Trí tuệ nhân tạo và Internet vạn vật: Hai công nghệ lớn ảnh hưởng đến phòng thí nghiệm như thế nào?

Hai lĩnh vực tin học hiện đang trải qua quá trình phát triển tiến hóa mạnh mẽ là trí thông minh nhân tạo (AI) và Internet vạn vật (IoT). Do AI và IoT là các lĩnh vực hỗ trợ,sự phối hợp giữa chúng giúp tăng cường đáng kể khả năng của từng thực thể. Chìa khóa để phân biệt là AI hoạt động tốt nhất với lượng dữ liệu khổng lồ, trong khi các thiết bị IoT là nguồn lý tưởng để cung cấp các luồng thông tin cần thiết.

Trí tuệ nhân tạo

AI là một thuật ngữ thường được sử dụng nhưng hay bị hiểu lầm. Đó cũng là một thuật ngữ mà nhiều người không muốn sử dụng, một phần vì các cuộc cách mạng AI trong quá khứ đã bị lăng xê quá mức. Thông thường, các thuật ngữ AI được phân loại như sau:

•        Loại I – AI phản ứng: Đây là một trong những loại AI cơ bản và phổ biến nhất. Nó hoạt động rất tốt trong lĩnh vực cụ thể mà nó được đào tạo. Deep Blue (máy tính chơi cờ vua do IBM phát triển) là một ví dụ của loại AI này.

•        Loại II – AI có bộ nhớ giới hạn: Trong loại AI này, bộ nhớ giới hạn đề cập đến thời gian lưu giữ hạn chế. Hãy nghĩ về nó giống như bộ nhớ làm việc ngắn hạn ở một con người. Đây là loại AI được sử dụng trong các phương tiện tự trị, vì dữ liệu được lưu trữ cung cấp một điểm tham chiếu mà nó có thể kiểm soát.

•        Loại III – AI về lý thuyết trí tuệ: Phản ánh những gì các nhà khoa học nhận thức gọi là lý thuyết tâm trí của người Hồi giáo, loại AI này không thể chỉ hình thành những biểu hiện liên quan đến những gì nó cảm nhận, nhưng nó cũng có thể nhận ra rằng các thực thể khác, như con người, sẽ có đại diện tương phản của riêng họ.

•        Loại IV – AI tự nhận thức: Đây là phần mở rộng của AI loại III đến mức nó tự nhận thức được. Android Commander Data từ Star Trek: The Next Generation, có thể được coi là một ví dụ về loại AI này.

Khi hầu hết mọi người hỏi về loại AI trong một hệ thống, điều họ thực sự thắc mắc là “Nó hoạt động như thế nào?”. Hầu hết trong số đó, có lẽ AI loại I là câu trả lời dựa trên cách tiếp cận hoặc thuật toán nó sử dụng. Một số phương pháp phổ biến nhất là:

Học máy: Một quy trình lặp sử dụng một trong nhiều thuật toán để tự động hóa trên mô hình phân tích.

Học sâu: Một dạng học máy sử dụng nhiều lớp của thuật toán được chọn để mô hình hóa dữ liệu trừu tượng. Mỗi lớp xử lý chịu trách nhiệm trích xuất một tính năng duy nhất, sau đó cung cấp thông tin lên lớp bên trên, với lớp trên cùng là lớp phân loại.

Internet vạn vật

Nói một cách đơn giản, IoT bao gồm tất cả các thiết bị được kết nối với internet. Cho đến năm 2020, có thể sẽ có 50 tỷ thiết bị IoT được kết nối với internet.

Do định nghĩa này rất rộng, đôi khi bạn sẽ nghe thấy IoT được gọi là một lĩnh vực chứ không phải là một chủ đề cụ thể. Một trong những nhược điểm của IoT là nó đã trở thành một từ thông dụngmà Google thường xuyên đưa vào quảng cáo tiếp thị, dù có phù hợp hay không. Bên cạnh đó nhiều người đã cố gắng đưa ra một định nghĩa cụ thể hơn, điều này dẫn đến một loạt các định nghĩa, làm cho nhiều định nghĩa trở nên sai lệch.

Sự phức tạp của thiết bị không liên quan gì đến việc phân loại nó có thuộc về IoT hay không. Thiết bị có thể là một cái gì đó đơn giản như nhiệt kế hoặc công tắc phao, phức tạp hơn như một chiếc xe điện Tesla hoặc máy sắc ký khí. Yếu tố quan trọng là nó được kết nối với Internet trực tiếp hoặc gián tiếp. Kết nối trực tiếp khá rõ ràng, nó có thể kết nối thông qua cáp Ethernet, Wifi hoặc bất kỳ giao thức internet tiêu chuẩn nào khác. Các thiết bị được kết nối gián tiếp có thể khó hiểu hơn một chút, trong đó thiết bị có thể sử dụng một công nghệ như Bluetooth hoặc Zigbee để kết nối với một cổng, sau đó được kết nối với internet.

Khái niệm này có thể được mở rộng hơn nữa, vì một thiết bị cụ thể không cần phải được kết nối trực tiếp với cổng internet. Thay vào đó, nó có thể đi qua một mạng cục bộ bao gồm một số lượng thiết bị tùy ý để liên kết với cổng. Điều này cho phép kết nối đi theo bất kỳ đường dẫn nào thông qua mạng lưới, một đặc điểm rất hữu ích trong trường hợp một hoặc nhiều thiết bị bị hư hỏng. Thông thường, giới hạn thực tế đối với số lượng thiết bị IoT được xác định bởi mức độ trễ mà ứng dụng có thể chịuđược.

