all
Tehnoloģiju tendences 2030 - nākamais ģeneratīvā mākslīgā intelekta (AI) laikmets
Šajā Tehnoloģiju tendences ziņojumā tiek pētīta ģeneratīvā Industrial AI attīstība un tā ietekme uz nozari. Atklājiet galvenās tendences un nākotnes scenārijus.
Mākslīgā intelekta vārdnīca
Mākslīgā intelekta (AI) joma ietver plašu disciplīnu un tehnoloģiju klāstu. Šī svarīgāko galveno terminu vārdnīca var palīdzēt paplašināt jūsu izpratni un iedziļināties šajā aizraujošajā pasaulē.
A
Aģentiskais mākslīgais intelekts (AI) attiecas uz uzlabotām mākslīgā intelekta (AI) sistēmām, kas pārsniedz tikai atbildi uz komandām; tās ģenerē saturu, autonomi izpilda uzdevumus un sasniedz mērķus. Šīs sistēmas apvieno spriešanas iespējas, atmiņas funkcijas un atgriezeniskās saites cilpas, lai patstāvīgi plānotu un veiktu darbības, bieži izmantojot dažādus digitālos rīkus un pielāgojot to pieeju, mācoties. Atšķirībā no tradicionālā mākslīgā intelekta (AI), aģentiskais mākslīgais intelekts (AI) var darboties gan patstāvīgi, gan sadarbībā ar citiem mākslīgā intelekta (AI) aģentiem, pieņemot autonomus lēmumus, vienlaikus mijiedarbojoties ar dažādām platformām un sistēmām, lai veiktu sarežģītus uzdevumus.
Rūpnieciskajā kontekstā aģentiskais mākslīgais intelekts (AI) ietver mākslīgā intelekta (AI) sistēmu ieviešanu, kas var patstāvīgi uzraudzīt, analizēt un kontrolēt dažādus Industrial Operations aspektus, piemēram, paredzamo uzturēšanu, kvalitātes kontroli, krājumu pārvaldību vai ražošanas procesu optimizāciju.
Mākslīgais intelekts (AI) attiecas uz Software, kurai ir spēja mācīties un pielāgoties. Mākslīgais intelekts (AI) var atrisināt uzdevumus, kas prasa interpretēt ievades datu nozīmi un pielāgoties prasībām. Parasti tie ir uzdevumi, kurus iepriekš varēja atrisināt tikai ar dabisko intelektu. Pastāv vairāki mākslīgā intelekta (AI) metožu veidi, kas ievērojami atšķiras pēc to pielietojuma jomām, potenciāliem un ar tām saistītajiem riskiem. Mākslīgā intelekta (AI) pamatprincipi tika izstrādāti 20. gadsimtā. Tā kā visām mākslīgā intelekta (AI) metodēm ir nepieciešams liels apmācības datu apjoms, tehnoloģija tagad iegūst arvien lielāku kritisko nozīmi, izmantojot digitalizāciju un lielos datus.
Tehnoloģija, kas ļauj digitālo informāciju pārklāt reālās pasaules vidēs un objektos, parasti izmantojot ieskaujošu 3D virtuālo realitāti. AR ļauj uzlabot fiziskās pasaules versiju, pievienojot digitālos vizuālos, skaņas un citus maņu elementus.
Sistēmas, kas var darboties bez cilvēka iejaukšanās, piemēram, pašbraucošas automašīnas un droni.
Transportlīdzekļi, kas var darboties bez cilvēka iejaukšanās, piemēram, pašbraucošas automašīnas un kravas automašīnas.
B
Neparedzēti aizspriedumi vai favorītisms, kas mākslīgā intelekta (AI) sistēmās var rasties neobjektīvu apmācības datu vai algoritmu dēļ.
Lielas un sarežģītas datu kopas, ko bieži ģenerē (rūpnieciskie) Sensors, bet arī uzņēmumi, organizācijas un cilvēki. Tā kā šie dati bieži ir nestrukturēti, nepilnīgi vai nepareizi, Software, kas nav darbināta ar mākslīgo intelektu (AI), parasti nevar tos jēgpilni apstrādāt.
C
Mākslīgā intelekta (AI) darbināta programma, kas var mijiedarboties ar cilvēkiem, izmantojot teksta vai balss komunikāciju.
Mākslīgā intelekta (AI) veids, kura mērķis ir atkārtot cilvēka kognitīvos procesus, piemēram, uztveri, spriešanu un lēmumu pieņemšanu.
