Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Gondolatok a könyvtári intelligens rendszerek fejlődési lehetőségeiről - rokonság az üzleti intelligencia rendszerekkel

53 views

Published on

Horváth Zoltánné előadása a Magyar Információbrókerek Egyesülete konferenciáján - Mesterséges intelligencia az információkeresésben és -feldolgozásban, 2018. jún. 6.

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Gondolatok a könyvtári intelligens rendszerek fejlődési lehetőségeiről - rokonság az üzleti intelligencia rendszerekkel

  1. 1. A Gondolatok a könyvtári intelligens rendszerek fejlődéséről Rokonság az üzleti intelligencia rendszerekkel 1 Mesterséges intelligencia az információkeresésben és feldolgozásban MIBE konferencia 2018. június 6. Horváth Zoltánné
  2. 2. 2 Paradigmaváltás a könyvtári intelligens rendszerekben Szemantikus adatmodellek Szemantikus hálók Új típusú adatsémák Linked open data Neurális hálók mintájára épülő tudásgráfok Emberi intelligencia szimulálásának lépései a rendszerekben Mesterséges intelligencia a korábbi manuális elemző és szakértői rendszerek programozása és transzformálása, természetes nyelvi keresés és válaszok • Digitális, globális • Géppel olvasható • Open, kooperatív
  3. 3. 3 Könyvtári intelligens rendszerek – útközben a mesterséges intelligencia felé • Hatalmas, megújuló hálózati adatmennyiség, digitális transzformáció • Növekvő számítógépes kapacitás • Szakértői szintek bővülése • Fejlődő informatika elmélet • nyílt adatok és (szemantikus) tárolók, kodifikált adatok, fejlesztői közösségek • Dinamikus könyvtári jelenlét a tudáshálókon • Intelligencia szimulálása a rendszerekben – gépi tanulás • Szenzorok, üzenetváltások, nagy mennyiségű mintavétel beszéd,kép- és hangfelismerés, szövegelemzés, következtetések, jóslatok, analízis • Szemantikus és immersive web • Globális könyvtári vállalkozások • „web of data”, új adatsémák • Géppel olvasható és értelmezhető adatok • Adatmanipulációk • Dinamikus hálózati adatkapcsolatok • Keresés szemantikai alapon OCLC, Exlibris, EBSCO, IFLA, ALA, LC, British Library, stb.
  4. 4. Géppel olvasható és kereshető szemantikus adatok 4 • A leírás alapegysége nem a rekord, hanem az adat – open linked data és adathálók, tudás gráfok • -Data of web a dokumentumokra jellemző adathalmazok önállósult tömege, különböző szabványos formátumokban (pl. FRBR, RDA, RDF, SKOS, stb.). • A web számára felismerhető, értelmezhető és kereshető adatok, egyszerű megnevezések és kapcsolatok (mű, személy, hely, esemény, szervezet stb.) • Kapcsolatok bővülése, növekedése • módosuló, bővülő jelentéstartalmak • Szabványos, átjárható leíró nyelvek és sémák, gépi értelmezés lehetősége • Az adatmodell készítés főbb lépései • Adatmodell osztályok • Adatok azonosítókkal • URI tervezés (Unified Resource Identifier – Egységes forrásazonosító) • Kodifikált adatok, MARC és RDF transzformációk, adatbővítés • Ontológiák, adatszótárak • az adatmodell tervezéshez, az osztályok és tulajdonságok meghatározásához • Fogalmak, kapcsolatok, leírások adatmanipuláció szabályozás schema.org; BiblioGraph.net
