Internet seluler mendobrak batasan ruang dan waktu. Internet of Things telah menghubungkan dunia fisik dan dunia digital. Kolaborasi adalah atribut terakhir dari Internet of Things. Bergantung pada kerja sama antara berbagai perangkat, sensor, dan perangkat cerdas lain untuk mencapai efek terbesar.
Sebagai jembatan dari kecerdasan manusia ke kecerdasan mesin, kecerdasan buatan secara efektif memproses data besar yang dihasilkan oleh jaringan Internet seluler. Faktanya, kecerdasan buatan memiliki hubungan yang erat dengan interkoneksi jaringan sekitar atau internet seluler kita.
Melihat kembali sejarah perkembangan internet, kita tahu bahwa kemunculan internet telah mengubah hidup kita secara total. Semua aspek kehidupan kita tidak dapat dipisahkan dari internet.
Inti dari Internet seluler adalah mendobrak batasan jarak. Tidak hanya menghubungkan informasi, tetapi juga menghubungkan media dengan orang-orang.
Hari ini kita menikmati semua manfaat yang diberikan Internet kepada kita. Sepenuhnya karena menghubungkan informasi dan menghubungkan informasi dengan orang-orang.
Berdasarkan Internet, kita memiliki jaringan sosial yang mematahkan batasan dimensi. Kita tahu bahwa di masa lalu, ketika tidak ada Internet lingkaran interpersonal adalah orang-orang di sekitar kita dalam hidup kita.
Dengan Internet saat ini, kita dapat membangun lingkaran jaringan yang lebih besar. Tidak hanya menghubungkan orang, tetapi juga menghubungkan pemikiran orang.
Melalui internet, beberapa aktivitas setiap orang ada di dalamnya. Kita dapat dengan jelas mengetahui apa yang dipikirkan setiap orang.
Kemudian Internet berkembang menjadi Internet seluler. Internet seluler semakin mendobrak batasan ruang dan waktu. Kita dapat menggunakan Internet di mana pun kita berada, kapan pun.
Kita dapat melakukan berbagai operasi di Internet, menghubungkan informasi dan lokasi. Juga menghubungkan orang dan lokasi. Ini adalah perbedaan utama dari Internet tetap di masa lalu. Berbagai aktivitas yang kita kenal saat ini di ponsel dikaitkan dengan Internet seluler.
Internet of Things benar-benar mendobrak batasan antara dunia virtual dan dunia nyata. Menghubungkan dunia fisik dengan dunia digital. Mengubah dunia fisik dari dunia yang tak terhitung menjadi dunia yang dapat dihitung. Internet seluler menjadi jalan terbaik interkoneksi Internet of Things
Banyak hal yang kita katakan, termasuk digital twins, dikaitkan dengan Internet of Things.
Semua orang tahu bahwa 5G sangat booming sekarang, apa yang dibawa oleh jaringan 5G?
5G benar – benar menembus batas bandwidth dan penundaan. Memungkinkan kita untuk mengirimkan banyak hal dengan bandwidth besar dan latensi rendah. Memungkinkan kita untuk terhubung ke dunia waktu nyata dari jarak jauh. Memungkinkan kita untuk benar – benar menyadari waktu dan ruang “traversal”.
Dengan kata lain, meskipun kita tidak berada di tempat itu. Kita dapat melakukan manipulasi secara real-time melalui jaringan 5G atau aktif dalam realitas jarak jauh.
Istilah kuantum juga sangat populer sekarang. Tapi ini adalah topik yang sangat dalam. Apa perbedaan antara kuantum Entanglement dan tradisional?
Karena arti kuantum Entanglement itu sendiri adalah bahwa tidak peduli seberapa jauh jarak dua kuanta. Perubahan status selalu terjadi pada waktu yang sama. Satu kuantum berubah status dan kuantum lainnya juga akan berubah sesuai tanpa penundaan waktu.
Hal Ini sepenuhnya merongrong beberapa prinsip komunikasi tradisional yang kita kenal. Jadi, apa yang akan dibawa oleh kuantum Entanglement bagi kita?
Bagaimana kecerdasan buatan memproses data?
Saat ini, semua orang tahu bahwa kecerdasan buatan adalah topik yang sangat hangat, baik dalam penelitian atau penerapan. Baca Kecerdasan Buatan Dan Keamanan Dunia Internet Bagai Pedang Bermata Dua
Berbagai jaringan internet seluler yang disebutkan di atas telah menghasilkan data dalam jumlah besar. Bagaimana menangani data ini secara efektif?