Mākslīgā intelekta (AI) apakškopa, kas ļauj datoriem iegūt informāciju no vizuāliem materiāliem, piemēram, attēliem un videoklipiem, lai tos saprastu un interpretētu.
Stratēģijas, mērījumi un rīki, kas palīdz aizsargāt digitālo informāciju no ārējiem uzbrucējiem. Mākslīgais intelekta (AI) var tikt izmantots, lai atklātu un novērstu kiberuzbrukumus, kā arī identificētu un reaģētu uz Security pārkāpumiem.
D
Datu analīzes un interpretācijas process, lai atklātu ieskatus un pieņemtu apzinātus lēmumus.
Datorsistēmas, kas paredzētas, lai palīdzētu cilvēkiem pieņemt lēmumus, sniedzot atbilstošu informāciju un analīzi.
Mašīnmācīšanās apakškopa, kas ietver neironu tīklu izmantošanu ar vairākiem slāņiem, lai mašīnas varētu mācīties no datiem.
Matemātisks modelis, kas apraksta fiziska objekta vai procesa uzvedību. Simulācijas vidē Digital Twin var izmantot, lai simulētu, kas notiktu reālajā pasaulē, ja tiktu mainīti sistēmas parametri. Digitālos dvīņus var izmantot visā produkta dzīves ciklā, ieskaitot projektēšanas, ražošanas, ekspluatācijas un servisa fāzes. Digitālo dvīņu vizuālie attēlojumi izskatās un uzvedas kā viņu fiziskie kolēģi, atspoguļojot reālo pasauli un reāllaikā pielāgojoties tur notiekošajam.
E
Edge Computing ir sistēmas arhitektūras veids, kas atšķirībā no mākoņdatošanas tuvina skaitļošanu un datu glabāšanu datu avotiem (“mala”). Tas palīdz samazināt reakcijas laiku un enerģijas daudzumu, kas nepieciešams datu pārsūtīšanai. Edge AI sistēmas var ieviest fiziski tuvu faktiskajai izpildes ierīcei. Šīs ierīces var palaist mākslīgā intelekta (AI) lietojumprogrammas bez savienojuma ar mākoni.
Mākslīgais intelekts (AI), kas ir izstrādāts, lai mijiedarbotos ar fizisko pasauli un orientētos tajā, bieži izmantojot robotus vai autonomus transportlīdzekļus.
Morāles principu izpēte un piemērošana mākslīgā intelekta (AI) izstrādē un izmantošanā, ieskaitot tādus jautājumus kā aizspriedumi, privātums un atbildība.
Mākslīgais intelekts (AI), kas ir izstrādāts tā, lai būtu caurspīdīgs un izskaidrojams, ļaujot cilvēkiem saprast, kā un kāpēc mašīna pieņēma konkrētu lēmumu.
F
Ir mašīnmācīšanās apmācības metode, kurā vairākas atsevišķas ierīces apmāca mašīnmācīšanās modeli ar savu (atsevišķu) datu kopu. Tikai gala rezultāti tiek kopīgoti ar galveno tīkla dalībnieku.
G
Mākslīgais intelekts (AI), kas izstrādāts, lai ģenerētu jaunu saturu, piemēram, attēlus, videoklipus un mūziku, apvienojot esošo saturu un mācoties no tā.
Lietojumprogrammas, piemēram, CAD Software, spēja autonomi ģenerēt vairākas dizaina alternatīvas, ņemot vērā ierobežojumu kopumu. Izmanto tādas metodes kā mākslīgā intelekta (AI), optimizācija un simulācija.
I
Industrial AI attiecas uz mākslīgā intelekta (AI) pielietošanu nozarēs, kas veido mūsu ekonomikas mugurkaulu — rūpniecībā, infrastruktūrā, mobilitātē un veselības aprūpē.
Rūpniecisko fondu modeļi (IFM) ir iepriekš apmācīti par nozarei specifiskiem datiem, lai dziļi izprastu inženierijas, automatizācijas un ražošanas “valodu” un ļautu ātrāk un precīzāk ieviest mākslīgā intelekta (AI) Solutions. Tie nodrošina standartizētu sākumpunktu, ietaupot laiku, Resources un enerģiju, izmantojot mēroga ietaupījumus. IFM ir pielāgoti, lai risinātu reālās pasaules rūpniecības problēmas. Tie darbojas kā rūpniecisko kopilotu izlūkošanas slānis un atvieglo zināšanu nodošanu un sadarbību dažādās nozarēs. Tie atbalsta ne tikai tekstu, attēlus un audio, bet arī 3D modeļus, 2D zīmējumus un citas sarežģītas struktūras, piemēram, nozarei raksturīgus laika rindu datus (sk. arī Multimodālos LLM).
