Inteligencija

1. Inteligencija.......................................................................................................................................... 2
1. Pojam inteligencije............................................................................................................................... 2
2. Merenje inteligencije............................................................................................................................ 2
3. Okruženje i inteligencija........................................................................................................................ 3
2. Poslovna inteligencija........................................................................................................................... 5
4. Pojam i karakteristike poslovne inteligencije.......................................................................................... 5
5. Skladištenje podataka........................................................................................................................... 5
6. Uloga poslovne inteligencije u elektronskom poslovanju......................................................................... 6
7. Pojam i karakteristike SPO.................................................................................................................... 7
8. Vrste i implementacija SPO................................................................................................................... 8
9. Grupni SPO.......................................................................................................................................... 8
3. Veštačka inteligencija.......................................................................................................................... 10
10. Pojam i karakteristike veštačke inteligencije........................................................................................ 10
11. Primena veštačke inteligencije............................................................................................................ 10
12. Ekspertni sistemi.............................................................................................................................. 11
13. Neuronske mreže............................................................................................................................. 12
14. Sistemi bazirani na agentima............................................................................................................. 12
15. Multiagenti i inteligentni agenti......................................................................................................... 13

1 / 14
1. Inteligencija

1. Pojam inteligencije

Inteligencija je mentalna karakteristika koja se sastoji od sposobnosti za učenje iz iskustva, prilagođavanja novim
situacijama, razumevanja i korišćenja apstraktnih pojmova i korišćenja prethodnih znanja za snalaženje u novoj okolini u
kojima ne pomaže stereotipno ponašanje. Smatra se da je inteligencija kombinacija urođenih karakteristika nervnog sastava
i razvojne inteligencije, oblikovane iskustvom i učenjem.

Inteligencija ili intelekt (lat. intellectus) je mentalna osobina koja se sastoji od više sposobnosti: učenje iz iskustva,
adaptiranje na nove situacije, shvatanje i razumevanje novih situacija i korišćenje stečenog znanja u interakciji sa
okruženjem.

Emocionalna inteligencija predstavlja sklop više sposobnosti, a to su sposobnost samorazumevanja, samokontrole,

samouverenost i sposobnost empatije. Prema Golmanu, model emocionalne inteligencije se sastoji od nekoliko bitnih
komponenti: samosvest, donošenje odluka, upravljanje osećanjima, prevazilaženje stresa, empatija, komunikacija,
samootkrivanje, pronicljivost, samoprihvatanje, lična odgovornost, samopouzdanje, grupna dinamika, rešenje konflikta.

Emocionalna inteligencija je sposobnost da se opaze emocije, da im se priđe i da se izazovu, kako bi pomogle procesu
mišljenja. Emocionalna inteligencija se delom stiče genetskim nasleđem, ali značajnim delom procesom učenja.

Socijalna inteligencija je poseban vid inteligencije koji obuhvata više međusobno povezanih sposobnosti kao što su:
emocionalna osetljivost, socijalna analitičnost, dobra samokontrola, socijabilnost, tolerancija i socijalna adaptabilnost,
sposobnost tačnog prepoznavanja i razumevanja osećanja drugih, pronicljivost u otkrivanju i tumačenju često skrivenih
namera drugih, interpersonalnih stavova na osnovu primetnih znakova u ponašanju.

Granična inteligencija je stepen intelektualne razvijenosti koji odvaja prosečnu („normalnu“) inteligenciju od mentalne
zaostalosti. Sinonim za graničnu inteligenciju je granična mentalna zaostalost.

Apstraktna inteligencija je sposobnost razumevanja apstraktnih pojmova, simbola i njihovih odnosa, kao i njihovog
korišćenja u rešavanju složenih problema.

Praktična inteligencija definiše spretnost u rukovanju predmetima i stvarima u okruženju i sredini u kojoj živimo i
podrazumeva mogućnost psihomotornog reagovanja u problematičnim situacijama.

Politička inteligencija podrazumeva sposobnost da se u okviru određenog sistema i poretka sprovede svoja sopstvena volja.
Politička inteligencija je sinonim za reč autoritet.

