Benang Merah antara Smartphone, AI dan Machine Learning

Sumber: GSMARENA

Kecerdasan buatan (AI)? Beberapa orang biasa mungkin sedikit memahami teknologi yang sedang banyak dibicarakan ini. Tetapi masih banyak yang tidak mengerti tentang "Machine Learning", dan beberapa bahkan menganggap bahwa AI dan Machine Learning adalah sama. Apa itu benar? Mari kita bahas di sini bersama GSMARENA dan juga hubungannya dengan pengembangan Smartphone.

Paul, GSMARENA - Di antara banyak hal, sebuah smartphone dihadapkan pada tren yang dibutuhkan saat ini, layar 18: 9 yang tinggi dengan bezel minim (dengan lekukan untuk ukuran yang lebih baik), sistem kamera yang luar biasa dan Kecerdasan Buatan dan / atau Pembalajaran Mesin (Machine Learning).

Kecerdasan Buatan dan Pembelajaran Mesin adalah kata kunci yang diadopsi dan diterapkan di seluruh rias smartphone kami, mulai dari Sistem pada Chip, sampai ke sistem operasi. Jadi, apakah itu hanya "hype" untuk pemasaran, fiksi ilmiah, atau adakah fakta yang menjadi fiksi? Baca terus, dan kami akan memberikan penjelasan langsung.

Jadi apa perbedaan antara Kecerdasan Buatan dan Pembelajaran Mesin?

Sumber: MEDIUM

Kecerdasan Buatan paling baik dicirikan sebagai kemampuan mesin untuk menunjukkan praktik termasuk belajar, perilaku, dan komunikasi tanpa perbedaan yang dapat dilihat dari diri kita sendiri. Tentunya ini termasuk dalam bidang fiksi ilmiah, kan? Nah, jika kita berakhir di sini, maka kita akan setuju tetapi mari kita gali lebih dalam.

Mengambil generalisasi AI (AI secara umum) yang dijelaskan di atas mari mempersempitnya dan memilih area spesifik yang lebih relevan untuk materi subjek kami - misalnya, Pengenalan citra, dan kami akan menyebut AI yang lebih sempit.

Sekarang, ponsel cerdas kami tidak secara tiba-tiba mengembangkan kemampuan untuk mengenali dan membedakan antara mobil dan sepiring makanan dalam semalam. Itu perlu "diajarkan". Kemampuan ponsel pintar untuk 'benar-benar' mempelajari sesuatu yang baru dalam bentuknya yang paling murni, yaitu, tanpa intervensi, masih merupakan sebuah rangkaian tata cara.

Saya adalah bagian dari tim yang meluncurkan skema kartu loyalitas untuk pengecer besar di Inggris, yang saat ini memiliki sekitar 16 juta pemegang kartu. Sekarang bayangkan volume data yang kami kumpulkan. Database pelanggan yang berisi semua informasi yang semuanya 16 juta diberikan selama proses pendaftaran termasuk jenis kelamin, usia, anak-anak, alamat yang hanya kami tambahkan untuk lembur. Database transaksi di mana setiap barang yang dibeli termasuk tanggal, waktu, toko yang terkait dengan pelanggan itu.

Wawasan dan kecerdasan apa yang akan diberikan oleh sistem kami - tetapi kenyataannya agak berbeda. Kami tidak tiba di kantor pada suatu hari, untuk menemukan sistem wawasan kami telah memberikan 'kebenaran' atau tren yang tidak kami renungkan. Tidak, wawasan kami secara langsung menjawab pertanyaan yang kami ajukan - berapa banyak wanita, yang cocok dengan demografi tertentu, belum membeli parfum merek tertentu, misalnya. Kami dapat mengambil wawasan itu dan mencoba untuk menggantinya. Ini adalah penambangan data, meskipun dalam skala besar dengan aturan dan logika yang dibuat oleh kami.