  5. 5. Géppel olvasható és kereshető szemantikus adatok 5 • A leírás alapegysége nem a rekord, hanem az adat – open linked data és adathálók, tudás gráfok • -Data of web a dokumentumokra jellemző adathalmazok önállósult tömege, különböző szabványos formátumokban (pl. FRBR, RDA, RDF, SKOS, stb.). • A web számára felismerhető, értelmezhető és kereshető adatok, egyszerű megnevezések és kapcsolatok (mű, személy, hely, esemény, szervezet stb.) • Kapcsolatok bővülése, növekedése • módosuló, bővülő jelentéstartalmak • Szabványos, átjárható leíró nyelvek és sémák, gépi értelmezés lehetősége • Az adatmodell készítés főbb lépései • Adatmodell osztályok • Adatok azonosítókkal • URI tervezés (Unified Resource Identifier – Egységes forrásazonosító) • Kodifikált adatok, MARC és RDF transzformációk, adatbővítés • Ontológiák, adatszótárak • az adatmodell tervezéshez, az osztályok és tulajdonságok meghatározásához • Fogalmak, kapcsolatok, leírások adatmanipuláció szabályozás schema.org; BiblioGraph.net
  6. 6. Adat: kapcsolt objektum és hálózati jelentés szervező • Az RDF (Resource Description Framework) sémával ábrázolt gráfban objektumok, fogalmak, szituációk vagy műveletek összefüggéseinek (és tulajdonságainak) jelölésére a csomópontok és élek szolgálnak, amelyek modellezik a leírt adatokat • A gráfban egyszerű ALANY – ÁLLÍTMÁNY – TÁRGY hármasban írjuk le (triplets) az adatkapcsolatokat • 1. Valami / dolog / alany (MŰ, amiről állítást alkotunk • 2. Tulajdonság / állítmány pl. a műnek SZERZŐJE van • 3. Tulajdonság felruházása értékkel (TÁRGY) : a szerző neve XY • A tulajdonságok a bibliográfiai entitásokat jellemzik és összefűzik az egy dologhoz kapcsolható jellemzőket (írta, illusztrálta, előadta, stb.) • Minden osztálynak és tulajdonságnak saját azonosítója van: URI Uniform Resource Identifier), amelyek felismerhetők, kapcsolhatók, géppel kereshetők 1. MICIMACKÓ (MŰ) 2. SZERZŐJE VAN (író, fordító, stb.) 3. Szerző neve: MILNE, fordítója Karinthy Frigyes, aki szerzője a Tanár úr kérem műnek, amelyet előadtak a … stb.  WorldCat  VIAF: 9850718  LCCN: n80067053  ISNI: 0000 0001 0796 9410  GND: 118784072  LIBRIS: 195319  SUDOC: 027030660  BNF: cb119161881
  7. 7. 6/8/2018 7 Opera István királyKönyvtár CDaudio ErkelFerenc Magyarország http://www.worldcat.or g/title/king-stephen- istvan-kiraly-opera-in- four- acts/oclc...brief_results VIAF http://www.wikidata.or g/wiki/Q316820?usela ng=hu Erkel Ferenc / Wikidata http://www.worldcat.org/title/ki ng-stephen-istvan-kiraly- opera-in-four- acts/oclc/870655555&referer= brief_results Erkel Ferenc OCLC könyvtári tudásgráf entitások - példa WorldCat, VIAF,ISNI, Wikidata, Fast (példa: Erkel Ferenc:István király) • István királyszemély • King Stephenszemély • István királymagyar történelmi személy • IstvánkirályfeleségeGizella • István királyfia Imre • István királyapja Géza • István királyszerző(Intelmek) • ErkelFerenc(személy) • ErkelFerenc(szerző,zeneszerző, composer) • ErkelFerencZeneiskola WorldCat VIAF:100194456 LCCVIAF: 100194456 N: n50081475 ISNI:00000001 10317034 GND:11861777X István király (opera)