Duhovna inteligencija ima za cilj opažanje i rešavanje problema smisla i vrednosti.

2. Merenje inteligencije

Postoje autori koji tvrde da se inteligencija razvija do 16. godine, dok drugi smatraju da se procesi razvoja privode kraju oko
25. godine života. Ima autora koji su stanovišta da se inteligencija, a naročito kod pojedinih osoba, razvija čak i posle 50.
godine života.  Učenje omogućuje razvoj inteligencije, a inteligencija olakšava učenje. Inteligencija je u velikoj korelaciji sa
učenjem na početku učenja, a kad neka operacija postane automatizovana, IQ više ne igra značajnu ulogu. Inteligencija i
učenje su u većoj korelaciji ukoliko je: složenije ono što treba naučiti, veća smislenost materijala i vreme učenja
ograničenije.

Spirman je još 1904. godine definisao dvofaktorsku teoriju ili teoriju g – faktora kao osnovnog. Opšti faktor (g) predstavlja

2 / 14
opštu mentalnu energiju, urođen je i ne može se na njega uticati vaspitanjem, a specifični faktori (s) su odraz efikasnosti
specifične mentalne energije i podložni su vaspitnim uticajima. Teoretičar Terston je definisao sedam primarnih faktora
inteligencije: S - spacijalna (prostorna) sposobnost, P - perceptivni faktor, N - numerički faktor, V - verbalni faktor, M - faktor
pamćenja, W - verbalna fluentnost, I - induktivni faktor. Veliki broj psihologa je došao do zaključka da nasleđe određuje
minimalni i maksimalni domet intelektualnog razvoja, dok sredina i socijalni uslovi utiču na dostizanje krajnjih mogućnosti.

Rezultat testa inteligencije je količnik inteligencije IQ koji se dobija deljenjem umne tj. mentalne starosti dobijene testom (u
mesecima) i kalendarske starosti (u mesecima). Da bi se dobio praktičan broj, dobijeni rezultat se pomnoži sa brojem 100.
Količnik inteligencije se, dakle, izračunava po formuli:

IQ = Mentalna starost (meseci) : Kalendarska starost (meseci) x 100

U zavisnosti od vrednosti IQ, visina inteligencije se može podeliti na nekoliko grupa:

Veoma visoka inteligencija ili genijalci (IQ je viši od 120)

Visoka inteligencija (IQ je između 111 i 120)

Prosečna inteligencija (IQ je između 90 i 110)

Fiziološki tupi (IQ je između 70 i 89)

Laka duševna zaostalost ili debilnost (IQ je između 50 i 69)

Umerena duševna zaostalost ili lakša imbecilnost (IQ je između 35 i 49)

Teška duševna zaostalost (IQ je između 20 i 34)

Duboka duševna zaostalost ili idiotija (IQ je ispod 20)

Ako je oštećenje inteligencije nastalo kasnije kada je inteligencija već  razvijena, onda se radi o demencijama.

IQ test je standardizovani postupak za merenje intelektualnih sposobnosti. Najznačajnije razlike u testovima inteligencije su,
u korist žena: verbalno razumevanje, verbalna fluentnost, socijalna inteligencija i neki aspekti pamćenja, a u korist
muškaraca: socijalna sposobnost, numeričko rezonovanje i mehaničke informacije. Postoje razlike u varijabilitetu
kognitivnih spobnosti u funkciji pola – kod muškaraca je on nešto veći (ima više visokointeligentnih muškaraca, ali zato ima i
više retardiranih).

3. Okruženje i inteligencija

Procenjuje se da geni doprinose oko 20-40% razvoju inteligencije u detinjstvu i oko 60% u starosti, tako da okruženje u
interakciji sa genima čini preostalih 50% inteligencije. Uprkos činjenici da se inteligencija stabilizuje u ranoj zrelosti, smatra
se da genetski faktori igraju veću ulogu u srednjem dobu i starosti.

