Automation of technological and business processes

ISSN-print: 2312-3125
ISSN-online: 2312-931X
ISO: 26324:2012
Архiви

UNDERSTANDING THE EVERYDAY INTELLIGENCE BEHIND SMART MACHINES, AI AND LIFE

##plugins.themes.bootstrap3.article.sidebar##

pdf (English)
Опубліковано вер 30, 2025
DOI https://doi.org/10.15673/atbp.v17i3.3253

##plugins.themes.bootstrap3.article.main##

K. Vidanage
Department of Computer Scienc, Faculty of Computing, General Sir John Kotelawala Defence University, Ratmalana, Sri Lanka
F. MMT Marikar
Staff Development Centre, General Sir John Kotelawala Defence University, Ratmalana, Sri Lanka

Анотація

Анотація. Штучний інтелект (ШІ) позначає симуляцію людського інтелекту в машинах, які запрограмовані думати, навчатися та приймати рішення. Базовий ШІ охоплює системи, розроблені для виконання простих завдань із використанням заздалегідь визначених правил і методів обробки даних. Ці системи, які часто називають «вузьким ШІ» або «слабким ШІ», спеціалізуються на виконанні єдиних завдань, як-от переклад мови, розпізнавання зображень або предиктивний (прогнозний) текст. На відміну від просунутого ШІ, базовому ШІ бракує свідомості, загального мислення та самоусвідомлення.


Основні компоненти базового ШІ включають вхідні дані, алгоритми для обробки інформації та генерування результатів на основі запрограмованої логіки. Машинне навчання, підмножина ШІ, дозволяє базовим системам покращувати свою продуктивність через досвід без явного програмування для кожного сценарію.


Застосування базового ШІ є широко поширеним, включаючи персональних цифрових помічників, спам-фільтри, рекомендаційні системи та автономні системи підтримки клієнтів. Базовий ШІ трансформував галузі, підвищуючи ефективність, зменшуючи людські помилки та уможливлюючи автоматизацію. Однак він також викликає занепокоєння щодо конфіденційності даних, витіснення робочих місць та етичного використання. Оскільки ШІ продовжує розвиватися, розуміння фундаментальних концепцій базового ШІ є важливим для орієнтування в його зростаючій присутності в повсякденному житті. Ця анотація надає огляд базового ШІ, висвітлюючи його функції, застосування та наслідки для суспільства.

Ключові слова:
Штучний інтелект, Машинне навчання, Автоматизація, Алгоритми, Обробка даних

##plugins.themes.bootstrap3.article.details##

Як цитувати
Vidanage, K., & Marikar, F. (2025). UNDERSTANDING THE EVERYDAY INTELLIGENCE BEHIND SMART MACHINES, AI AND LIFE. Automation of Technological and Business Processes, 17(3), 21-27. https://doi.org/10.15673/atbp.v17i3.3253
Номер
Том 17 № 3 (2025)
Розділ
АВТОМАТИЧНІ І АВТОМАТИЗОВАНІ СИСТЕМИ УПРАВЛІННЯ ТЕХНОЛОГІЧНИМИ ПРОЦЕСАМИ

