AI、ML和神经网络有何不同和合作

虽然类似,但人工智能(AI)、机器学习(ML)深度学习和神经网络都有特定的任务和角色。

通过泰德•塞耶 2022年10月4日
提供:凤凰联系

学习目标

  • 人工智能(AI)和机器学习(ML)可以在更高层次上代替人类做决定。
  • 机器学习是一个缓慢而漫长的过程,需要大量的分析和编程。
  • 使用AI/ML可以提供新的见解,并为公司提供工具,帮助设施更有效地运行。

人工智能和机器学习洞察

  • 人工智能(AI)是指机器像人类一样做决定的能力。
  • 机器学习(ML)是一个较长的过程,系统收集数据并根据数据做出决定并存储信息。
  • 神经网络和深度学习是相似的,但区别在于隐藏层。神经网络有一个比深度学习更浅的隐藏层,深度学习可以有很多层。

人工智能/机器学习(AI/ML)技术是一个复杂的概念,它将创造出越来越智能的机器。要理解AI/ML,重要的是要有术语的工作知识和各种概念之间的差异。许多人交替使用人工智能、机器学习、深度学习和神经网络等词来描述智能机器技术的不同方面。事实上,他们在执行的任务和方式上有很大的不同。

理解AI和ML与人类决策过程的关系,并提供例子,将有助于解释AI和ML如何扩展到工业世界。

人工智能的定义

人工智能是机器做决定的能力,就像人类做决定一样。机器可以接受一个反复摆在它面前的情况,并选择以不同的方式处理它,即使从表面上看,这种情况每次都是一样的。

一个人类的例子是开车路线的选择。我父母最近搬到了邻县的一个镇上。当我参观他们的时候,我可以从两条不同的路线中选择。每条路线都有优点和缺点。我选择的路线是基于我对这些优势和劣势的感知,过滤了我当时的想法和感受。同样,优秀的人工智能会“考虑”传感器读数和机器条件之外的数据,从而智能高效地运行。

AI与机器学习(ML)的区别在于,AI是给出智能外观的实际决策过程,而ML是机器收集信息以做出决策并为决策过程提供信息的过程。

机器学习(ML)定义

就像人类一样,机器必须收集数据并得出结论才能做出决定。这需要时间来收集足够的数据来表示正在运行的系统,并需要时间来分析数据以得出结果。数据收集包括尝试不同的操作参数,以查看结果的影响。这被称为“教机器”。

数据分析通常被称为“阅读数据中的故事”,然后将故事封装成简单的结论/规则,以便以后容易引用。这就是ML过程。

再次借鉴开车的比喻,我在反复开车后确定了两条不错的路线。A路是一条宜人但曲折的乡村道路,所以它不是去我父母家最快的路。然而,驱动时间是一致的60分钟,很少变化超过几分钟的快或慢。B路是直接高速公路,通常要快得多,但半交通和红绿灯会影响驾驶时间。其他路线的差异也会影响选择。如果一辆自动驾驶汽车在我的路线上执行ML原则,它将从收集到的数据中阅读以下故事。

A路线的行驶时间基本一致。如果我的目的是去接妈妈去赴约,并确保她准时到达,那么这样做就对了。但是沿途没有加油站,所以如果我没油了,我想走没有加油站的路线吗?如果我感到有压力,我是走平静的回头路,还是在路上有机会在压力下吃东西?如果爸爸有麻烦了,我该走可能快得多的B路吗?关于B路线的另一个故事是,在一天的不同时间开车的时间是不同的。

自动驾驶汽车将使用ML分析行程数据并选择最佳路线。提供:凤凰联系

自动驾驶汽车将使用ML分析行程数据并选择最佳路线。提供:凤凰联系

ML正在梳理一个流程的所有数据,以多种方式解析它,并找到这些故事、规则或相关性。

生物柴油生产系统是机器学习在工业应用中的一个例子。如果机器可以将大豆加工成生物柴油,那么机器的质量和效率都将得到提高。这是通过开发一套ML规则来实现的,该规则考虑湿度、含水量、温度,如果有的话,甚至可能考虑土壤化学成分。这台机器将不断改进其过程,从而不断提高产量。

神经网络和深度学习的定义

ML是一组简单规则的开发,用于对流程做出决策。条件和响应之间存在重要的相关性,涉及数据点之间更复杂的相互作用,而不是ML的简单表面规则。

这些复杂的相互作用涉及一个“隐藏层”。隐层交互意味着决策并不总是直接从问题到输出,但它们可能会在从问题到行动的过程中碰到其他关注点/条件。例如,我需要准时到达妈妈家(但是我的汽油很低,或者我的车表现得很奇怪,我想冒着在偏僻的地方抛锚的风险吗?我压力很大,山丘和田野本来是平静的,但从汽车餐厅来一杯奶昔会让我微笑),所以我要选择B路线。

这个隐藏层是神经网络/深度学习和机器学习之间的区别。这种决策形式近似于人类大脑神经元的相互作用。

隐藏层考虑多个输入来做出决策,所以它不一定遵循一条直线。提供:凤凰联系

隐藏层考虑多个输入来做出决策,所以它不一定遵循一条直线。提供:凤凰联系

深度学习和神经网络的区别

深度学习和神经网络的区别在于隐藏层的深度。一般来说,神经网络的隐藏层比实现深度学习的系统要浅得多,后者的隐藏层可以有很多层。

公司的自动化工程师弗朗西斯科·阿尔卡拉说CDM史密斯他以深度学习/神经网络在面部识别中的应用为例。当一个人认出一张脸时,尽管他戴着眼镜、墨镜、留着胡子,或者自从高中毕业后就没见过某人,这是神经网络或深度学习系统隐藏层相互作用的结果。

视觉识别是深度学习模型发展的驱动力之一。人脸识别在安防和门禁方面有明显的应用。在高速制造环境中,对标签、容器或产品颜色的识别可以影响质量并减少浪费。

Alcala的经验是在水/废水,他开发了监控和数据采集(SCADA)程序,教水系统更好地管理水泵和能源,以满足他们的需求。SCADA程序还可以利用某些条件的出现来预测和预防后续事件,从而改进水分析。

今天的工业系统和机器已经在使用AI/ML技术来做决策,这些决策将变得更加复杂。通过理解AI/ML背后的基本术语,控制工程师将拥有开始实施AI/ML的构建模块,以便机器可以使用可用数据更有效地运行并改进操作。

泰德•塞耶,首席产品营销专员-控制,凤凰联系美国.由网页内容经理克里斯·瓦夫拉编辑,控制工程, CFE媒体与技术,cvavra@cfemedia.com

更多的答案

关键词:人工智能,机器学习

在线

了解更多废水处理中的深度学习和神经网络

考虑一下这个

人工智能如何和ML帮助改善您的设施?


作者简介:Ted Thayer,凤凰接触美国公司的首席产品营销专员-控制。