Rūpnieciskās klases mākslīgais intelekts (AI) apzīmē kvalitātes līmeni; uzticams, drošs un ticams, izstrādāts lai atbilstu visstingrākajām profesionālās vides prasībām un standartiem.
Termins, ko izmanto, lai aprakstītu ceturto industriālo revolūciju, kas ietver mākslīgo intelektu (AI), lietu internetu (IoT) un citu progresīvu tehnoloģiju integrāciju ražošanā un rūpniecībā.
Tehnisko ierīču tīkls, kas iestrādāts ar sensoriem, programmatūru un savienojamību, lai nodrošinātu datu apmaiņu. IoT ir viens no galvenajiem digitalizācijas un lielo datu virzītājspēkiem.
K
Tā ir datubāzes pieeja, kur zināšanas tiek attēlotas kā savstarpēji saistītu mezglu (objektu) un malu (attiecību) grafiks. Tas ļauj efektīvi modelēt un analizēt sarežģītas attiecības starp datiem.
L
Mākslīgā intelekta (AI) valodas modeļa veids, kas tiek apmācīts, izmantojot milzīgu datu daudzumu, piemēram, GPT-3, lai ģenerētu cilvēkam līdzīgu tekstu.
M
Mākslīgā intelekta (AI) apakškopa, kas ietver algoritmu un statistisko modeļu izmantošanu, lai mašīnas varētu mācīties no pieredzes vai datiem.
Mākslīgā intelekta (AI) apakškopa, kas ļauj mašīnām ar pievienotām kamerām iegūt vizuālu informāciju, lai izprastu un interpretētu apkārtni.
Multimodālie LLM vienlaikus var saprast un apstrādāt vairāku veidu datus - piemēram, tekstu, attēlus, audio vai sensora datus. Tie ir integrēti tādās lietojumprogrammās kā datorredze, autonomie transportlīdzekļi un robotika. Tie uzlabo objektu atpazīšanu, ainas izpratni un ļauj mašīnām ievērot sarežģītus norādījumus. Multimodālie LLM var ietekmēt nozarei specifisku datu - piemēram, laika rindu, 2D un 3D modeļu vai mašīnredzes datu - apstrādi un ģenerēšanu tādā pašā veidā, kā parastās LLM ir ietekmējušas teksta un runas apstrādi.
N
Mākslīgā intelekta (AI) apakškopa, kas koncentrējas uz datoru un cilvēka valodas mijiedarbību.
Saskarne, kas ļauj cilvēkiem mijiedarboties ar datoriem, izmantojot dabiskus žestus, runu un citus izteiksmes veidus.
Mašīnmācīšanās algoritma veids, kas tiek modelēts pēc cilvēka smadzeņu struktūras un tiek izmantots datu modeļu atpazīšanai.
Process ēku vai mašīnu sprieguma un strāvas izmaiņu analīzei, kas sastāv no vairākām apakšierīcēm, lai secinātu katras ierīces individuālo ieguldījumu sistēmā.
P
Fiziskais mākslīgais intelekts (AI) attiecas uz mākslīgā intelekta integrāciju mašīnās, piemēram, robotos, kas var sajust savu vidi un rīkoties tajā. Iedvesmojoties no cilvēka sensomotoriskā cikla, fiziskais mākslīgais intelekts (AI) apstrādā maņu ieejas (piemēram, 3D kameras vai taustes Sensors), no tām ģenerē vadības komandas un ļauj mašīnām adaptīvi un autonomi veikt sarežģītus uzdevumus fiziskā, 3D vidē.
Uz fiziku balstīts mākslīgais intelekts (AI), kas pazīstams arī kā fizikas apzināts mākslīgais intelekts (AI), attiecas uz jaunu mākslīgā intelekta metožu klasi, kas fizikas likumus iekļauj tieši apmācības procesā. Atšķirībā no parastajām mākslīgā intelekta (AI) pieejām, kas lielā mērā balstās uz lielām datu kopām, lai apgūtu uzvedību, uz fiziku balstīts mākslīgais intelekts (AI) integrē uz fiziku balstītus ierobežojumus, lai vadītu mācīšanos. Tas ļauj mākslīgā intelekta (AI) sistēmām saprast un prognozēt pat tad, ja reālās pasaules dati ir ierobežoti, izmantojot mūsu esošās zināšanas par fiziskās pasaules darbību. Tā vietā, lai mācītos tikai no piemēriem, šie modeļi izmanto savas fizikas zināšanas, lai virzītu mācīšanos uz optimālākiem un fiziski konsekventākiem risinājumiem.