Sumber: New Atlas

Sekarang kembali ke smartphone kami, ini adalah tempat Machine Learning memasuki frame. Mengambil contoh praktis - Apple Photos People Album dan mari kita asumsikan sejenak bahwa kita tidak pernah ‘memberi tag’ kepada siapa pun sebelumnya. Saat pertama kali melihat Album Orang, itu hanya menampilkan foto di mana geometri ‘wajah’ telah diidentifikasi, tanpa nama.

- Pilih wajah tanpa nama, pilih dan beri nama.
- Kemudian akan mencoba untuk mengonfirmasi bahwa wajah lain adalah orang ini, pada titik ini hanya wajah pertama yang dapat digunakan sehingga wajah yang ditawarkan untuk yang kedua kali mungkin jauh. Jadi Anda mengatakannya ‘ya’ atau ‘tidak’ dan mengulang.

Dengan setiap pengulangan, ia belajar lebih banyak tentang wajah dari berbagai sudut, berbagai gaya rambut, dan apa yang terjadi seiring dengan bertambahnya usia dan seterusnya. Karena itu, Anda mencapai titik di mana Anda mengambil foto orang itu, dan secara otomatis diberi tag dengan nama yang benar.

Sumber: GSMARENA

Ini adalah contoh utama dari Machine Learning yang digunakan untuk mengaktifkan Narrow Artificial Intelligence.

Dalam contoh di atas, kami berupaya untuk mengajarkan ponsel cerdas tentang wajah teman-teman kami karena itu unik bagi kami. Dalam aplikasi kamera kami dan mendukung silikon, upaya tersebut telah dimasukkan oleh perusahaan lain yang menyediakan data dasar. Mereka telah menggunakan Machine Learning untuk mencatat dan mengkategorikan sejumlah besar foto, jadi ketika Anda membingkai sepiring sempurna makanan yang akan Anda makan, ponsel cerdas Anda tahu dan menerapkan filter yang tepat untuk mengambil foto sebaik mungkin dan menandainya sebagai jenis makanan tertentu.

Di masa depan, daerah Sempidan AI ini akan diperluas untuk bekerja sama dengan lebih baik. Berpegang pada tema pengenalan wajah kami, iPhone X menggunakan AI dalam Face ID untuk mempelajari wajah Anda untuk membuka kunci iPhone Anda dalam banyak skenario yang berbeda. Bayangkan masa depan di mana proses itu secara otomatis diperluas ke aplikasi Foto untuk lebih mengetahui tentang wajah Anda untuk membantu dalam fase pengenalan awal atau penambahan gambar lebih lanjut.

Chipset Inteligensi Buatan khusus

Sumber: IntellectDigest

Pada titik ini, penting untuk berbicara tentang silikon. Ketika memproduksi elemen AI referensi dalam silikon mereka, pertimbangkan ini dalam nada yang sama dengan Graphics Processing Unit (GPU). Sedangkan pengembang penyedia GPU dengan seperangkat API yang mempercepat dan mengefisiensi misalnya, untuk menampilkan poligon, dalam ruang koordinat tertentu, dan dengan tekstur berwarna. Silikon Inteligensi Buatan menyediakan rangkaian API yang dipercepat efisien yang melalui jaringan syaraf mendukung tugas terkait AI.

Contoh chipset termasuk perangkat keras yang terkait dengan AI termasuk diantaranya:

-Huawei's HiSilicon Kirin 970 - unit pemrosesan saraf (Neural Processing Unit/NPU)
-Qualcomm's Snapdragon 845 - Hexagon 685 DSP AI platform
-Apple A11 Bionic Neural Engine

Perangkat jaringan saraf mereka dapat melakukan hingga 100-an miliar operasi per detik.

Bayangkan jika chipset smartphone Anda tidak berisi silikon AI yang berdedikasi, proses akan dilakukan dalam perangkat lunak. Ini akan kurang efisien karena tidak dapat memanggil dukungan dari silikon dipercepat khusus tetapi akan menggunakan GPU terutama dan dalam beberapa kasus CPU itu sendiri.