Посилання

1. Abd-Alrazaq, A., Alhuwail, D., Schneider, J., Toro, C.T., Ahmed, A., Alzubaidi, M., Alajlani, M. and Househ, M., 2022. The performance of artificial intelligence-driven technologies in diagnosing mental disorders: an umbrella review. Npj Digital Medicine, 5(1), p.87.
2. Awan, M.J., Khan, R.A., Nobanee, H., Yasin, A., Anwar, S.M., Naseem, U. and Singh, V.P., 2021. A recommendation engine for predicting movie ratings using a big data approach. Electronics, 10(10), p.1215.
3. Bishop, J.M., 2021. Artificial intelligence is stupid and causal reasoning will not fix it. Frontiers in Psychology, 11, p.513474.
4. Chinamanagonda, S., 2021. AI-driven Performance Testing AI tools enhancing the accuracy and efficiency of performance testing. Advances in Computer Sciences, 4(1).
5. Durgadevi, M., 2021, July. Generative Adversarial Network (GAN): A general review on different variants of GAN and applications. In 2021 6th International Conference on Communication and Electronics Systems (ICCES) (pp. 1-8). IEEE.
6. Greener, J.G., Kandathil, S.M., Moffat, L. and Jones, D.T., 2022. A guide to machine learning for biologists. Nature reviews Molecular cell biology, 23(1), pp.40-55.
7. Jones, O.T., Matin, R.N., Van der Schaar, M., Bhayankaram, K.P., Ranmuthu, C.K.I., Islam, M.S., Behiyat, D., Boscott, R., Calanzani, N., Emery, J. and Williams, H.C., 2022. Artificial intelligence and machine learning algorithms for early detection of skin cancer in community and primary care settings: a systematic review. The Lancet Digital Health, 4(6), pp.e466-e476.
8. Joshi, S., 2025. Review of data engineering and data lakes for implementing GenAI in financial risk. JETIR, Jan.
9. Khalil, M., McGough, A.S., Pourmirza, Z., Pazhoohesh, M. and Walker, S., 2022. Machine Learning, Deep Learning and Statistical Analysis for forecasting building energy consumption—A systematic review. Engineering Applications of Artificial Intelligence, 115, p.105287.
10. Masood, A. and Ahmad, K., 2021. A review on emerging artificial intelligence (AI) techniques for air pollution forecasting: Fundamentals, application and performance. Journal of Cleaner Production, 322, p.129072.
11. Padhan, S., Mohapatra, A., Ramasamy, S.K., Agrawal, S. and Ramasamy, S., 2023. Artificial intelligence (AI) and robotics in elderly healthcare: enabling independence and quality of life. Cureus, 15(8).
12. Priyadarshini, I. and Cotton, C., 2021. A novel LSTM–CNN–grid search-based deep neural network for sentiment analysis. The Journal of Supercomputing, 77(12), pp.13911-13932.
13. Quaranta, L., Calefato, F. and Lanubile, F., 2021, May. KGTorrent: A dataset of python jupyter notebooks from kaggle. In 2021 IEEE/ACM 18th International Conference on Mining Software Repositories (MSR) (pp. 550-554). IEEE.
14. Rahmaniar, W., Maarif, A., ul Haq, Q.M. and Iskandar, M.E., 2023. AI in Industry: Real-World Applications and Case Studies. Authorea Preprints.
15. Reis, J. and Housley, M., 2022. Fundamentals of data engineering. " O'Reilly Media, Inc.".
16. Shiri, F.M., Perumal, T., Mustapha, N. and Mohamed, R., 2023. A comprehensive overview and comparative analysis on deep learning models: CNN, RNN, LSTM, GRU. arXiv preprint arXiv:2305.17473.
17. Santoso, L.W., Singh, B., Rajest, S.S., Regin, R. and Kadhim, K.H., 2021. A Genetic Programming Approach to Binary Classification Problem. EAI Endorsed Trans. Energy Web, 8(31), p.e11.
18. Shakya, A.K., Pillai, G. and Chakrabarty, S., 2023. Reinforcement learning algorithms: A brief survey. Expert Systems with Applications, 231, p.120495.
19. Takiddin, A., Schneider, J., Yang, Y., Abd-Alrazaq, A. and Househ, M., 2021. Artificial intelligence for skin cancer detection: scoping review. Journal of medical Internet research, 23(11), p.e22934.
20. Tan, X.J., Cheor, W.L., Lim, L.L., Ab Rahman, K.S. and Bakrin, I.H., 2022. Artificial intelligence (AI) in breast imaging: a scientometric umbrella review. Diagnostics, 12(12), p.3111.
21. Verma, R., Nagar, V. and Mahapatra, S., 2021. Introduction to supervised learning. Data Analytics in Bioinformatics: A Machine Learning Perspective, pp.1-34.