Menurut beberapa metode pemrosesan tradisional, ini tidak dapat ditangani.
Kecerdasan buatan menggunakan metode pembelajaran mesin untuk mempelajari beberapa model dari data berlabel manusia. Memungkinkan memproses lebih banyak data dengan daya komputasi terbatas untuk menghasilkan beberapa hasil yang Diinginkan.
Kecerdasan buatan sebenarnya adalah jembatan yang menghubungkan kecerdasan manusia dengan kecerdasan mesin.
Saat berbicara tentang kecerdasan buatan, ini melibatkan pembelajaran mendalam yang spesifik.
Deep learning adalah kemajuan terbesar dalam pengembangan kecerdasan buatan dalam sepuluh tahun terakhir. Sebenarnya deep learning tidak begitu ajaib, konsep apa itu?
Untuk membuat analogi sederhana, deep learning sebenarnya mirip dengan bertaruh pada sebuah pertanyaan saat kita mengikuti ujian.
Kita tahu bahwa sebelum ujian, Anda bertaruh pada pertanyaan tes yang benar. Anda belajar, dan Anda kebetulan menemukan pertanyaan yang Anda pertaruhkan selama ujian. Anda akan mendapatkan skor tinggi, jika tidak, hasil tes mungkin tidak begitu ideal atau anda tidak lulus.
Inti dari kecerdasan buatan sekarang masih sama. Hal ini bergantung pada sejumlah besar data pelatihan untuk melatih model, dan akhirnya mempraktikkannya untuk pengujian.
Jika set pelatihan mencakup set pengujian, efeknya bagus, jika tidak, mungkin tidak ideal.
Jadi mengapa kita mengatakan bahwa kecerdasan buatan telah memainkan peran besar dalam banyak aspek? Baca 10 Tren Penggunaan IPTEK Yang Akan Merubah Ekonomi Dunia
Ini karena set pelatihan kita jauh lebih besar daripada set pengujian. Terlepas dari pengenalan wajah atau pengenalan ucapan. Manusia memberikan sejumlah besar data ke mesin deep learning.
Sehingga dapat melakukan apa yang kita inginkan dalam banyak kasus. Dan terkadang bahkan melebihi kemampuan manusia. Ini adalah inti dari deep learning.
Dalam arti tertentu, semua jaringan internet seluler yang disebutkan di atas, termasuk Internet of Things, Internet, dan jejaring sosial. Pada dasarnya adalah tentang data.
Inti dari data adalah data tentang manusia. Data tentang berbagai hal, dan satu hal yang sering terlewatkan adalah data tentang lingkungan.
Saat kita mengekstrak data, kita sering mengabaikan beberapa konteksnya.
Hari ini kita menempatkan adegan ini ke dalam kerangka besar kecerdasan buatan. Kita menemukan bahwa banyak hal diabaikan oleh kita di masa lalu.
Menempatkan adegan ke dalamnya akan memperoleh lebih banyak kecerdasan. Terutama hubungan antara mereka dan hubungan di dalamnya. Termasuk beberapa data koneksi, hubungan, interaksi, pengumpulan dan kolaborasi.
Kecerdasan buatan merupakan kecerdasan yang dapat dibentuk dengan menggabungkan data, pengetahuan dan konteks.
Di deep learning sebelumnya, semua orang mempertimbangkan lebih banyak data.
Dalam beberapa tahun terakhir, kerangka pembelajaran yang mendalam semakin mempertimbangkan pengetahuan. Di masa mendatang, kita akan mengintegrasikan adegan, termasuk waktu, tempat, dan mengapa. Cara mengintegrasikan informasi ini ke dalam kerangka kerja baru ini. Sehingga kita dapat mencapai kecerdasan yang lebih besar dari sebelumnya.
Mari kembali ke Internet of Things. Internet of Things sebenarnya adalah jembatan yang menghubungkan dunia fisik dengan dunia digital. Internet of Things pada awalnya sebenarnya tidak begitu pintar.
Pada dasarnya beberapa sensor digunakan untuk mengumpulkan data dari dunia fisik. Mendigitalkan dunia fisik dan kemudian mentransfer data tersebut ke prosesor untuk diproses. Jadi pengumpulan dan komunikasi adalah dua aspek utamanya .
Internet of Things dasar tidak terlalu pintar.
Bahkan dengan kecerdasan, itu mungkin terbatas pada IFTTT. Pada tahap ini, Internet of Things berfokus pada fungsi notifikasi dan membutuhkan lebih banyak pekerjaan manual.