Sumber: GSMARENA

Pengembangan

Baru-baru ini, sementara AI dapat diakses oleh OS untuk aplikasi dan proses yang ada di dalamnya, sulit bagi pengembang untuk menerapkan tugas AI lokal di perangkat dalam aplikasi mereka. Untuk melakukannya, mereka harus membawa AI mereka sendiri bersama untuk perjalanan atau merasuk ke kerangka pihak ketiga yang disediakan seperti Amazon AWS Machine Learning. Lanskap telah berubah meskipun baik Android 8.1 dan iOS 11 menyediakan pengembang API yang memungkinkan untuk menghadirkan Machine Learning dengan mudah ke dalam aplikasi mereka.

Android 8.1 - API Neural Networks Android (NNAPI) dirancang untuk menjalankan operasi komputasi intensif untuk pembelajaran mesin. NNAPI dirancang untuk menyediakan lapisan dasar fungsionalitas untuk kerangka pembelajaran mesin tingkat tinggi (seperti TensorFlow Lite, Caffe2, atau lainnya) yang membangun dan melatih jaringan syaraf.

iOS 11 - Core ML adalah kerangka pembelajaran mesin dasar yang digunakan di seluruh produk Apple, termasuk Siri, Kamera, dan QuickType.

Privasi

Sumber: Third Sector

Perusahaan hidup dan mati oleh privasi data kami menggunakan beberapa pendekatan berbeda untuk memastikan hal ini. Untuk beberapa orang, data tidak pernah keluar dari ponsel, dan jika itu dilakukan, itu harus diserahkan. Sedangkan untuk data terenkripsi lainnya di cloud memberikan peluang tambahan untuk meningkatkan dan memperkaya pengalaman.

Ke depannya, tingkat berbagi izin di antara teman dan keluarga akan memberikan manfaat tambahan yang menghemat waktu bagi kita semua. Berpegang pada tema pengenalan wajah, berbagi dan menerima semua pembelajaran yang dilakukan oleh keluarga dan teman-teman dekat memastikan bahwa jika seseorang telah berupaya memasukkan pustaka foto mereka tentang wajah putra mereka, pengetahuan tersebut diteruskan secara otomatis untuk diterapkan pada SEMUA perpustakaan mereka.

Kami telah sangat fokus pada fotografi selama artikel ini untuk menjaga kedua artikel tetap singkat dan menghindari melompat-lompat, tetapi area lain dari AI dan ML berlaku untuk:

- Pemahaman bahasa alami termasuk pidato dan pengenalan tulisan tangan
- Memanfaatkan sensor ponsel cerdas untuk lebih memahami apa yang terjadi di lingkungan pengguna
- Antarmuka prediktif, alur kerja pengguna dan sensor konten / kontrol orangtua
- Keamanan telepon
- Pengolahan gambar yang ditingkatkan
- Augmented Reality dan visi AI
- Pada manajemen aplikasi / sistem perangkat untuk lebih memaksimalkan masa pakai baterai.

Satu titik terakhir sebelum kami selesaikan tulisan ini, jika kami melihat standar muncul di arena ini, hal itu berpotensi memungkinkan kecerdasan Anda dibagi antara perangkat dan layanan manufaktur yang berbeda. Kami tahu itu.

Jadi jangan khawatir dulu. Ponsel cerdas Anda tidak dapat menjadi sadar-diri dengan nada yang sama dengan Skynet dan mencoba menghentikan Anda saat Anda mengangkat ponsel ke telinga Anda. Apa yang kami lihat adalah bahwa sekarang lebih dari sebelumnya, bagian 'pintar' dari ponsel kami benar-benar mulai mendapatkan monikernya. Jadi, untuk saat ini, mari nikmati semua manfaat yang dihasilkan oleh Kecerdasan Buatan melalui Pembelajaran Mesin terhadap interaksi sehari-hari kita dengan perangkat kami.

Sumber: GSMARENA

Bacaan lebih lanjut mengeai AI bisa diakses disini: LINK