Uticaj porodice na razvoj inteligencije veoma je velik, iako je vrlo teško izdvojiti moguće genetske faktore od stavova

3 / 14
roditelja ili upotrebe jezika. Grupa vršnjaka, takođe, utiče na inteligenciju pojedinca u velikoj meri tokom vremena i
karakteristike grupe često mogu biti odgovorne za razvoj IQ-a u periodu druženja. Korelacija između IQ i stepena stručne
spreme  je negde između 40% i 60%.

Kulturna inteligencija može se shvatiti kao sposobnost da se uspostavljaju odnosi i da se efikasno radi u različitim kulturama.
Autori P. Christopher Earley i Soon Ang kulturnu inteligenciju definišu kao “sposobnost osobe da se prilagodi u interakciji sa
drugima iz različitih kulturnih regiona”. Za ljude sa višim kulturnim koeficijentom se smatra da će se uspešnije uklopiti u bilo
koje okruženje, koristeći efikasniju poslovnu praksu, od onih osoba sa nižim CQ.

Ovi autori opisuju četiri varijante kulturnog koeficijenta:

I    Motivacija (CQ disk) je interes i poverenje u efikasno funkcionisanje osobe u kulturno raznolikim prilikama.

II    Spoznaja (CQ znanje) je znanje čoveka o tome koliko su slične i koliko su različite određene kulture.

III     Metakognicija (CQ strategija) je prikaz toga koliko čovek ima smisla za kulturno raznolika iskustva i ono što se dešava
kada ljudi donose sud o svojim i tuđim misaonim procesima.

IV    Ponašanje (CQ akcija) je sposobnost osobe da se verbalnim i neverbalnim ponašanjem prilagodi u različitim kulturama.
Ovo podrazumeva da čovek ima fleksibilan repertoar odgovora ponašanja koji odgovaraju različitim situacijama.

Kulturna inteligencija se razvija kroz: kognitivna sredstva: glava (učenje o sopstvenim i drugim kulturama, kao i o kulturnim
različitostima), fizička sredstva: telo (korišćenje sopstvenih čula i prilagođavanje svojih pokreta i govora tela kako bi se
osoba uklopila), motivaciona sredstva: emocije (dobijanje nagrade i snage preko prihvatanja i uspeha).

Udruženje visokointeligentnih ljudi je organizacija koja ograničava svoje članstvo na ljude čiji se rezultati testa inteligencije
nalaze u određenom okviru. Najstarije, najveće i najpoznatije takvo udruženje je Mensa International, a ostala udruženja su
Triple Nine Society,  Prometheus Society i Mega Society. Najviši prijavljeni standardni rezultati za većinu IQ testova su 160.

4 / 14
2. Poslovna inteligencija

4. Pojam i karakteristike poslovne inteligencije

Poslovna inteligencija posmatrana sa makroaspekta podrazumeva skupljanje podataka o makroekonomskim kretanjima u

određenoj sredini njihovim strukturiranjem, arhiviranjem i obradom radi otkrivanja makroekonomskih trendova. Poslovna
inteligencija sa mikroaspekta podrazumeva skup procesa, alata i tehnologija koje pomažu da se poboljšaju performanse
kompanije posredstvom unapređenja produktivnosti, prodaje i usluga. Pomoću metoda poslovne inteligencije, podaci
kompanije se na bolji način organizuju i analiziraju i zatim konvertuju u korisno znanje neophodno da bi se preduzele
efikasne poslovne akcije.

Poslovna inteligencija je skup metodologija i koncepata za prikupljanje, analizu i distribuciju informacija uz pomoć različitih
softverskih alata. Ona se temelji generisanju što boljih i kvalitetnijih informacija potrebnih za donošenje poslovnih odluka,
pruža korisnicima samo one informacije koje su im neophodne i to u odgovarajućem formatu, a akcenat stavlja na kvalitet
informacija.

