Проф. Руси Маринов, д. н.

Резюме:

Конвергенцията, която напоследък се забелязва между физическия, дигиталния свят и този на хората се движи не само от технологиите, но също така от появата на  нови платформи и системи, които създават възможности повече потребители да експериментират и да се учат. Развитието на индустриалния интернет, усъвършенстване на комуникацията между машините, големите данни и съпътстващи ги аналитични платформи позволяват качествен трансфер на информация, анализ и интерпретиране на факти и процеси в реално време, като това оказва съществено влияние на съвременните медии и спецификата на дейността на журналиста. Според водещи изследователски институти вниманието  постепенно се премества от дигиталната сфера към обединяването на физическата и кибер реалност.

Анализаторите на съвременните технологии твърдят, че бъдещето принадлежи на автономните превозни средства, софтуера за разпознаване на реч и смарт обектите. Тези  постижения не биха били възможни, без методиката на машинно учене- поле на изследване, имащо отношение към  проучване на техниките, свързани със способности на  компютрите да се самообучават, без да са изрично програмирани за  подобни задачи. Няколко основни елемента се интегрират в новите бизнес платформи от типа на информация, нанотехнологии, био средства и невронни, когнитивни мрежи. През 2013г. двама изследователи от Оксфорд публикуват резултати от проучване, където се посочва, че 47% от работните места, съществуващи в момента се намират в зоната на висок потенциален риск и са заплашени от изчезване, поради появилите се тенденции за автоматизиране на работните места в близките 20 години. Изследването [1] анализира 702 различни професии, като използва наличните данни от Министерството по труда, САЩ,  въвеждат се и определени вероятности  за автоматизиране на отделните работни места, като използват и 7 допълнителни  променливи за целите на анализа. Днес софтуера навлиза масово в дейности,  където досега традиционно са работели  хора с професионално образование.  Новите постижения на технологията "машинно учене" ще доведат до успешно заместване  на служители, досега работещи в офиси. Според публикациите използването и навлизане  на  интелигентни машини за обработка на информация зависи от  съответната индустрия и степента на приложение варира за различните дейности. Например в здравната  сфера, където човешкия фактор има по-голямо значение при връзка с болните, служителите са в по-малка степен застрашени, отколкото в сферата на промишленото производство. Таксиметрови и автобусни шофьори с в сравнително голям риск, поради навлизане на пазара на  самоуправляващи се превозни средства.

При анализа на документи машините се справят по-добре, отколкото служители занимаващи се с правна и адвокатска дейност. Друга категория специалисти, които може би най-силно ще засегне технологията са журналистите, особено  с навлизане  на автоматични програми за анализ на данни, информация, интерпретиране и публикуване. Отбелязва се, че в момента много добре се справят в тази област платформите за отразяване  и коментиране на баскетболни мачове. Самите журналисти се определят като експерти по  обработка и предаване на информация и това е най-слабото им звено.  При използване на аналитична платформа за структуриране на данни,  интелигентния, самообучаващ се  софтуер винаги ще има предимство и то е свързано с бързина, точност, концентрация, обективност при отразяване на определени процеси.  Голяма част от медиите в момента са под влияние на различни политически сили и  фактори и това ги прави, от една страна, като част от пропагандната политическа система, а от друга страна хората се ориентират все повече към независим, обективни платформи за представяне на факти и структурирани данни. Финансовата сфера е другата област, където масово навлизат смарт устройства  за  обработка на информация, като  дигитализацията /финансите масово дигитализират сами  повечето дейности/ застрашава работните места на голяма част от финансовите служители и анализатори.

