Uniwersytet Śląski w Katowicach

Mówiąc o oszczędzaniu, zazwyczaj mamy na myśli pieniądze, które odkładamy, aby zabezpieczyć własną przyszłość. Jednak w dobie kurczących się zasobów naturalnych oszczędzanie nabiera zupełnie innego znaczenia. Żywność, niezbędna do życia, często jest marnowana i wyrzucana. Czy sztuczna inteligencja mogłaby nas wspomóc w efektywnym wykorzystywaniu naszych zapasów spożywczych i wpłynąć na zmniejszenie liczby wyrzucanych produktów? Otóż tak!

Często zgadzamy się na przechowywanie danych na temat naszych zakupów w zamian za korzyści oferowane dla posiadaczy kart lojalnościowych. Są to dane bardzo cenne. To dzięki analizie tych danych dział marketingu wysyła reklamy spersonalizowane.

Gdy zadzwoni firma telekomunikacyjna ze szczególnie intratną ofertą, oznacza to, że algorytm wskazał właśnie Ciebie jako potencjalną osobę, która chce zrezygnować z usług sieci. Dla firmy bardziej opłacalne będzie zaoferowanie dodatkowych korzyści niż utrata klienta.

Jednak w dobie kurczących się zasobów naturalnych tego typu dane, zamiast do celów marketingowych, należałoby wykorzystać w celu efektywnego zarządzania zasobami spożywczymi. Trwają prace nad stworzeniem systemu, który na podstawie danych na temat naszych zapasów żywności oraz ich daty przydatności do spożycia, a także preferencji żywieniowych członków rodziny i innych informacji, pomoże w doborze dziennego menu. Korzystając z tego sytemu będzie można również kontrolować kaloryczność spożywanych potraw. Takie rozwiązania możliwe są właśnie dzięki zastosowaniu sztucznej inteligencji, automatycznemu generowaniu reguł decyzyjnych na podstawie danych historycznych oraz modułowi wnioskowania, który jest nieodzownym elementem systemu ekspertowego.

Mówiąc o rozrzutności zazwyczaj mamy na myśli pieniądze, które często wydajemy na zbędne rzeczy zalegające później w naszych szafach. Jednak innym aspektem rozrzutności są dane rozproszone.

Jakie to dane? Takie, które gromadzone są niezależnie, przez wiele odrębnych jednostek. Nie można oczekiwać, że dane te będą spójne lub że będą miały jeden ustalony z góry format. Wykorzystanie takich danych jednocześnie w celu wnioskowania, klasyfikacji czy predykcji nie jest proste. Jednak niekorzystanie z takich danych jednocześnie i ograniczenie się do tylko jednego zbioru jest ogromnym marnotrastwem i dużym ryzykiem polegającym na podejmowaniu błędnych decyzji.

Dane rozproszone rozpatrywane są w wielu różnych dziedzinach informatyki. W zagadnieniach Federated Learning główny nacisk kładzie się na ochronę danych, nie dopuszcza się do wymiany danych pomiędzy agentami/jednostkami. Budowane są modele lokalne, następnie wspólne decyzje podejmowane są z wykorzystaniem metod fuzji lub meta klasyfikatorów. W Cloud computing czy Fog learning główny nacisk kładziony jest na wymianę danych w różnych sieciach. Również w zagadnieniach Internet of Things niezwykle istotne jest jednoczesne wykorzystanie danych rozproszonych, dostępnych z wielu urządzeń.

Musimy pamiętać, że przyszłość należy do danych, a w szczególności danych rozproszonych. Według ankiety Best  Best Jobs in America drugim najbardziej poszukiwanym zawodem jest Data Scientist. Kto to taki? Dowiedz się więcej zapraszamy na studia na kierunku Informatyka.