U osnovne komponente modela poslovne inteligencije spadaju: informacije, analiza i segmentacija, personalizacija, dostava
informacija putem više kanala i akcije, interakcije i transakcije. Da bi se primena sistema poslovne inteligencije smatrala
uspešnom, neophodno je da zadovolji četiri osnovna kriterijuma: kvalitet podataka, generisanje znanja, pravovremenost
informacija, podsticanje akcije. Glavni zahtevi korisnika od infrastrukture sistema poslovne inteligencije su: sigurno
okruženje, raspoloživost i dostupnost putem različitih kanala, visok stepen prilagodljivosti, skalabilna memorija i
zadovoljavajuća delotvornost, brz razvoj i jednostavna administracija.

Osnovne podvrste poslovne inteligencije s obzirom na izvore podataka su:

1. Tržišna inteligencija kompanije, koja obezbeđuje informacije o tržišnim kretanjima u grani u kojoj kompanija posluje.
Podrazumeva prikupljanje i analizu podataka za potrebe donošenja odluka pri određivanju tržišnih mogućnosti,
strategija prodora na tržište, kao i analizu podataka za praćenje tržišnih metrika.  Osnovni izvori podataka tržišne
inteligencije su: klijenti – klijentska inteligencija (Customer Intelligence), konkurencija – kompetitivna inteligencija
(Competitive Intelligence), dobavljači i ostali poslovni partneri – inteligencija lanca snabdevanja (Supply Chain
Intelligence)

2. Unutrašnja inteligencija kompanije (Internal Intelligence), koja pruža informacije o performansama poslovanja same
kompanije. Osnovni izvori podataka za stvaranje unutrašnje inteligencije su: operativni poslovni procesi – inteligencija
poslovnih procesa (Business Process Intelligence), upravljački procesi – inteligencija menadžmenta (Management
Intelligence). 

5. Skladištenje podataka

Data Warehouse je jedinstveno, integrisano skladište podataka koje obezbeđuje infrastrukturnu osnovu svim aplikacijama u
jednoj organizaciji. U skladištu podataka podaci se skupljaju i organizuju na način da budu lako dostupni kako bi ih
menadžment mogao na brz i jednostavan način iskoristiti za potrebe analize svog poslovanja. Karakteristike skladišta
podataka su: subjektna usmerenost, integrisanost, vremenska zavisnost, nepromenljivost sadržaja. Postupak skladištenja
podataka predstavlja kontinualan proces planiranja, građenja i prikupljanja podataka iz različitih izvora i njihovog korišćenja,
održavanja, upravljanja i stalnog unapređivanja. Aktivnost skladištenja podataka predstavlja kontinuiran proces, a sama
investicija njegovog uvođenja je skupa i dugotrajna.

5 / 14
Da bi skladište podataka opravdalo svrhu svog postojanja, mora da ispuni sledeće preduslove:

Treba da osigura pristup svim zaposlenim u preduzeću, a ne samo menadžerima.

Treba da sadrži veliku količinu detaljnih podataka

Ažuriranje novim podacima treba da bude kontinuiran proces koji se odvija u realnom vremenu

Potrebno je predvideti mogućnost izdvajanja (engl. extract) i međusobnog povezivanja podataka u smislu dobijanja
svih pokazatelja poslovanja u preduzeću

Podaci u skladištu podataka koji se skupljaju iz različitih izvora, prečišćavaju se uz kontinuiranu proveru kvaliteta i kao
takvi su dostupni korisnicima

Potrebno je utvrditi približnu količinu podataka koji će biti čuvani u sistemu kada se on razvije

Treba da postoji zahtev za visokim stepenom zaštite osetljivih podataka sprovođenjem rigoroznih mera zaštite
podataka i poslovnih tajni.