Според професионалния сайт за нови технологии whatis.com  науката за данни има отношение към изучаване на въпросите свързани  с потока от информация, какви обекти се представят и как може да  бъде използван като надежден източник за  подготовка на ИТ и бизнес стратегии. Другата задача на тази наука е  изследване на огромната база от структурирани и неструктурирани данни,  с цел идентифициране на определени образци за поведение, ограничаване на излишните разходи за бизнеса, засилване на ефективността на действията,  определяне на пазарните възможности и засилване на  конкурентоспособността на  организацията. Някои водещи компании наемат учени, занимаващи се с анализ на данни,  за да  трансформират наличните данни в информация. За да бъдат ефективни  тези  експерти трябва да притежават емоционална интелигентност, която допълва техния образователен потенциал и опит при анализа на данните.  Учените в тази област комбинират техники, заимствани  от аналитични платформи, машинно учене и статистически знания, имащи отношение  към избора на алгоритмични и кодиращи системи, с цел  извличане на полезна информация. Най-важните умения за професията са  способностите на експертите да интерпретират  значимостта на данните по начин,  който да бъде разбран от  другите служители в една организация. По отношение на човешките прогнози, популярният напоследък статистик Нейт Силвер [2]  забелязва нещо много важно, когато е налице значителен ръст на данните, тогава се наблюдава и спад на  нашето разбиране  за обработката им, тоест  появява се опасност от неправилното им интерпретиране. Научният прогрес е подвластен на по-трудна преценка, отколкото икономическия. При внедряване на всяко ново изобретение се забелязва важна зависимост, ако се снижава цената на продукта, то тогава можем да кажем, че мъдро използваме наличната информация и успешно я превръщаме в знание. В дългосрочна перспектива нещо, което се  схваща като предсказуемо, в настоящето е способно да  наруши най-добрите ни планове. Съществуват цял порядък от научни дисциплини, където предсказанията често пъти се оказват неверни и това води до прекалено много разходи за обществото. Съществува опасност от информационно претоварване, най-добрият защитен механизъм е да се опростява света в съответствие с нашите предубеждения, макар че нещата  стават все по-разнообразни и комплексни. Тоест  докато не осъзнаем своите предубеждения, ползата от допълнителна информация ще бъде нищожна или може да стане вредна за обществото. Основната маса от ежедневния ръст на информация представлява само обикновен шум, нарастващ по-бързо от получените сигнали. В момента съществуват множество хипотези, изискващи проверка и тестване, както и огромно количество информационни масиви също нуждаещи се от проверка. На практика обемът от информация, която може да се смята за  обективна истина, практически остава неизменен. Подобни свойства притежават сложните системи, от типа на интернет. Възможно е да не се сриват толкова бързо, както останалите системи, но ако това се случи ще се окаже във висша степен значително. Интернет притежава основното качество лошите идеи да се разпространяват  в такава степен, в каквато се популяризират и добрите идеи. Лошите идеи могат обаче да  предизвикат много по-силен ефект. Един от възможните изводи е, че при хората се наблюдава проблем с предсказанията. Много световни институти и експерти в това число обичат да се занимават с прогнози,  но не умеят да го правят по най-ефективния начин. Забележителната фраза в Библията "нищо ново под слънцето" се свързва не толкова с това, че всичко вече е открито, а по-скоро с това, че  всичко може да бъде забравено. В момента разполагаме с повече информация, отколкото знания какво да правим с нея. Ние се фокусираме върху тези информационни сигнали, които разказват историята какъв да бъде света,  според нашите разбирания, а не в действителност какъв е в момента. Умберто Еко [3] в произведението "Това не е краят на книгите" изразява няколко идеи, свързани с информационната реалност, като посочва че съществува праг на възприемане  на информацията, а щом той се прекрачи, тя се превръща във фон, тоест в най-обикновен страничен шум.

Машинното учене [4] е метод за анализ на данни, с помощта на който се автоматизират процесите по създаване на  аналитични модели. Използват се алгоритми, които се учат от данните по един прогресивен начин. Машинното учене позволява на компютрите да намерят скрити връзки между отделните масиви от данни. Процесите, свързани с "итеративност" са от изключителна важност,  и служат като база са създаване на нови данни. Ученето се осъществява като се вземат предвид и  предишни изчисления,  накрая се генерират надеждни резултати, водещи до вземане на добре, обосновани решения. В последните години интересът  към тази технология се засилва поради факта, че автоматично могат да се създават модели,  като се анализират бързо все по-големи обеми от комплексни данни. Ключова характеристика  на " машинно учене" е  осигуряване на "смарт" действия, в реално време и автоматизиране на  процеса по генериране на модели. Томас Дейвънпорт един от водещите аналитици в света посочва, че хората могат да създават максимум един или два модела на седмица за оценка на  определени ситуации в бизнеса, докато машинното учене  е в състояние да предложи няколко хиляди подобни модела. През 1959 г. Артур Самуел дефинира машинното учене като поле на изследване, ориентирано към възможностите на компютрите да се самообучават, без да са явно програмирани за тази цел. Машинно учене се фокусира върху предсказване, базирано  на характеристики, изведени от изучване на данни.

