Kunstmatige intelligentie vs. Machine Learning: belangrijkste verschillen uitgelegd

Kunstmatige intelligentie (AI) is een van de grootste buzzwoorden voor 2020 en zal alleen maar populairder worden in de toekomst naarmate we beginnen het potentieel ervan volledig te benutten. Voor nieuwkomers in het onderwerp, u zult zich afvragen waarom u het concept "kunstmatige intelligentie" bijna altijd ziet vergezeld van "machine learning?"

Wat zijn ze? Hoe verschillen ze? Waar kunnen ze in een industriële setting toegepast worden? Waarom zijn ze zo belangrijk? Vergelijkbaar met veel andere termen die zijn ontstaan door Industrie 4.0, lijken kunstmatige intelligentie en machine learning vaak overgebruikt en mis toegepast. Dit artikel probeert het verschil te verduidelijken zonder marketinghype.

AI & ML gedefinieerd

Kunstmatige intelligentie is een techniek die machines in staat stelt menselijk gedrag na te bootsen. Machine learning (ML) is een subset van AI die statistische methoden gebruikt om te verbeteren naarmate het ervaring opdoet. Er zijn veel soorten kunstmatige intelligentie, die onderwerpen omvatten als natural language processing, beeldherkenning, en slimme robots.

Kunstmatige intelligentie heeft de capaciteit om te waarnemen, redeneren en leren. Machine learning, wat de basis is van veel kunstmatige intelligentie-systemen, heeft alleen de capaciteit om voorspellingen te doen over uitkomsten. Hoewel ML verschillen in datapatronen kan identificeren, zal het nooit begrijpen wat het eigenlijk doet. AI zal de resultaten van machine learning, samen met andere analytische methoden, gebruiken om op een bepaald niveau van intelligentie te komen.

Diagram van onderlinge relaties: kunstmatige intelligentie, machine learning, en deep learning

Verschil

Machine learning is belast met het nemen van binaire beslissingen. Iets is waar of het is niet. Over tijd wordt de methode die gebruikt wordt om de beslissing te nemen verbeterd, wat leidt tot groter vertrouwen dat de beslissing de juiste is. Gezichtsherkenning is een klassiek voorbeeld van machine learning. Het ben jij of het is niet jij op een foto. Kunstmatige intelligentie daarentegen gebruikt de gecombineerde beslissingen van veel inputs om ze allemaal te verbeteren. Het trekt uit veel verschillende aspecten van de beslissingen. Als u vaak op foto's met een andere persoon verschijnt, zal kunstmatige intelligentie hiervan leren en het machine learning-algoritme bijwerken om het beslissingsproces te verbeteren.

Toepassing

De meest voorkomende toepassing van machine learning is patroonherkenning. Met supervised learning wordt een machine learning-algoritme een robuuste set data gegeven. Twee van de meest voorkomende leermethoden zijn regressie en beslissingsbomen. De programmeur identificeert de condities die van belang zijn. Het algoritme zal dan in de toekomst zoeken naar vergelijkbare condities.

Machine learning-systemen worden vaak toegepast om de gezondheid van activa te monitoren. Bijvoorbeeld, trillinganalyse wordt gebruikt om problemen met een lager in een draaiend stuk apparatuur te detecteren. Met machine learning krijgt een algoritme een grote set trillingsdata, misschien verschillende jaren waard, en identificeert patronen in de data. De programmeur zal de momenten identificeren waarop een lagerdefect in de dataset voorkwam. Het systeem neemt een beslissing, samen met een betrouwbaarheidsniveau. Bijvoorbeeld, het systeem kan 90% zeker zijn dat de lager binnen zes weken zal breken.

Waar kunstmatige intelligentie in dit scenario komt, is door het gebruik van andere data-analysemethoden. Dit kan de introductie zijn van productiedata, zoals procesdata of kwaliteitsdata. Het AI-systeem zal dan trachten het machine learning-algoritme te verbeteren om lagerdefecten beter te detecteren. Het heeft ook de capaciteit om de beste condities te bieden om een gewenste uitkomst te bereiken. Misschien is er een geplande stilstand over acht weken. Het AI-systeem zal de condities leveren die de kans vergroten dat de lager niet vóór die tijd breekt.

Belangrijkheid

ML- en AI-technieken zullen kritisch worden voor succes in de productie. Door de mogelijkheid om meer data te verzamelen en analytische tools te gebruiken, kunnen betere beslissingen sneller worden genomen. Dit zal zowel operationele als zakelijke efficiëntie dramatisch verbeteren. Processen kunnen verbeterd worden door bepaalde parameters te optimaliseren terwijl andere waarden geconstraineerd blijven – bijvoorbeeld efficiëntie maximaliseren terwijl kwaliteit behouden blijft. Inkoopbeslissingen kunnen geoptimaliseerd worden bij wisselende marktomstandigheden. Zoals hierboven genoteerd, kan apparatuur op geoptimaliseerde niveaus bediend worden.

Conclusie

Een woord van waarschuwing voordat u probeert kunstmatige intelligentie en machine learning te implementeren. Hoewel er veel voordelen zijn van het gebruik ervan in uw bedrijf, zouden ze niet de eerste stap in uw digitale transformatie moeten zijn. U hebt een systeem nodig dat over een aanzienlijke hoeveelheid rekenkracht beschikt. Het wordt aanbevolen om een cloud-architectuur te verkennen, omdat deze systemen geschaald kunnen worden om aan uw toepassingsbehoeftes te voldoen.

Datakwaliteit is ook cruciaal voor het succes van deze inspanningen. Het gezegde "garbage in, garbage out" is zeker van toepassing. Maar zodra uw data correct en georganiseerd is, en u de kracht heeft om het te verwerken, zal kunstmatige intelligentie die machine learning gebruikt, zeker leiden tot de bovengenoemde resultaten.