Prilikom kreiranja skladišta podataka, danas se u praksi susreću tri osnovna modela ili osnovne arhitekture skladišta
podataka: dvoslojna arhitektura sa jednim zajedničkim skladištem podataka, dvoslojna arhitektura sa više nezavisnih
lokalnih skladišta podataka (engl. Data Marts) i troslojna arhitektura sa zajedničkim skladištem podataka i više povezanih
lokalnih skladišta podataka. Data Mart pokriva samo jednu oblast poslovanja i može predstavljati pilot projekat za realizaciju
mnogo obimnijeg Data Warehouse sistema.  Skladištenje podataka je posebno projektovano tehnološko okruženje koje
omogućava objedinjavanje srodnih podataka u oblik pogodan za analizu, čime se olakšava proces donošenja odluka i daje
nov pristup sistemima za podršku odlučivanju. Ovaj koncept obezbeđuje standardizovan, fleksibilan i efikasan način
raspolaganja podacima u formatu pogodnom za korišćenje u savremenim poslovnim sistemima i aplikacijama. Postojanje
skladišta podataka, kao integrisanog okruženja bogatog informacijama, orijentisano je ka potrebama krajnjih korisnika koji
uz pomoć alata za poslovno odlučivanje mogu donositi pravovremene i kvalitetne poslovne odluke. Metode skladištenja
podataka sve više postaju integrisane u softverske pakete celokupnog informacionog sistema preduzeća.

6. Uloga poslovne inteligencije u elektronskom poslovanju

Danas elektronska trgovina među kompanijama (B2B) zauzima više od 80% obima elektronskog poslovanja. Prema jednoj od
definicija elektronsko poslovanje u svetlu najnovijih trendova razvoja ekonomije i tehnologije uopšteno se definiše kao
primena komunikacionih i informacionih tehnologija u poslovnim transakcijama koje kreiraju, transformišu i redefinišu veze
u procesu kreiranja vrednosti unutar i između kompanija, kao i između kompanija i pojedinaca. U kontekstu savremenog
poslovanja, posebnu ulogu ima i mobilno poslovanje (m-commerce) koje podrazumeva obavljanje poslovnih transakcija
posredstvom bežičnih mreža i uređaja,  kao što su mobilni telefoni ili PDA uređaji (Personal Digital Assistant).  Lider u oblasti
mobilnog poslovanja jeste Japan.   

Transakcije elektronskog poslovanja uključuju sledeće učesnike i preduslove: Organizacija, Transakcioni partneri, Klijenti,
Partneri, Državna uprava, Mrežna infrastruktura. 

Elektronsko poslovanje podrazumeva širok skup poslovnih aktivnosti koje se realizuju primenom informacionih i
komunikacionih tehnologija (ICT) – prodaju i kupovinu proizvoda i usluga, saradnju sa poslovnim partnerima, primenu

6 / 14
e-učenja i obavljanje transakcija unutar kompanije. Bitne komponente elektronskog poslovanja su: Poslovna inteligencija,
Enterprise Resource Planning, Customer Relationship Management i Supply Chain Management.

Elektronska trgovina primarno se sastoji od distribuiranja, kupovine, prodaje, marketinga i servisiranja proizvoda i usluga
putem elektronskih sistema, kao što su internet i druge kompjuterske mreže. U užem smislu definicija obuhvata kupovinu i
prodaju robe, usluga i informacija putem mreže.

U svim procesima elektronskog poslovanja poslovna inteligencija ima ulogu da objedinjuje i analizira veliki broj poslovnih
informacija iz navedenih sistema i drugih eksternih izvora kako bi se ostvarila konkurentska prednost. Kada organizacija
poveže svoje kritične poslovne sisteme sa klijentima, dobavljačima, distributerima i zaposlenima radi ostvarenja
kompetitivne prednosti, može se reći da postaje organizacija koja posluje elektronski.

Uloga poslovne inteligencije je da unapredi performanse poslovanja u ovako opisanim uslovima. Njenom upotrebom
kompanije mogu unaprediti odnose sa klijentima i dobavljačima, bolje upravljati rizikom, povećati produktivnost proizvoda i
usluga, bolje kontrolisati troškove i ostvariti mnoge druge ciljeve.

Uloga poslovne inteligencije u elektronskom poslovanju jeste:

Podsticanje integracije s obzirom na izraženu potrebu za brzim reakcijama na promene e-okruženja.

Podsticanje organizacija da razmotre proširenje ovakvog procesa donošenja odluka na nivo prilagođavanja poslovnih
operacija i marketinških kampanja u realnom vremenu na osnovu prezentovanih informacija posredstvom sistema
poslovne inteligencije.