Нещата се усложняват в резултат на появата на  друго понятие като "задълбочено учене"/Deep learning/ или това е разновидност на машинното учене и е свързано основно с  процесите по разпознаване на реч, текстове и образи. Базира се на невронни мрежи, позволява на компютрите да се учат  при решаване на определени задачи, да организират информацията и  създават образци на поведения. Deep learning комбинира напредъка в компютърните технологии с развитието на невронните мрежи, с цел изучаване на комплицирани структури в големи обеми от данни. Техниките в тази сфера се използват основно за идентифициране на обекти, закодирани в снимки и думи в звуци. Намира още приложение за  автоматични преводи на текстове от различни езици,  поставяне на медицински диагнози и решаване на социални и бизнес проблеми. От медийна гледна точка тази технология ще намери изключително приложение при контент анализа на определени блокове и структури медийно съдържание, за да се идентифицират впоследствие с  по-голяма точност медийните ефекти сред читателите. Двама известни учени в областта на информационната теория като Шанън и Норбърт Винер допринасят със своите изследвания за развитие на областите свързани с компютърна обработка на информацията и  машинно учене. Например Шанън третира съобщенията като дискретни елементи, което намират приложение не само в традиционния тип комуникация, но и в новите по-странни области като теория на  компютъризираните машини. Източникът на информация, в класическата теория на Шанън може да бъде човек или машина, генериращи съобщения,  които придобиват формата на последователност от символи, както е в телеграфа или могат  да бъдат изразени по математически начин като функции. Шанън свързва информацията с ентропията, докато  Винер говори за негативна ентропия. Винер забелязва, че информацията означава ред, но организираните неща не всякога съдържат повече информация и предпочита термина безпорядък, вместо неопределеност. Шанън смята, че по-голямата неопределеност в по-сложна конфигурация, означава по-малко знание за ситуацията и следователно по-малко информация.

Машинното учене придобива популярност през 1990 г. В последните години се забелязва значителен напредък в тази сфера. Някои от ключовите моменти и постижения са:

·  2011г. разработена е платформата "Google brain", базирана на  невронна мрежа, със способности да идентифицира и категоризира обекти;

·  2014г. Фейсбук представят алгоритъм, наречен "deepface", с възможности за разпознаване на лица в  мрежа от снимки;

·  2015г. Амазон стартира специална  платформа за машинно обучение; Майкрософт предлага ръководство за разпределено машинно учене;

·  2016г. Гугъл предлагат програмата "AlphaGo", която побеждава световния шампион на играта "Го".

Институтът "Пойнтър" [5], занимава се с изследвания в областта на  световната журналистика, през 2015г публикува едно проучване, имащо отношение към използване от медиите на технологията "машинно учене". В изследването се посочва, че тази практика ще намери основно приложение в "нюзрума" на новинарските медии. Новините ще се обработват много по-бързо, отколкото сега, ще спести част  от времето на журналистите за проучване на  фактите. Предполага се, че те ще концентрират  вниманието си основно върху представяне на новините. Лабораторията по  изследване и развитие в   "Ню Йорк Таймс" и БиБиСи-новинарска лаборатория са двете водещи организации в света, които проучват възможностите на машинното учене за автоматизиране на процесите по обработка на данни и факти. Целта е да се структурира информацията, като за целта се използват  специални маркери или въвеждат допълнителни метаданни към съдържанието под формата на аудио, видео и  снимков материал, където липсва достатъчно пояснителен текст. Представената методологията ще избегне огромния обем от търсения,  които извършват журналистите при отразяване на горещи новини и също така ще ограничи времето за  откриване на най-важното. Търсенето и извличането на данни  ще се извършва едновременно в "туитър", "Фейсбук", "Гугъл нюз", национални бази и архиви. В  "Ню Йорк Таймс"  е разработен проект,  с наименование "Editor". Платформата осигурява структуриране на новините в реално време, категоризира и идентифицира хора, места, организации и процеси, свързани с дадена история. Основната цел е да се обединят в едно цяло блокове информация, налични във вътрешната и външна база данни,  след което тя се предава на  журналистите във форма удобна за интерпретиране. В Editor съществува и контекстно меню, което дава възможност на журналиста да маркира темата, подтемите, цитатите и ключовите елементи от новинарския блок.  Майк Диор е един от учените в областта на данните, нарича този процес "семантично етикиране". В случая семантичното има отношение към дешифриране на значими връзки и взаимодействие между отделни части от текста. Например, ако се цитират предишни версии на случващото, технологията помага  да се  открият  ресурси в миналото и задава линкове към тях. В БиБиСи  подготвят и специален манифест, ориентиран към изграждане на "структурирана", основана на активно "учене" журналистика. Този тип дейност се разглежда както от гледна точка на репортера,  позволява да се автоматизира процеса  по структуриране на данни, така  и от гледна точка на аудиторията, където подобни технологии подпомагат читателите по-лесно да схванат  същността на историята, подобрява се  техния опит при работа с новинарски материали. "Вашингтон пост"  също създават платформа, базирана на машинно обучение и  я наричат "карта на знанието"/Knowledge map/. BBC подготвят алтернативен модел, наречен "Juicer", който е в състояние да разпознава ключови "етикети" в една новинарска емисия,  в случая се използва  техниката  "свързани данни", която автоматично категоризира хора, места и организации.

