Дефиниция

Изкуственият интелект (от англ. език Artificial Intelligence или AI) може да бъде дефиниран като способността на една машина да демонстрира способности, присъщи за хората - да разсъждава, да се учи, да планира или да твори. Говорим за изкуствен интелект, когато технически системи наблюдават околната си среда, получават данни (които са подготвени от другиго или които набират сами), преработват ги и извършват действия, свързани с постигането на конкретна цел.

Кратка история

Областта на изкуствения интелект AI официално стартира през 1956 г., стартирана от малка, но вече известна лятна конференция, спонсорирана от DARPA в колежа Дартмут, в Хановер, Ню Хемпшир. A pъpвoтo ycтpoйcтвo, ocнoвaнo нa пpинципa нa нeвpoннaтa мpeжa - Маrk І Реrсерtrоn - ce пoявявa oщe пpeз 1958 г., caмo дeceтилeтиe cлeд пъpвитe ĸoмпютpи. To бъpзo ce нayчaвa дa paзпoзнaвa пpocти гeoмeтpични фopми, ĸoeтo oзнaчaвa, чe paнo или ĸъcнo тaĸъв ĸoмпютъp мoжe дa ce нayчи, нaпpимep, дa чeтe пиcмa.

Приложение

Типичен пример за AI в ежедневието ни са личните асистенти като Siri, Alexa, Watson, Cortana, LinkedIn и Google AI Assistant. Тези асистенти могат да бъдат използвани за изтегляне на информация от мрежата, включване на домакински уреди, задаване на напомняния, говорете помежду си и много други. 

AI може да изиграе важна роля за изграждането на устойчива система, при производство на храни в Европа. Приложение: Роботите биха могли да премахват плевелите и да намалят нуждата от хербициди. Много ферми в ЕС вече използват технологии за следене на движението, температурата и храненето на животни. Фактически технологиите помагат за понижаване на нуждата от пестициди, изкуствени торове и напояване, повишават добива и ограничават ефекта върху околната среда.

Чрез възможностите на AI за анализ на големи обеми от данни и откриването на оптимални модели проправят пътя към подобряване на диагностиката в медицината. Реално вече има програма, която отговаря на спешни повиквания за помощ и цели да разпознава симптоми на сърдечно заболяване по-бързо от оператор. Друг пример е съфинансираният от ЕС проект KConnect, който дава на хората възможност да търсят подходяща медицинска информация на много езици.

Възникване на идеята за IoT

Идеята за Интернет на нещата (от англ. език Internet of Things или IoT) възниква през 1999 г. Тогава Кевин Аштън, основател на изследователската група „Auto-ID” към Масачузетския технологичен институт в САЩ, прави кратка презентация пред ръководството на компанията „Procter & Gamble“. В нея той представя значението и ползите от масовото развитие на радиочестотните маркери (RFID) и внедряването им в различни устройства. Според него, този процес може да промени фундаментално системите за управление, както в големите корпорации, така и в ежедневието. Той излага тезата, че „може да бъде създадена компютърна мрежа, в която всички материални, физически обекти да бъдат свързани чрез Глобалната мрежа (Интернет), което да им позволи да взаимодействат помежду си, обменяйки постоянно данни и информация за заобикалящата ги среда и процеси, без да е необходима постоянната намеса на хората.

Развитие

Еволюцията на ИКТ е необходима за развитието на концепцията IoT, защото „представлява фундамент за събиране, предаване и разпространение на данни, поради което без наличие на информационно-комуникационната инфраструктура, концепцията не би могла да съществува“. 28 Това е така, защото без наличието на ИКТ, сензори, RFID и др., както устройствата, така и вещите губят своята самостоятелна роля и участието си в събирането на информация от аналоговия свят, запазвайки единствено физическото си съществуване в него. Това е доказателство, че без наличие на ИКТ и еволюция в тяхното развитие, синхронизирането и постигането на съвместимост между цифров и аналогов свят са два напълно невъзможни процеса. Представените примери, подкрепят същността на концепцията  IoT, а комплексното им разглеждане в комбинация с формулираното определение на ITU (в доклада от 2015 г., разгледано по-горе) могат да бъдат възприети като доказателства, че концепцията притежава практико-приложно значение за осъществяването на публично и стопанско управление, и съответно оказва влияние върху организацията и функционирането на публичната и бизнес администрацията.

Заключение

Въпреки сериозния напредък на технологиите, появата на smart устройствата и мащабното развитие на Интернет, технологиите все още са „зависими“ в голяма степен от хората. Тази зависимост влияе върху начина, по който натрупваме информация за околния свят. Нашите идеи и информацията, която събираме и трансформираме в знания обикновено са нещо нематериално, но ние осъществяваме тази трансформация чрез различни устройства и средства за комуникация, превръщайки информацията, която сме събрали в материален продукт, който притежава своето предназначение – да ни учи как да максимизираме своетоблагосъстояние в един нов, глобален аспект.

Дефиниция 

Машинното обучение (от англ. език Machine learning или Ml) е една модерна иновация, която е помогнала на човека да подобри не само много индустриални и професионални процеси, но и да подобри ежедневния живот. Но какво е машинно обучение? Това е подмножество от изкуствен интелект, който се фокусира върху използването на статистически техники за изграждане на интелигентни компютърни системи, за да се учи от наличните за него бази данни. В момента машинното обучение се използва в множество области и индустрии.

Приложение 

Разпознаването на изображения е едно от най-честите употреби на машинното обучение. Има много ситуации, в които можете да класифицирате обекта като цифрово изображение. Ml може да се използва и за разпознаване на лица в изображение. Има отделна категория за всеки човек в база данни от няколко души.

Едно от най-вълнуващите приложения на машинното обучение са самообучаващите се автомобили. Машинното обучение играе много важна роля в самоуправляващите се автомобили и сме сигурни, че сте чували за Tesla. Лидерът в този бизнес и техният настоящ изкуствен интелект се управляват от производителя на хардуер NVIDIA, който се основава на алгоритъм за неконтролирано обучение.

Ml може да се използва в техниките и инструментите, които могат да помогнат при диагностицирането на заболявания. Използва се за анализ на клиничните параметри и тяхната комбинация за прогноза, пример за прогнозиране на прогресията на заболяването за извличане на медицински знания за изследване на резултатите, за планиране на терапия и наблюдение на пациента. Това са успешните имплементации на методите за машинно обучение. Могат да помогнат при интегрирането на компютърно базирани системи в сектора на здравеопазването.

Заключение

Накратко, можем да кажем, че машинното обучение е невероятен пробив в областта на изкуствения интелект. И докато машинното обучение има някои плашещи последици, тези приложения за машинно обучение са един от начините, чрез които технологиите могат да подобрят живота ни.