Tùy thuộc vào cách thiết bị IoT được thiết kế, nó có thể được cung cấp năng lượng từ điện áp dòng tiêu chuẩn hoặc pin; trong một số trường hợp, nó có thể không có nguồn cung cấp kèm theo. Với những tiến bộ được thực hiện trong các bộ xử lý công suất thấp và các thiết bị điện tử khác, việc thiết kế một thiết bị IoT sẽ được cung cấp năng lượng bằng cách thu năng lượng từ môi trường là hoàn toàn khả thi.

AI và IoT đồng tâm hiệp lực

Bằng cách kết hợp AI với IoT, các công nghệ này cho thấytiềm năng rất lớn. Hiện tại, phổ biến nhất là cài đặt các cảm biến tích hợp trong thiết bị IoT và sử dụng chúng để cung cấp luồng dữ liệu qua internet và được xử lý trên hệ thống AI từ xa. Tùy thuộc vào những gì bạn đang cố gắng theo dõi, bạn có thể có một hoặc nhiều luồng dữ liệu từ một hoặc nhiều loại cảm biến. Chúng ta sẽ thấy sự di chuyển của dữ liệu trên chính thiết bị IoT khi đang xử lý và bộ nhớ trong các thiết bị trở nên có tiềm năng hơn.

Có một số lý do để thực hiện việc di chuyển này. Một là giúp giảm lưu lượng mạng, vì một thiết bị IoT có thể tạo ra một lượng dữ liệu vô cùng lớn. Những gì chúng ta hiện đang nghĩ là dữ liệu lớn, dường như rất nhỏ so với việc truyền dữ liệu từ tất cả các thiết bị IoT đang được theo dõi. Một cách biện minh khác cho việc di chuyển quá trình xử lý sang thiết bị IoT là trong nhiều trường hợp, giá trị của dữ liệu chỉ là tạm thời. Nói cách khác, dữ liệu phải được xử lý ngay lập tức hoặc giá trị của nó sẽbằng không. Nếu bạn có một lò phản ứng dòng chảy liên tiếp, để tối ưu hóa chất lượng sản phẩm được sản xuất, bạn phải áp dụng phương pháp phản hồi liên tục. Bất kỳ độ trễ đáng kể nào, trong một số hệ thống có thể là vài giây hoặc ít hơn, sẽ dẫn đến một sản phẩm kém chất lượng / năng suất thấp hoặc tệ hơn là phản ứng tỏa nhiệt.

Bằng cách cài đặt các thiết bị IoT để giám sát tất cả các điều kiện của lò phản ứng có thể ảnh hưởng đến quá trình, chẳng hạn như nhiệt độ, áp suất, tốc độ dòng chảy, v.v., hệ thống AI có thể được sử dụng để tối ưu hóa năng suất sản phẩm. Ở quy mô mà nhiều quy trình công nghiệp hoạt động, thậm chí một phần nhỏ năng suất được cải thiện cũng có thể mang lại lợi nhuận tài chính đáng kể.

AI cũng có thể được áp dụng cho phân tích trong phòng thí nghiệm. Một số công cụ tận dụng sức mạnh của AI đã có mặt trên thị trường. Bạn có thể tìm thấy máy sắc ký khí, máy quang phổ hồng ngoại, máy quang phổ Raman, v.v., bao gồm AI trong phần mềm điều khiển. Điều này làm cho các máy trở nên thông minh hơn nhiều khi sử dụng để phân tích dữ liệu được thu thập. Hơn nữa còn giúp loại bỏ sự cần thiết của các chuyên gia để chạy máy và phân tích dữ liệu. Một ứng dụng đáng kể khác của AI trong phân tích sinh học là nó có thể được sử dụng để phân tích dữ liệu từ máy quang phổ khối sắc ký khí và máy quang phổ khối sắc ký lỏng hoặc các tổ hợp dụng cụ khác để hình dung khối lượng dữ liệu khổng lồ được tạo ra trong phân tích protein, chuyển hóa và phân tích luồng.

Một hệ thống AI cũng có thể được sử dụng để theo dõi sự di chuyển của nhân viên trong và ngoài, cũng như xung quanhphòng thí nghiệm. Lưu ý rằng mục tiêu ở đây không phải là quản lý nhân sự mà là để hiểu sự chuyển động của nhân viên. Điều này sẽ cung cấp thông tin để thay đổi sự sắp xếp trong phòng thí nghiệm và vị trí của phòng, hoặc thậm chí có thể được sử dụng để thiết kế một phòng thí nghiệm hoàn toàn mới.

Kết hợp IoT và AI cho thấy cách người ta có thể tăng tốc phân tích dữ liệu phức tạp mà không cần một chuyên gia trong lĩnh vực này, đồng thời xử lý một lượng lớn dữ liệu thử nghiệm để trích xuất ý nghĩa dữ liệu, từ đó cung cấp nhiều cách thu thập dữ liệu khác nhau. Ngoài ra nó cũng có thể cung cấp dữ liệu để thiết kế một phòng thí nghiệm tối ưu, cũng như đủ khả năng kiểm soát môi trường phòng thí nghiệm hiệu quả hơn.

Suckhoecuocsong.vn/Theo Tạp chí Thử nghiệm Ngày nay