  8. 8. VIAFID: 100194456 (Personal) Istvan ок.970-1038 король венгерский I István I. Magyarország, Király 974-1038 Stephan Ungarn, König Stefan I (król Węgier ; 970?-1038). Category:Stephen I of Hungary - Wikimedia Commons https://commons.wikimedia.org/wiki/Category:Stephen_I_of_Hungary VIAF: 100194456; ISNI: ... Pages in category "Stephen I of Hungary" The following 2 pages are in this category, out of 2 total. Stephen I of Hungary; S. イシュトヴァーン1世 - Wikipedia https://ja.wikipedia.org/wiki/イシュトヴァーン1世 イシュトヴァーン1世(I. István、969年または975年 - 1038年 8月15日 エステルゴム、大首長・ハンガリー国王として 997年 - 1038年)は、ハンガリー王国の初代国王。 生涯 · 脚注 · 参考文献 · 関連項目 · 外部リンク Stephen I of Hungary - Wikimedia Commons https://commons.wikimedia.org/wiki/Stephen_I_of_Hungary Stephen I of Hungary. From Wikimedia Commons, the free media repository. Jump to: navigation, search. Stephen I of Hungary (975–1038) ... VIAF: 100194456; ISNI: ... 伊什特万一世 - 维基百科,自由的百科全书 https://zh.wikipedia.org/wiki/伊什特万一世 viaf: 100194456; lccn: n50081475; isni: 0000 0001 1031 7034; gnd: 11861777x; selibr: 266785; nkc: js20020204014; 8
  9. 9. 9 Paradigmaváltás más módon, más eszközökkel, más eredménnyel új technológiák, amelyek alapvető változást hoznak Szemantikus adatfeldolgozás digitális adathálózatokon - kodifikált és azonosított adatokkal jellemzett információk Web technológia beépül a könyvtárba egységesített discovery szolgáltatási felület rendszerek együttműködése Szemantikus keresők, taxonómiák és ontológiák Mesterséges intelligencia korábbi manuális szakértői rendszerek transzformálása, automatikus szövegértelmezés és kommunikáció
  10. 10. Az emberi intelligencia mesterséges szimulálása • A mesterséges intelligencia digitális technológiai eszközkészlet • szimulálja az emberi intelligencia működését • képessé teszi az eszközöket magas szintű és komplex kérdések önálló megoldására gépi programozás alapján • Része: tudásreprezentáció (leírás, adatbázisok) – amelyek kifejezik és leírják az intelligens viselkedést; • programozott manipulációs eljárások és folyamatszabályozás, emberi probléma megoldási folyamat utánzása. Tóth M.3.) • 10 • Könyvtárakban • a szakterületen jellemző emberi funkciók gépi programozása a könyvtári működési folyamatok logikája szerint • Emberi intelligencia mélyebb megismerése • Magasabb szintű programozás és felhasználás • Alapvető könyvtári és tudományos értelmezések, szakértői rendszerek • hagyományos szolgáltatások programozott folyamatai (katalogizálás, tartalmi feldolgozás, szövegelemzés, referencia szolgáltatás, stb.) • Önálló és embedded számítógépes programok, amelyek szimulálják, kifejezik, vagy (részben) felváltják, kiegészítik a könyvtáros intelligens viselkedését.