Peralatan rumah tangga yang terhubung melalui Internet of Things disebut peralatan rumah pintar. Sebagian besar fungsinya terbatas pada remote control. Karena terhubung ke Internet, tetapi sebenarnya tidak memiliki banyak kecerdasan.
Sekitar 5 tahun yang lalu, istilah AIoT muncul. AIoT adalah singkatan dari Intelligent Internet of Things. Hanya dalam periode ini beberapa faktor kecerdasan diperkenalkan ke dalam Internet of Things.
Di era AIoT, kita memasukkan beberapa interaksi alami dan beberapa fungsi pemrosesan data. Menggunakan metode AI untuk menyelesaikannya, dan mulai memproses dan menghitung data.
Kita tahu bahwa di antara produk AIoT, speaker pintar mungkin paling sering digunakan.
Misalnya Ali’s Tmall Wizard dan Amazon’s Alexa dapat berinteraksi secara lebih natural melalui AI interface yang merupakan salah satu ciri AIoT.
AIoT telah membuat banyak kemajuan dalam komputasi pengetahuan dan persepsi dan berfungsi dengan baik dalam memproses tugas-tugas tertentu.
Misalnya, Anda bertanya, Alexa, bagaimana cuaca hari ini? Ini akan memberi tau Anda tentang ramalan cuaca untuk hari ini. Memberi tahu Anda dengan suara alami.
Hal-hal semacam ini adalah sesuatu yang dipelajari oleh kebanyakan orang, produsen dan penyedia layanan di AIoT.
Di masa mendatang, perangkat IoT tidak hanya akan dihubungkan melalui jaringan. Metode pemrosesan kecerdasan buatan akan digabungkan, tetapi beberapa agen akan dihubungkan bersama.
Ini terutama berfokus pada jenis efek yang dapat dihasilkan oleh kerumunan atau kelompok pintar bersama-sama.
Meskipun masing-masing agen kita memiliki kemampuan terbatas. Mereka dapat mencapai tujuan yang lebih besar dan memiliki fungsi yang lebih kuat jika digabungkan. Inilah Internet of Intelligent Things, yang disebut Internet of Intelligent Things dalam bahasa Inggris.
Melihat ke belakang, kolaborasi adalah atribut inheren dari Internet of Things .
Hal-hal yang bergantung pada kolaborasi antara perangkat yang berbeda, sensor yang berbeda, agen yang berbeda ini akan memaksimalkan efeknya.
Baik itu pemrosesan data cerdas , interaksi cerdas, atau bahkan kolaborasi cerdas. Hal itu tidak terlepas dari kolaborasi berbagai objek di dalamnya.
Berikut adalah beberapa contoh untuk menunjukkan kepada Anda apa itu kolaborasi antara Internet of Things. Yang pertama sebenarnya adalah kolaborasi sumber daya perangkat IoT dasar. Termasuk video untuk ditonton semua orang.
Seperti yang Anda lihat, video ini mencerminkan kerja sama yang sangat sederhana antar perangkat.
Ini hanya perlu menggunakan informasi pemosisian relatif antara satu perangkat. Karakter animasi dapat melompat dari satu layar ke layar lainnya.
Poin lain adalah bahwa itu harus memerlukan pengontrol pusat untuk mengontrol karakter seperti itu untuk melompat dari satu layar ke layar lainnya.
Ini adalah contoh yang sangat sederhana, kolaborasi antar layar hanya dapat dicapai melalui sensor posisi sederhana.
Kita baru saja berbicara tentang AIoT. Kolaborasi AIoT sebenarnya ada di dimensi lain.
Di sini labkom99 akan memberikan sebuah contoh. Contoh baru saja menyebutkan speaker pintar. Masalah yang sangat penting dan sulit pada speaker pintar adalah pengenalan suara jarak jauh. Mengapa pengenalan suara jarak jauh sulit?
Semakin jauh jaraknya, semakin lemah sinyal suaranya. Semakin rendah rasio signal-to-noise dan semakin rendah tingkat pengenalannya. Jika jaraknya jauh, Anda akan berteriak atau berjalan mendekat dengan perangkat. Pada kenyataannya, ini adalah hal yang sangat merepotkan.
Bisakah masalah ini diselesaikan hari ini melalui kolaborasi antara beberapa speaker pintar?
Jawabannya iya.
Kita dapat mengatur lebih banyak speaker pintar yang terhubung satu sama lain. Saat Anda berinteraksi dengannya, Anda dapat berbicara dengan suara normal. Speaker yang terdekat dengan Anda dapat mengumpulkan suara Anda untuk dikenali.