Системите [6] за машинно учене не се нуждаят от програмиране и могат да се самообучават като използват огромни масиви от данни. Това направление е клон от изкуствения интелект, който от своя страна  е колекция от различни технологии и концепции. Популярни приложения в практиката на машинното учене са самоуправляващите автомобили на  Гугъл, онлайн препоръки за различни услуги и стоки от  компаниите “Амазон" и "Флипкарт" и видео потока, предлаган от 'Нетфликс". Друг пример е разработката на "Фейсбук"  DeepFace  за разпознаване на лица, като това приложение е базирано на startups проекта от Израел- face.com. Международни компании от типа на Майкрософт, АйБиЕм, Дел, Оракъл и Амазон търсят подходи да мотивират потребителя да гледа на "облачните ресурси" като на интелигентни и смарт устройства, в същото време предлагат и услуги, базирани на машинно учене, които могат да намерят приложение за анализи на данни и управление на устройства  в пространството на  Интернет на "вещите". Друг пример е с учените от АйБиЕм, които  използват методи на когнитивни компютърни технологии и  машинно обучение за генериране на прогнози, свързани със скоростта на вятъра и интензитета на слънчевите лъчи. В случая   резултатите са с 30% по-точни, отколкото тези извличани, с помощта на конвенционални подходи. Майкрософт използва елементи от технологията "машинно учене"  в някои от продуктите си като "Бинг", "Офис", "Хбокс", "Уиндоус", преводача на "Скайп". Практически приложение на "машинно учене" в практиката: засичане на измами; реклама в реално време на уеб страници и мобилни устройства; базиран на текстове емоционален анализ; предсказване за проблеми с екипировката и оборудването; засичане на агресивна инвазия по мрежата; разпознаване на образи и модели на поведение; филтриране на спам съобщения в е-пощата.

Приложение в медиите:

·  задълбочен анализ на данни в реално време;

·  за целите  на контент анализ;

·  автоматично проследяване поведението на аудиторията и образци на поведение;

·  интегриране на информация автоматично от сайта на медията в  различни социални мрежи;

·  игнориране на данни и факти, които  нямат  допълнителна информационна стойност;

·  подготовка и публикуване на кратки анонси и съобщения;

В една публикация [7], в списанието "Информационен мениджмънт" от месец юни 2016г., се анализира значението на технологията "машинно учене" за съвременните предприятия. В последните години индустрията се опитва да намери  по-смислено значение в масивния обем от данни, които се  генерират всеки ден. Машинното учене предлага необходимите алгоритми, приложения и работна схема, с цел осигуряване на  по-голяма точност на прогнозите, придаване на ценност на мрежата от данни в бизнеса, както и подпомага разработване на разнообразни стратегии. Смята  се,  че тази технология бъде по-ефективна, ако се използва за управление на потенциални задачи, включително дефиниране на онова поведение, което води до по-добри резултати в бизнеса. Фирмите се стремят да спечелят повече клиенти  като прилагат методите на машинно учене най-вече в сферата на търговията и маркетинга. Институтът "Accenture" организира проучване  сред мениджъри и служители на компании, за да  се установи,  каква е ролята на машинното учене в бизнеса. Някои от резултатите са следните: 40% от  фирмите, участвали в изследването твърдят, че използват "машинното учене", за да подобрят резултатите си от продажбите и повишат  ефективността на маркетинга; 38% от участниците в анкетата са убедени, че технологията подобрява значително методиката за изчисляване на тенденциите в продажбите; 78% от анкетираните казват, че с помощта на машинното учене  целят повишаване на обема от продажбите на стоки. В публикацията се посочват четири фактора, които директно влияят на процеса по внедряване на "машинното учене" в практиката на бизнеса.

Основни моменти от развитие на машинния интелект:

1957г. Алън Ниуел и Хербърт Саймон разработват  софтуер за решаване на базови проблеми.

1964г. Джозеф Уизенбаум създава първия "чатбот" в света, наречен "Елиза", която може да връща отговори на въпроси, зададени от човек.

1980г. Изобретен е специален алгоритъм, позволяващ на невронните мрежи  да започнат да се учат от грешките си.

1997г. компютър DeepBlue на АйБиЕм побеждава на шах световния шампион Гари Каспаров.

1999г. Сони предствя AIBO, един от първите интелигентни, домашни любимци.

2011г. програмата Watson на IBM побеждава по време на ТВ играта "Jeopardy".

2011г. Компаниите, производители на смартфони разработват смарт асистенти, управлявани от естествен глас Siri, Google Now и Cortana.

2014г. Университетът в Станфорд и "Гугъл" представят компютри, които могат да  интерпретират снимки.

През м. август 2016г. компанията "Епъл" купува  платформата "Turi" за 200 млн. долара, осигуряваща софтуер за  машинно учене. По същество се предлага специални програми за самообучение, като  автоматично се търсят релевантни връзки между данните, без  определени компютърни инструкции. Според изпълнителния директор на "Епъл" техниката "машинно учене" ще подобри процесите по разпознаване на образи в мрежата от снимки, ще предсказва изрази, които могат да се използват при подготовка на електронни съобщения и писма,  също така ще се осигурява допълнителен контекст в уеб-картите,  предлагани от компанията, с цел по-добра ориентация на хората.