  11. 11. Könyvtári mesterséges intelligencia területek • Géppel olvasható adatok növelése • kódolás, azonosítás, egységesítés, adatmodellek és adatmenedzsment • szenzitív adatok menedzselése, copyright szabályok egységesítése • access és ID szabályzatok és eljárások egységesítése (repozitóriumok) • Adatok megbízhatóságának fejlesztése • nagy mintavétel elemzések alapján (kodifikált adatok), nemzetközi szakértői rendszerek (VIAF, Wikidata, ISNI…) • Keresés fejlesztése tudásháló és mesterséges intelligencia technológiával • szakértői rendszerek, szövegelemzések, adatbányászat, mély keresések, kép-, hang- és szövegfelismerés • Gépi tanulás • Emberi gondolkodás szimulálás algoritmusokkal, mesterséges intelligencia kiterjesztése a használói rendszerekre, programozott útmutatók, szabad szöveges kérdések és válaszok, szöveg- és kép felismerés, stb. • Saját fejlesztések és külső eszközök integrációi • mesterséges intelligencia szolgáltatások begyűjtése, alkalmazása, használata, transzformálása 11
  12. 12. Könyvtári mesterséges intelligencia területek – tudásreprezentáció alapokon • Tudásreprezentációk intézményi feladatokhoz — heterogén gyűjtemények kombinálása — metaadat sémák, ontológiák, szakértői szótárak integrációja a saját rendszerben és külső rendszerekből — szintaktikai és szemantikai struktúrák átvétele és tervezése • - fogalmi- és szöveganalízis - Bizonyítási és elemzési folyamatok szabályozása, tér- és időbeli összefüggések - Intelligens interfészek beépítése a tudásreprezentációs eszközök kommunikációjához - Kommunikációs folyamat tervezése 12 - Perszonalizáció, - Szemantikai és audiovizuális eszközök integrációja - Automatikus annotációk - Ontológia kiterjesztések - természetes nyelvi megoldások, stb. (IEEE Intelligent Systems, 16.) http://personal.sirma.bg/vladimir/crm-tutorial/ A KISZOLGÁLT SZAKTERÜLET TUDÁSBÁZISAI, SZAKÉRTŐ RENDSZEREI Conceptual referencemodel
  13. 13. A könyvtári szakértői rendszerek A könyvtári szakértői rendszer számítógéppel támogatott probléma megoldás emberi intelligenciát részben helyettesítő módon Képessé tesz terjedelmes, bonyolult, vagy sok adatot és hivatkozást igénylő feladatvégzésre, vagy a kiszolgált terület átlátására 13 A mesterséges intelligencia kibővíti a könyvtári döntéshozás és elemzés folyamatához szükséges képességeket, de teljes mértékben itt sem helyettesíti azt. • Több száz szabály programozása - feldolgozott tudás a hagyományos könyvtári területeken • - Tudásbázis alap a tárgyról • - beépített workflow, példák, alkalmazási szabályok • - Inference /következtető motor és felhasználói felület • Átmenetek: elektronikus programozott oktatás linkekkel külső forrásokhoz • Minél több az adat, annál pontosabban teljesíthető a gépi "agy" vagyis az algoritmus felkészítése az új helyzetekre és a mintavétel szabályok alkotására A könyvtár minden területén jellemző manuális és átmeneti szakértői rendszerek: Katalogizálás, beszerzés, adatbázis kiválasztás, keresés, publikációs eljárások és informatikai eszközök, hatásvizsgálat, használói és kompetencia vizsgálatok, web,stb.
  14. 14. 14 Kooperatív könyvtári szakértői rendszerek • A WorldCat unikális szerepe a linked data struktúrák felépítésében • Authority fejlesztések változatos struktúrákban • Többféle authority rendszer kombinációi • Egységes jelölőnyelvek •  VIAF (Virtual Authority File) egységesített besorolási adatok nemzetközi virtuális adatbázisa  VIAF Identity Network authority adatok összegzése grafikusan is  ISNI – International Stadard (author) number identification  FAST - Facetted Application of Subject Terminology– webes subject heading séma / OCLC és a Library of Congress együttműködésében az LC Subject Headings alapján  Schema.org – a Bing, a Google, a Jahoo! és a Yandex (orosz keresőmotor) fejlesztésében az interneten szereplő információk strukturálására alkalmas egységes jelölőnyelv  Wikidata - a Wikipédia, WorldCat és VIAF kapcsolat az adatminőség javítására, adatok egységesítésére, azonosítására, nemzeti könyvtárak együttműködésében