Walaupun anda jauh dari speaker lain, karena anda memiliki hubungan yang sangat kooperatif. Andaa bisa mengontrol semua speaker lain melalui speaker yang paling dekat dengan kalian. Jadi ini adalah kolaborasi AIoT.
Anda mungkin tidak menyadari bahwa melakukan ini memiliki manfaat tambahan. Karena sekarang informasi lokasi sudah diperbaiki. Misalnya, jika anda berbicara di ruangan, orang yang paling dekat dengan anda yang akan merespons.
Jika Anda pernah menggunakan Alexa, misalnya, kita tahu sangat sulit bagi Anda untuk memesannya. karena Anda harus mengatakan semuanya dengan jelas.
Misalnya, jika Anda menyalakan TV, Anda harus mengatakan apakah akan menyalakan TV di ruang tamu atau TV di kamar tidur.
Hari ini, melalui kolaborasi,kita katakan bahwa menyalakan TV di kamar tidur pasti akan menyalakan TV di kamar tidur. Tak perlu dikatakan, perintah yang sangat panjang. Jelas adalah bahwa adegan memainkan peran kunci di dalamnya.
Kekuatan kolaborasi kelompok
Mengenai kolaborasi kelompok, apakah Anda mengamati semut ketika Anda masih kecil? Waktu kecil saya suka melihat semut naik pohon, sebenarnya banyak hal menarik di dalamnya.
Ini adalah ringkasan, bukan oleh anda. Tetapi contoh yang sangat klasik, yaitu efek grup .
Semut tidak memiliki fungsi komunikasi , tidak ada bahasa seperti manusia antara satu sama lain, atau cara lain, atau bahkan suara. Mereka hanya dapat berkomunikasi melalui feromon tidak memiliki metode lain.
Contoh ini mengatakan bahwa semut pada awalnya mengambil makanan dari sumber makanan ke sarang semut. Jika tidak ada halangan di tengah jalurnya adalah garis lurus.
Tetapi setelah Anda menambahkan penghalang, Anda akan menemukan bahwa pada akhirnya semua semut akan mengikuti rute yang optimal untuk mengangkut makanan.
Kenapa ini terjadi? Karena tidak memiliki komunikasi, ia hanya dapat berkomunikasi melalui feromon.
Banyak semut meninggalkan feromon di jalur yang mereka lalui. Semakin banyak feromon yang ditumpangkan di jalur melalui banyak semut, dan rasanya ini adalah rute terbaik.
Rute optimal sebenarnya dicatat oleh seluruh koloni semut.
Poin lainnya adalah interaksinya yang terdistribusi, robust, dan adaptif, jika digerakkan di tengah-tengah obstacle maka akan menghasilkan jalur baru yang optimal.
Oleh karena itu, koloni semut berkomunikasi dan berkolaborasi dengan cara ini yang merupakan perilaku kelompok.
Saat mereka menguji berbagai jalur, grup mengambil rute terbaik. Ini adalah pencerahan yang sangat menarik dari alam bagi kita.
Anda bisa melihat beberapa fenomena menakjubkan dalam kawanan burung bersama.
Pertama, sekawanan burung menjadi sangat kuat bersama-sama, atau setidaknya terlihat sangat kuat.
Semua orang melihat elang selalu ingin menangkap burung, tetapi tidak berani mendekat, dan kelompok itu tampak lebih kuat bersama.
Poin kedua, apakah Anda memperhatikan bahwa semua burung sebenarnya adalah tubuh yang cerdas yang memiliki penilaian dan pola terbang sendiri-sendiri.
Tapi mereka semua bersama, jika ribuan burung bersatu. Bagaimana cara berkomunikasi dan bereaksi untuk memastikan tidak ada dua burung yang akan bertabrakan.
Ini memberi kita banyak pencerahan, Pertama, bagaimana mekanisme komunikasinya? Kedua, bagaimana mekanisme reaksinya?
Mengapa begitu banyak burung terbang bersama dan bergerak atau berubah arah untuk memastikan bahwa semua burung tidak bertabrakan.
Ini memiliki banyak implikasi untuk kolaborasi multi-agen kita.
Kembali ke beberapa pedoman untuk kolaborasi grup jaringan cerdas yang baru saja disebutkan .
Menurut kita poin terpenting disini adalah bagaimana merumuskan beberapa aturan dasar dalam sebuah kelompok. Setiap orang akan melakukan aktivitasnya sendiri-sendiri sesuai dengan aturan tersebut.
Komunikasi yang efektif juga ada satu aspek, ada aspek yang lain. Harus mengetahui kemampuannya sendiri dan juga harus mengetahui kemampuan partner lain dalam kelompok.
