

Taigi, kur mes einame su IoT prietaisais, kurie galbūt gali mokytis vieni iš kitų? Nors jų paraiškos vis dar laikomos kūdikystėje, galimos galimybės reikalauja dėmesio, diskusijų ir tyrimo.

menu
menu