  15. 15. 165 works in 260 publications in 8 languages and 1,713 library holdings Listából kiválasztott e-book Közeli könyvtárak, ahol meg van a példány Buy it
  16. 16. 16 Pl. Electronic database selection Expert system Wei Ma, Timothy W. Cole, több kiadásban (7.) https://pdfs.semanticscholar.org/4f36/9ac294023 7a348edd431c37fca901b64c731.pdf http://www.ala.org/acrl/sites/ala.org.acrl/files/con tent/conferences/pdf/ma.pdf Kérdés pontosítások Eredmény kiértékelések
  17. 17. 17 Tudás elérés az áttekintés emberi lehetőségéhez képest túlméretezettek a források Növelési lehetőség gépi kapacitással Keresés Az információs architektúra navigálásának módja változik Indexelés – szabad szöveges keresés tudásfelismerés – kép- és szövegelemzés automatizálása Referencia szolgáltatások emberi és gépi kommunikáció, robot technológia kombinált módszerek
  18. 18. Szemantikus keresők és szabad szöveges gépi kérdések és válaszok • Nagy tömegű digitális adatokból könnyebb mintavétel és kategorizálás • Minták felismerése, szövegértelmezés, szövegelemzés, szöveges, audió- és képi keresés fejlődése (orvoslás, művészet, hadiipar, sejtbiológia, stb. Coleman,29.) • A nagy digitális meta adattárak és fogalomtárak alapján eredményesebb a tudásgráfok és kapcsolati hálórendszerek kiépítése • Szemantikai keresők fejlődése • Google fejlesztések • nagy könyvtári elméleti és szakmai központokkal (OCLC, LC, stb.) • 2012-ben a Google megvásárolja a Freeweb tudásbázist 12 millió bejegyzéssel, (Ekkor a Wikipédia 3,5 milliót tartalmaz); 2016-ban már 400 millió bejegyzés • Szakértők bevonásával előkészítés és tesztelés • W3C szabványosítás, elméleti alapok, kutatás, együttműködés könyvtárosokkal a szemantikus meta-adat kezelés és fogalmi elemzés terén (RDF, SKOS, stb.) • Kulcsszavas keresés szemantikai alapú fogalmi elemzéssel, automatikával 18 Példa: ONLI: Ontology-based Natural Language Interface : An ontology-based system for querying DBpedia using natural language paradigm. (B. Sujatha, 70.)
  19. 19. 19 Becoming Data Native Eric Miller A mély rétegek meta-kereséstől a szemantikai hálókon át a mesterséges intelligenciáig • Az RDF alapú szemantikai struktúrákban URI azonosítókkal ellátott adatokat kereshetünk a weben, a gépi értelmezés és automatikus keresés támogatásával. Az RDF elemek a keresést korlátlan adatkapcsolatokkal terjeszthetik ki. • A mesterséges intelligencia alkalmazásával gépi programozással szimuláljuk az emberi intelligenciát az információk kereséséhez és szolgáltatásához, szabad szöveges kérdések és válaszok formájában is, a gépi szövegfelismerés és szöveg-értelmezés, fordítás, stb. lehetőségével. • A HTML dokumentumokban • adott metaelemek a teljes weboldalról vagy dokumentumról adnak kereshető információt We Talked To Sophia — The AI Robot That Once https://www.youtube.com/watch?v=78-1MlkxyqI