Според докладите [8] през 2016г. на Световния икономически форум следваща индустриална революция ще е свързана с изграждането и функционирането на "кибер-физически системи". Първата индустриална революция започва през 1784г. и има отношение към използване в промишленото производство на парна, водна и механична енергия. По това време масовия печат започва стремително да се развива. Втората революция стартира през 1870г.  и се свързва с разпределение на труда и  работната сила, поява на електричеството, телефона и масово производство. Медиите се превръщат,  в частност печата стават част от живота на бизнеса и хората. Появява се рекламата и маркетинга. Третата революция започва през 1969г. с появата и развитието на електронните технологии, ИТ сектора, автоматизирано производство и интернет. Доминиращи стават електронните медии в лицето на радиото и телевизията. Масовата комуникация се превръща научна дисциплина и  се изучва в почти всички водещи университети по света. Усъвършенстват се комуникационните теории и модели. Появяват се дигиталните медии и нови медийни платформи. Четвъртата индустриална революция още  не е започнала, но човечеството е на прага и, като  се свързва с появата на  усъвършенствани кибер-физически системи, Интернет на вещите, смарт устройства и  невронни мрежи, интегрирани в природата и в бизнеса. Медиите все още не са засегнати от последствията, липсват им подготвени специалисти в областта. Очаква се голяма част от традиционните професионални позиции в медиите да бъдат предефинирани и постепенно ще бъдат заменени с други. Хариет Грийн [9] е генерален мениджър за IBM Watson в сферата на Интернет на вещите и през месец юни 2016г.  обявява основните приоритети на проекта. Компютърната система е ориентирана към търговията и образование. Когнитивните изчисления осигуряват невероятни възможности за създаване на непаралелни, модифицирани експерименти с клиентите. Технологията позволява проследяване на огромни маси от данни, под формата на поток извличани от всички устройства, включени в Интернет на вещите, включително безброй сензори и системи като част от съвременните автомобили. Компанията IBM създава мобилна платформа като част от IoT, наречена "Оли". Възможностите на платформата позволяват комуникация от типа "автомобил-компютърен облак". "Оли" е автономен микробус с възможности да превозва до 12 пътници. Платформата е в състояние да общува с  други свързани към интернет автомобили, да взаимодейства с инфраструктурата, осигурява информация за местоположение, гео локация, автомобилен трафик и задръствания, анализира състоянието на времето в момента. Olli разполага с четири основни приложения: трансформиране на реч в текст; контрол с гласови команди, преобразуване на текст в реч;  интеракция между автомобили и пътници. Системата е създадена  с помощта на 3D принтер, като самоуправляващия си автобус представлява нова еволюция в автономни превозни средства. Компютърната система АйБиЕм "Уотсън" може да се използва за универсални цели от игра на шах, до изучаване на видовете диабет, като  в момента платформата притежава когнитивни възможности и се прилага в областта на автотранспорта и пътната инфраструктура.

В една публикация през 2015г  в сайта [10] на "Гардиън" се анализира ролята на  IoT/Internet of things/ в съвременната медийна индустрия. Саверио Ромеро анализатор в компанията "Бичъм Рисърч" смята, че  в момента това не е главна ориентация на медиите и технологията има отношение повече към бизнеса, свързан с производство на стоки. Смята че най-ефективния подход да се засили ролята на  Интернет на вещите в медиите се изразява с термините: активи, хора и процеси. Може да се твърди, че колкото  повече се разрастват връзките с интернет и изгради автоматизирана среда между отделните устройства, толкова по-активно ще се търсят пътища за приложение на новата технология от медиите. Сигурно е, че те ще се възползват от потенциала на  IoT, но това ще изисква време. Хайдън Джонс, изпълнителен мениджър на "Фужитцу UK" разглежда потенциала на новата структура като въвежда съчетанието "Интернет на медийните предмети" и допуска че свързаността на смартфоните ще доведе до генериране на новини, с помощта на данни и доставка на информация релевантна на  индивидуалните потребности. Този процес ще рефлектира в значима степен върху съдържанието и доставката му. Матю Найт, отговарящ за  иновациите в медийната агенция "Карат" вярва,  че екстра данните извличани от свързани устройства ще увеличи знанието за аудиторията. Подобна гледна точка означава, че за клиентите на агенцията ще се  формират условия за подобряване на контакта с консуматорите на съдържание, като се изгради една ефективна  екосистема на медията. Нандини Наяк, директор в консултантската агенция  по дизайн "Фиорд" посочва, че интелигентният подход за структуриране на данни ще се случи тогава, когато  започнем да задаваме правилните въпроси от гледна точка на хората и съответните услуги.