Prognozējošais mākslīgais intelekts (AI) izmanto statistisko analīzi un mašīnmācīšanos, lai identificētu modeļus reāllaika un vēsturiskajos ekspluatācijas datos no mašīnām un iekārtām, ļaujot tai paredzēt turpmāko uzvedību, atklāt anomālijas, prognozēt iespējamās kļūmes un ieteikt apkopes darbības. To izmanto, lai uzlabotu aktīvu veselību un uzticamību, samazinātu neplānotu dīkstāves laiku un atbalstītu ātrāku uz datiem balstītu lēmumu pieņemšanu rūpnieciskās operācijās.
Mākslīgā intelekta (AI) un statistisko modeļu izmantošana, lai prognozētu nākotnes notikumus vai tendences, pamatojoties uz vēsturiskiem datiem.
Mākslīgā intelekta (AI) izmantošana, lai prognozētu, kad mašīnām būs nepieciešama apkope vai remonts, pamatojoties uz reāllaika datiem.
Q
Mākslīgā intelekta (AI) izmantošana, lai atklātu defektus un nodrošinātu, ka produkti atbilst kvalitātes standartiem.
R
Mašīnmācīšanās veids, kurā neapmācīti aģenti apgūst stratēģiju, izmantojot sistēmas sodus un atlīdzību pēc veiktajām darbībām.
Mākslīgā intelekta (AI) lietojumprogrammas, kas atbilst noteiktiem ētikas un morāles standartiem.
Inženierzinātņu un mākslīgā intelekta (AI) nozare, kas koncentrējas uz robotu projektēšanu, būvniecību un darbību.
S
Mākslīgā intelekta (AI) izmantošana, lai analizētu un interpretētu tekstā vai runā izteiktās emocijas un viedokļus.
Elektriskais tīkls, kas izmanto mākslīgo intelektu (AI) un citas progresīvas tehnoloģijas, lai optimizētu elektroenerģijas ražošanu, sadali un patēriņu.
Specializēta aparatūra, piemēram, grafikas apstrādes vienības (GPU) vai valodu apstrādes vienības (LPU) ar iespējotām perifērijas ierīcēm, ir jauna tendence Industrial AI. Šīs ierīces nodrošina augstas veiktspējas skaitļošanas jaudu perifērijā, ļaujot apstrādāt mākslīgā intelekta algoritmus reāllaikā. To integrācija ļauj veikt paralēlu apstrādi un paātrinātu veiktspēju, kā rezultātā ātrāk tiek izpildīti sarežģīti mākslīgā intelekta (AI) uzdevumi. Šī vietējā apstrāde samazina latentumu un paļaušanos uz mākoņa Resources, padarot to izšķirošu laika jutīgām lietojumprogrammām. Specializētā aparatūra atbalsta arī uzlabotus mākslīgā intelekta (AI) modeļus, kas nodrošina uzlabotu ieskatu un uzlabotu veiktspēju. Turklāt tas samazina izmaksas, samazinot nepieciešamību pēc plašas mākoņa infrastruktūras un datu pārsūtīšanas.
Mašīnu spēja atpazīt un interpretēt cilvēka runu.
Mācīšanās metode, kurā mašīnmācīšanās modeļi tiek apmācīti ar marķētām (zināmām) datu kopām, lai prognozētu rezultātu.
Preču un materiālu plūsmas optimizācija piegādes ķēdē, lai samazinātu izmaksas un uzlabotu efektivitāti. Mākslīgo intelektu (AI) bieži izmanto procesu automatizācijai, neefektivitātes noteikšanai, preču kvalitātes nodrošināšanai un pieprasījuma prognozēšanai.
Mākslīgie dati, ko ģenerē algoritmi, nevis reālās pasaules notikumi, kurus izmanto mašīnmācīšanās modeļu apmācībai un apstiprināšanai. Sintētisko datu kvalitāte ir kritiska. Tas nosaka, vai mākslīgais intelekts (AI) pēc apmācības sniegs pieņemamus rezultātus.
U
Mācīšanās metode, kurā mašīnmācīšanās modeļi atklāj modeļus un grupējumus datos, kas iepriekš nav zināmi (nemarķēti).
V
Virtuālā realitāte (VR) piedāvā digitāli renderētu vidi, kas var atkārtot faktisko telpu, radīt alternatīvu realitāti vai apvienot abas. Lietotājs var izpētīt virtuālo telpu no mājas, biroja vai rūpnīcas grīdas robežām.