  20. 20. Mesterséges intelligencia „keresi a tűt a szénakazalban” 20 Semantic Scholar – 2015 A fejlesztésnél kombinálták a gépi tanulást, a természetes nyelvi folyamatok programozását, beépítettek egy szemantikai elemző eszközt, és egy icézés analízis eszközt, amelynek eredményeit grafikusan is bemutatja a rendszer. Hasonlóan a Google Scholar és PubMed, rendszerekhez, itt is a legjelentősebb forrásokat építették be a keresésbe és a kapcsolatok kiépítésébe, jelentős orvoslási forrásanyagokkal. http://www.kithirlevel.hu/index.php?kh=mesterseges_intelligencia_ker esi_a_tut_a_szenakazalban A mesterséges intelligencia kutatói automatizált kereső eszközt hoztak létre, amivel minden tudományos publikációt átvizsgálva új, eddig felfedezetlen kapcsolatokat találnának az információk között. Évente megjelenő közel 2 millió tudományos folyóirat automatikus elolvasása, feldolgozása és kategorizálása. A publikációk felét átlagosan mindössze legfeljebb három ember olvassa el, így rendkívüli tudásmennyiség mehet veszendőbe. Oren Etzioni a Seattle-i Allen Mesterséges Intelligencia Intézet (AI2) igazgatója. Ld. KIT hírlevél, stb.) A fejlesztő Paul Allen Microsoft kooperációban végezte a kutatást induláskor 100 000 cikk alapján, több orvosi szakértő bevonásával, előzetes elemzésekkel
  21. 21. Semantic Scholar, S2 keresés 40 milliónál több forrásból 21 https://www.semanticscholar.org/paper/Semantic-search-Guha- McCool/2c3b301d8ecb8c1f491937de76a4b97d93b68375/figure/1 https://www.quora.com/What-is-Semantic-Scholar-and-how-will-it-work Új szolgáltatás a tudományos szakirodalom keresésére és kujtatására a szöveg komponensek megértése és a szemantika alapokon kombinált gépi technológiákkal történik: machine learning, natural language processing, and [machine] vision to begin to delve into the semantics. (Oren Etzioni, 57.) Alkotórészei • keresőrobot, amely begyűjti a publikációkat • Szemantikai index előállítás a letöltött anyagokhoz • Kiszolgálói rendszer a szemantikai index innovatív használatához Komponensek „core metadata” kiválasztás, idézettség grafikonnal és relevancia szűréssel, dokumentumtípusok fazettákkal, GitHub -on tárolt forráskódok, munkaelemek és szoftverhivatkozások
  22. 22. Keresés az adatok mélyén – könyvtári üzleti intelligencia megoldások 22 https://dzone.com/articles/solving-architectural-dilemmas-to-create- actionabl?fromrel=true A betáplált és közzétett adatok közötti rétegekhez (rejtett adatok) speciális elemző és adatbányászati módszerek szükségesek (Nielsen,2.) • Online és batch lekérdezés  • Predefiniált kérdések  • Jelentések futtatása  • Szeparált adattárak  • OÍCLC Collection analysis • Student success focus/imperatives • Data-driven decision-making • Increasing complexity of technology, architecture, and data • Predictive analytics for student success (institutional level) • Dashboardok és vizualizációs elemző eszközök használata • Jelentések adatgyűjtésről, adatbázisokról • mennyiségi és minőségi kimutatásokkal, web analízis, könyvtári fókusz csoportok elemzése, adatok összetétele, integritása, adattisztítás, stb. Üzleti intelligencia könyvtárakban Elemző eszközök könyvtárakban
  23. 23. Talk to book – a Google új mesterséges intelligencia keresője 23 A Talk to Books kifejezetten a könyvekben őrzött tudásra alapoz a Google Books tudásbázis alapján. A mesterséges intelligencia gépi tanulással értelmezi a kérdést, és a bő 100 ezernyi könyv teljes szövegéből próbál értelmes, releváns válaszokat kihozni. Öntanuló rendszer, a kezdeti próbálkozásoknál a relevancia korlátait meghatározza a beépített könyvek tematikája Helyes válaszok vannak, de teljes válasz még nincs a kis minta következtében A találati lista elemei referencia műnek jelenleg még nem kezelhetők, a könyvek érték szerinti válogatása valószínű nem történt még meg. Az angol nyelven feltett kérdésekre egészen jó válaszok érkeznek, a keresőkérdések kicsi módosítása nyomán változó, de hasonló a találati listákat kapunk. Szabad szöveges kérdések, azonnali válaszok. A leginkább releváns válaszokat egy öntanuló “robot” keresi meg a Google Könyvek (Google Books) tartalmából.