IoT интегрира в себе си три основни технологични платформи:

-     Големи данни: осигуряват вземане на решения в реално време, гарантират непрекъснат поток от нови данни;

-     Облачни компютърни ресурси: позволяват промяна на работния поток, с помощта на свързани в мрежа крайни точки, осигурява се скаларност на процесите и гъвкавост;

-     Мобилност: повишава се стойността на процесите, като се свързват крайни пунктове от различни локации, с осигурено дистанционно управление.

Технологията като цяло е социална ориентирана, тоест осигурява  автоматичен отговор от крайни свързани пунктове, съобразен с интересите на потребителите и мениджърите вземащи решения. IBM на своята уебстраница [11] разкрива ролята на  Интернет на вещите/нещата в близките 2-4  години. С помощта на инфографика се изобразяват тенденциите в развитие на тази технология. През 2016г.  свързаните към интернет устройства са 9 милиарда, като през 2020г. се очаква около 212 млрд. сензори да имат връзка към мрежата, броят на автомобилите в  Интернет  ще достигне цифрата 110 милиона, очаква се също и  1.2 милиона къщи да бъдат част от мрежата. Един от изводите до които достига компанията е, четвъртата индустриална революция вече е факт, като пазара на бизнеса с новия  Интернет  към 2018 ще достигне обем от 98 милиарда долара. 76% от предприятията ще увеличат дела си на смарт технологии или ще преминат към вградени интелигентни устройства в машините през следващите две  години. Когнитивните приложения ще осигурят възможности за използване на естествен език  при обработка на данните и управление на процесите, ще се нарасне значително потенциала на машинното учене,  като  анализа на текстове, видео и снимки ще стане по-прецизен, това ще подпомогне аналитиците да увеличат дела  на когнитивните модели в бизнеса. От гледна точка на бизнеса IoT свързва в едно цяло хора, процеси, данни и предмети, като се прилагат мрежови технологии с цел трансформиране на информацията в действие.

Според професионалния сайт [12] за нови технологии, "Течтаргет" "Интернет на нещата" е система от взаимосвързани компютърни устройства, механични и дигитални обекти, животни и  хора, за които е характерна унифицирана идентичност в мрежата и наличие на способности за трансфер на данни, без да се изисква някаква допълнителна програмна система от типа  на "човек-човек" или "човек -компютър". Нещата в IoT могат да бъдат хора, с различни видове импланти, сърдечни "pacemakers", сензори, домашни животни с биочип, автомобили, разполагащи с автономни или сензорни системи или всеки  друг обект/природен или социален/, който притежава IP адрес и може да предава данни в мрежата. IoT се развива благодарение на конвергенцията между безжични технологии, микроелектронни  системи, микроуслуги в Интернет. В случая се обединяват операционни и информационни технологии,  позволяващи на неструктурираните данни, генерирани от  различни машини да бъдат анализирани по-задълбочено и използвани за подобряване на средата. През  октомври 2015г, "Международната Интернет  общност" [13] публикува специален материал, посветен на Интернет на  вещите, където се дефинират основни понятия и термини. Доуточнява се, че терминът “Internet of Things” (IoT) се употребява през 1999г. от британския експерт в технологиите Кевин Аштън, с помощта на който  описва една система, при която обектите от физическия свят могат да бъдат свързани в Интернет, с помощта на сензори. Аштън създава термина, за да илюстрира мощта на радиочестотните идентификатори, известни  още като RFID етикети, използвани от  бизнеса в Интернет за проследяване на стоките, без човешка намеса. През март 2015г. Интернет архитектурния борд(IAB)  публикува документ за мрежовата дейност на смарт обекти с името RFC 74, където се  очертават особеностите на комуникационните модели, използвани от IoT устройствата. Протоколите, които намират приложение в новата мрежа са Bluetooth, Z-Wave и ZigBee. Смята се, че моделът от типа на "устройство- компютърен облак" ще намери най-голямо приложение в новата мрежа. Друг подобен модел, намиращ приложение в IoT е ориентиран към споделяне на данни  и наречен  "Back-end data-sharing model". В момента, няма универсална дефиниция за Интернет на вещите или нещата, тъй като технологиите и практиките се усъвършенстват и затова голяма част от понятията са условни. В българското национално законодателство ясно са дефинирани какво представляват вещите/движими и недвижими вещи, като   от правна гледна точка тази терминология  може да се използва при масово навлизане на технологията в практиката на бизнеса, институциите и хората/. Други тенденции, които въздействат на развитието на IoT  са иновациите постигнати в анализа на данни, разрастване на бизнеса с облачни ресурси, компютъризирана икономика, всеобща свързаност на Интернет устройства, Интернет на всичко/модел, разработван от компанията "Сиско"/, смарт комуникация, протокола  IPv6  и модел за комуникация “machine–to–machine” (M2M). Международният консорциум за управление на глобалната мрежа на своята официална страница/www.w3.org/ посочва два основни приоритета  за развитие на Интернет технологиите и това са - изграждане на "мрежа от данни" и "мрежа от вещи и предмети". Мрежата от предмети трябва да се превърне в модел на реалния свят, като се използват различни нива на абстракции, и да  осигури възможности на  пазара за  свободна конкуренция на услуги. „Вещите“ в случая се разглеждат като виртуални репрезентации на физически или абстрактни единици. Последствията от това са "нещата" в уеб пространството да не са ограничат само до свързани помежду си устройства, но също могат да се включват предмети,  които не са свързани само с хора и места, а са от типа на   идеи, организации и времеви епизоди. Всяка вещ може да има една или повече виртуални репрезентации, наречени "аватари".  Предметите и вещите могат да имат истории като например автомобили, включващи данни за предишни собственици. Аватарите притежават идентичност,  възможности, за дистанционен контрол и умения  за управление на данни. Разполагат още със собствен идентификационен адрес  в мрежата и са управляеми  с помощта на уеб технологии. Аватарите подпомагат създаване на специфични мобилни приложения, които могат да извличат информация от разнообразни източници, осигуряват се и различни равнища на абстракции.