Contoh lainnya, di sini kita masih mengambil contoh koloni semut.
Semut adalah hewan kecil yang sangat menakjubkan. Meskipun kecil, ia memberi kita banyak pencerahan.
Ini fenomena nyata, ketika semut ingin melintasi jalan tanpa jembatan. Banyak semut yang akan menyambung dan membangun jembatan agar semut lain bisa lewat.
Tetapi yang terkuat adalah bagaimana banyak agen dapat bekerja sama secara mandiri untuk mencapai beberapa kemampuan yang tidak mereka miliki sebelumnya .
Misalnya, mereka berkolaborasi menaiki tangga. Berkolaborasi memanjat sesuatu dan sebagainya .
Kita telah melakukan ini melalui pencerahan alam. Imajinasi di dalamnya tidak terbatas. Kita dapat menggunakan beberapa robot cerdas untuk mewujudkan fungsi membuka jalan saat menghadapi gunung dan membangun jembatan saat menghadapi air.
Contoh lainnya adalah kolaborasi kendaraan-jalan . Sebuah mobil self-driving tunggal tidak akan pernah melebihi pengalaman berkendara manusia. Karena bidang pandang sebenarnya terbatas pada posisi mobil tersebut.
Jika kita memasukkan informasi jalan raya. Kita akan menemukan bahwa itu sebenarnya lebih aman dan lebih dapat diandalkan.
Misalnya, kita tahu bahwa Anda tidak dapat menyalip di tikungan karena Anda tidak dapat melihat apakah ada mobil yang datang dari sisi berlawanan. Tetapi hari ini Anda dapat melakukannya melalui koordinasi kendaraan-jalan.
Faktanya, di masa depan, jika kendaraan dan jalan dikoordinasikan bersama. Hal ini dapat sangat meningkatkan efisiensi kita melalui persimpangan lalu lintas, tetapi ini hanyalah sebuah contoh.
Ini terlihat menakutkan, bukan? Kita sekarang menggunakan kolaborasi kendaraan-jalan. Kita benar-benar dapat menggabungkan kendaraan untuk melewati persimpangan.
Yang lainnya adalah hubungan antara manusia dan mesin .
Kita tahu bahwa di masa depan masyarakat robot akan semakin memasuki kehidupan kita sehari-hari.
Jadi, bagaimana orang berinteraksi dengan mesin dan bagaimana mereka berkolaborasi? Apa saja kriterianya, termasuk beberapa masalah etika, sebenarnya adalah beberapa topik yang sedang kita pelajari.
Ada juga pengemudi otonom yang disebutkan sebelumnya .
Jika mengemudi otonom hanya menggunakan kerangka kerja pembelajaran yang dalam seperti saat ini, pasti akan menghadapi situasi yang tidak dapat ditangani dengan sendirinya di beberapa titik.
Apa yang harus saya lakukan saat ini?
Mesin dapat mengingatkan orang bagaimana mengatakan. Maaf, saya tidak bisa menghadapi situasi saat ini, orang mengambil alih. Tetapi juga untuk memperlancar proses pengambilalihan. Tidak bisa dikatakan memukul orang itu lagi mengambil alih.
Ini juga merupakan topik penelitian lainnya.
Yang lainnya adalah kecerdasan gerombolan manusia. Kecerdasan hari ini disebut sebagai kecerdasan buatan. Mengapa? Karena kita harus menyediakan banyak data untuk mesin pembelajaran yang dianotasi oleh manusia.
Jadi, selain pelabelan manusia adalah aspek kecerdasan kelompok manusia. Adakah kerangka kerja kecerdasan buatan yang lebih mendalam yang mengintegrasikan kecerdasan manusia. Seperti proses menyempurnakan aturan dan pembelajaran kognitif. Menjadi kecerdasan yang lebih kuat? Ini juga salah satu topik yang kita pelajari.
Ada lagi, sekarang kita hanya mempertimbangkan relevansinya dalam pengolahan data, bukan kausalitasnya.
Untuk mempertimbangkan kausalitas, kita perlu mengintegrasikan lebih banyak data. Yaitu mengetahui beberapa waktu dan latar belakang terjadinya data hal-hal yang konteksnya disebutkan di atas.
Singkatnya, metode komunikasi dan metode komputasi baru dapat menghubungkan lebih banyak data, peralatan, orang dan kecerdasan. Batasan antara dunia fisik dan digital secara bertahap menghilang. Tingkat kecerdasan buatan terus meningkat, dan kemampuan untuk memperoleh melalui kolaboras