  24. 24. A robotok már a könyvtárban vannak…. 24 • A robot automatizált feladatokat végez akár közvetlen emberi felügyelet, akár előre meghatározott program vagy általános iránymutatások alapján, mesterséges intelligencia technikák beépítésével • Pl. kérdés-válasz interakciók, zene lejátszás, listakészítés, „alert” funkciók, real-time információk (események, marketing, közérdekű információk pl. nyitva tartás, stb.) • Fejlesztett vagy beépített természetes nyelvi folyamatok, információkeresésre alkalmas tudás reprezentációk, gépi tanulás technikája, stb. • Képes hasonlóan viselkedni, mint egy természetes intelligenciával rendelkező élőlény • viselkedések vagy jellemek és egyéb jellemzők mögötti mechanizmus vagy program Adaptációk, következtetések, utasítások, cselekvések képessége http://computersinlibaries.infotoday.com/2017/Thursday.aspx) • ALEXA, SIRI, Sophia, IBM Watson, Teneo, Niki, Google new, stb. • Korlátlan és gyors memória, a hatékony mintafelismerés, számítógépes játékok - viselkedését célszerűen változtatja (tanulás, helyzetek) - RFID és szenzorok alapján működő intelligens rendszerek, intelligens közlekedés, orvoslás, mobil eszközökre épített perszonális egészségügyi szolgáltatások • IoT és okos város programok
  25. 25. Internet of Things (IoT) egy új hálózati „second life” ? 25 Megszelídített adattenger : „Az IoT világában szenzorok tömegéből nyert adatok automatikus tárolásával, keresésével, elemzésével gyorsan jutunk információkhoz. Az IoT az adatok továbbításán túl magába foglalja az adatokra épülő analitikai megoldásokat is Végponti eszközök, szenzorok, RFID- címkék, webkamerák, autós fedélzeti egység Gateway : eszközök közötti átjárás Hálózat : Az összegyűjtött adatok eljuttatása a tároló és feldolgozó helyre Interfészek : A hálózaton beérkezett adatok értelmezése és egységesítése Tároló rendszerek Feldolgozás – analitikai zóna A végponti eszközökből begyűjtött információk elemzése, utasítások kiadása, analitikai zóna Megjelenítés – kommunikációs rendszer, interaktivitás IoT rétegek Okos IoTcampus sémája központi adattárolóval és dashboarddl
  26. 26. Intelligens rendszerek fejlődési irányai (Gartner) 26 https://www.gartner.com/smarterwithgartne r/gartner-top-10-strategic-technology- trends-for-2018/ 1. AI foundations - alapok A cégek foglalkoznak a mestterséges intelligenciával, kérdés, hogy az emberi tanulás képességét milyen mértékben lehet átültetni algoritmusokkal a gépi tanulás módszerebe (nyelv megértés, ellenőrzött környezet) (Cearley, 61.) 3. Intellinget things Az intelligens alkalmazások a gépi tanulás következtében képesek kommunikálni az emberrel és más alkalmazásokkal (smart cars, RFID - orvostudomány, robotika, katonaság, drónok, kereskedelem) 6. trend: Conversational platforms a rendszerek képesek egyszerű válaszokra, vagy komplikált interakciókra, párbeszédekre 7. trend: Immersive experience: augmented reality és virtual reality AR, VR az emberek érzékelik és kapcsolatba lépnek a digitalis világgal, a határok elmosódnak a való és virtuális valóság között (turisztika, művészet, okos város programok) 9. trend: Event-drived esemény-vezérelt rendszerek. Az IoT és más technológiák detektálják és gyorsan képesek analizálni a jelzéseket 10. Folyamatos risk és trust a security környezet beépítése fontos elem a fake news és más fals információk vagy fenyegetések ellensúlyozására
  27. 27. A JÖVŐD A KÖNYVTÁRADBAN VAN! https://www.theguardian.com/us-news/gallery/2016/oct/06/most-, beautiful-libraries-america-pictures

×