Основни моменти от развитие на Интернет на вещите [14]:

-     1999г. Нийл Гершенфелд говори за  подобни мрежи, в книгата си "Когато вещите започват да мислят" и по време на откриване на "Центъра за битове и атоми"  в МИТ отбелязва, че в ретроспекция се забелязва бързия растеж на глобалната мрежа и тласък за по-нататъшно развитие може да се окажат предметите като част от мрежата.

-     1999г.  лабораторията Auto-ID Labs открива в МИТ свой център, първоначално създаден от Кевин Аштън, Дейвид Брок и Санжай Сарма. Тези учени помагат да се усъвършенства така наречения  "Електронен продуктов код", като част от глобалната радиочестотна идентификационна система/RFID/.

-    2002г. Дейвид Роуз, от медийната лаборатория в МИТ, създава интелигентно устройство Ambient Orb,  което реагира на промените във външната  среда като променя цвета си. Намира приложение за наблюдение на индекса "Дау Джонс" /променя цвета си към зелено когато пазара се намира в подем; става червено, когато има спад и  жълто при застой на  цените на пазара/. Може да се използва още за контрол на промяната времето,  като с изменение определени параметри се сменя цвета.

-    2003-2004г. терминът "Internet of things" се използва в публикации на "Гардиън: "Бостън Глоб" и "Сайентифик Американ". RFID се използва широко от Министерството на отбраната на САЩ в програмата Savi и компанията "Уол-Март" за целите на търговията.

През 2015г. IoT намира вече приложение в структурата на  ООН. Международният съюз по телекомуникации публикува първия си доклад за ролята на тази технология, където се твърди, че е добавено ново измерение към света на информационните и комуникационни технологии, тоест осигурена е по всяко време и от всяко място връзка за всеки човек към глобалната мрежа, налична е нова допълнителна свързаност към мрежата, която включва почти "всичко". В периода между 2006-2008г. става разпознаване на технологията на равнище ЕС и организиране на първата  IOT конференция. През 2008г. група компании създават алианса IPSO, за да популяризират използване на IP  в мрежа от "смарт обекти" и да подпомогнат развитието на Интернет на вещите. В момента в този алианс членуват повече от 50 фирми от типа на "Сиско", "Бош",  "Ериксон", "Интел", "Гугъл". През 2008г. Федералната комисия по комуникация одобрява използване на специален спектър white space. Националния съвет по разузнаване на САЩ определя  Интернет на вещите като една от шестте "иновативни граждански технологии", с потенциал за въздействие върху интересите на Америка. Научни  лаборатории за усъвършенстване на технологията са изградени в Университета в Кеймбридж, Швейцарски федерален институт по технологии/ETH/,  Университета Сейнт Гален в  Цюрих и  Университета Кеио, Япония. Според секцията за  (IoT) в технологичния сайт "Течтаргет" думата "things" в контекста на новата мрежа означава:  единици и физически обекти, които притежават уникален идентификатор, вградена система и възможност да предават данни в  мрежата. IoT още е етикет за обозначаване на  следващата индустриална революция, тоест допуска се,  че може да промени начина по който хората работят, пътуват и се забавляват. Технологията променя из основи моделите за взаимодействие на правителствата и бизнеса със света. Подобна интернет архитектура се свързва със специална екосистема,  осигуряваща възможности за дистанционно управление, контрол,  търсене на информация и подаване  на команди чрез мрежата към отделно IoT устройство.

През 2009 Аштън [15] в една своя публикация твърди, че  фразата ""Internet of Things" започва своя живот като наименование  след негова презентация, изнесена пред "Проктър енд Гембъл"/P&G/ през 1999г. Новата идея се свързва с технологията /RFID/ или радио-честотни идентификатори, използвани в  търговската верига на P&G и впоследствие се превръща в гореща тема за дискусии. Фактът че е първият учен използвал това съчетание не му дава право, споделя Аштън, да контролира  други изследователи,  как да го използват . Това което  има предвид е, че   днес компютрите, следователно и интернет са зависими от информацията, въведена от човека. Грубо казано около 50 пентабайта от данните налични в Интернет са създадени и въведени от човека-чрез писане, снимки, или сканиране на бар кодове. Конвенционалните диаграми на интернет включват сървъри и рутери, но се изпуска  че най-важните рутери са хората. Проблемът е, че човека разполага с ограничено време, внимание и прецизност-всичко  това означава че  не е  много добър в събирането на данни за нещата, съществуващи в реалния свят. Това е и основната идея, за развитие на новата технология. Нашата икономика, общество и оцеляване не са  базирани на идеите или информацията-те са основани на реалните неща.  Идеите и информацията са важни, но вещите или нещата струват много повече.  Днес информационните технологии са така зависими от данните, въведени от хората,  че нашите компютри знаят повече за идеите, отколкото за реалностите. Ако имаме компютри, които знаят всичко, те ще знаят какво се случва и с   околните предмети-използвайки данни, които събират без помощ от нас. Тогава ние ще бъдем в състояние да проследяваме и разчитаме всичко, като съществено намалим отпадъците, загубите и разходите. Ние трябва да дадем възможност на компютрите, с техни средства, да събират информация, така че да могат да виждат, чуват и усещат света около тях, във всичките му аспекти.

M2M  комуникацията се превръща във важна част от пространството  на "Интернет на вещите"/условно наименование, актуално за нашите условия, тъй като в националното законодателство  ясно са дефинирани кои са движими и недвижимите вещи/, като тази технология позволява на бизнес приложенията да бъдат интегрирани във външния свят. Друга форма на комуникация, която е част от индустриалния Интернет е така наречената комуникация в реално време/RTC/ или това е специализирана технология, която се използва за подобряване на взаимодействието между смарт предметите и заобикалящата ги среда. RTC е свързващо звено между уеб приложенията и хората, позволява изграждане на платформи,  където участниците или системите са  в непрекъснат контакт помежду си.  Интелигентната невронна [16], компютърна мрежа(ANN) е модел за обработка на  информация, вдъхновена от биологични нервни системи, от типа на мозъка. Ключов елемент на модела е иновативна структура на системата за обработка на информация. Мрежата е изградена от голямо количество взаимосвързани елементи/неврони/, работещи в синхрон, с цел  решаване на специфични проблеми. ANN подобно на хората се самообучава с помощта на примери и се конфигурира както за специфично приложение в практиката, така  и за изпълнение на задачи от типа на класификация или разпознаване на данни. Ученето в биологичните системи включва настройване на синаптичните връзки между отделните неврони. Невронните мрежи могат да се използват за следните дейности [17]:

·  предсказване- невронната мрежа може да се  тренира да осигурява резултати, които произтичат от специфични входни данни; ако разполагаме с подходяща мрежа, която може да моделира известни последствия от стойности или значения, то тогава може да  бъде използвана за предсказване на бъдещи резултати, най-вероятно приложение намира за  прогнозиране на пазарни тенденции;

·  формиране на клъстери: когато се анализират данни, които са прекалено сложни и не могат да бъдат класифицирани в отделни категории, тогава се използват невронните мрежи, с цел   идентифициране  на специфични черти  на данните  и след това класифициране в отделни категории,  без наличие на предварително знание за данните. Тази техника е полезна при извличане на данни, необходими както  за търговски, така и за научни цели;

·  създаване на асоциации: невронната мрежа може да бъде тренирана да запомня  поредица от смислови значения, така че когато се представи изкривена версия на даден модел,  мрежата прави асоциация с най-близката подобна структура, закодиран в паметта и, като след това възстановява оригиналната версия на модела. Този подход се използва за възстановяване на данни, които са били обект на различни шумове или са непълни. В невронната мрежа всеки неврон, може да получава стимули от други неврони. Обработката на информация се реализира на изхода при всеки неврон. Невронните мрежи притежават развита способност за обучение,  така че да представят поведението на всеки един проблем. След обучението невронната мрежа може да преценя отделни връзки, кодиращи информация,  свързана с определен проблем, в случая  се разчита на поредица от не интерпретирани данни.

Извод: Индустриалният интернет, методиките за анализ на данни, самообучението и управление на обектите в кибер пространството, машинното и дълбочинно учене, постепенно ще се превърнат в масова практика и ще намерят приложение не само в сферата на иновативните технологии, но и в  ежедневната дейност на бизнеса и медиите.

Бележки:

обратно нагоре