Da podrži zahteve velike skalabilnosti jer e-poslovanje karakteriše nepredvidivost obima podataka i česte izmene u
tokovima informacija. 

7. Pojam i karakteristike SPO

Sistem za podršku odlučivanju mora: podržati sve faze procesa odlučivanja, podržati različite procese i stilove donošenja
odluka, biti adaptivan tokom vremena, biti jednostavan za korišćenje, nastojati više unaprediti efektivnost odlučivanja nego
efikasnost. Strukturiranost problema se može izjednačiti sa njegovom definisanošću, a pod potpuno strukturiranim
problemom se podrazumeva: da je problem jasan, da su precizno definisani ulazni podaci, da su poznati načini na koje se
vrši analiza i dolazi do rešenja. Problemi koje je potrebno rešavati sa stanovišta odlučivanja mogu biti strukturirani,
polustrukturirani i nestrukturirani. Prevođenje problema odlučivanja iz nestrukturiranosti u strukturiranost je jedan od
najbitnijih zadataka podrške odlučivanju.

Poslovna inteligencija predstavlja skup informacionih tehnologija, organizacionih pravila, znanja i veština zaposlenih u
organizaciji,  udruženih u generisanju, zapisivanju, integraciji i analizi podataka, a sve sa ciljem da se dođe do potrebnog
znanja za donošenje odluka. Odluke koje se donose u organizacionom okruženju mogu biti: operativne odluke, taktičke
odluke, strateške odluke.

Svaki sistem za podršku odlučivanju se sastoji iz tri podsistema: podsistem baze podataka, podsistem baze modela,
podsistem korisničkog interfejsa. sistemi za podršku odlučivanju su interaktivni, na računarima zasnovani informacioni
sistemi, koji koriste sofisticirane modele analize podataka, modele odlučivanja i specijalizovane baze podataka, sa svrhom
podržavanja procesa polustrukturiranog i nestrukturiranog menadžerskog odlučivanja.

7 / 14
Osnovne karakteristike sistema za podršku odlučivanju (SPO) su: SPO obezbeđuje podršku za donosioce odluka uglavnom u
polustrukturiranim i nestrukturiranim situacijama u procesu odlučivanja, Podrška se obezbeđuje za sve nivoe upravljanja,
Podrška se obezbeđuje kako za pojedince tako i za grupe, SPO podržava sve faze procesa donošenja odluka, SPO podržava
različite stilove donošenja odluka, SPO treba da bude adaptivan tokom vremena, SPO treba da bude fleksibilan u smislu da
korisnik može da doda, obriše i kombinuje osnovne elemente očekujući efektivan odgovor u nepredviđenim situacijama,
SPO treba da bude lak za upotrebu, SPO treba da unapredi efektivnost u procesu odlučivanja, donosilac odluke treba da ima
potpunu kontrolu nad sistemom tokom svih koraka donošenja odluka, SPO je podložan konstantnim promenama i
unapređenju  performansi.

Komponente sistema za podršku odlučivanju današnjice su: podsistem za upravljanje podacima, podsistem za upravljanje
modelima, podsistem za upravljanje znanjem, podsistem – korisnički interfejs, korisnik.

8. Vrste i implementacija SPO

Ukoliko se uzmu u obzir upravljačke aktivnosti na kojima se sistemi za podršku odlučivanju baziraju, kao što su strategijsko
upravljanje, upravljačka kontrola i operativna kontrola, moguće je izvršiti klasifikaciju SPO na: SPO za strategijsko
upravljanje koji je podrška top menadžmentu, SPO za upravljačku kontrolu koji je podrška srednjem menadžmentu, SPO za
operativnu kontrolu koji je podrška operativnom menadžmentu.
 
Sistemi za podršku odlučivanju se, prema broju osoba koji podržavaju, dele na: individualne sisteme za podršku odlučivanju,
projektovane mahom za najniži i srednji nivo menadžmenta koji je usmeren na rešavanje polustrukturiranih i strukturiranih
problema odlučivanja, i grupne sisteme za podršku odlučivanju projektovane za donosioce odluka koji rade kao grupa u
rešavanju nestrukturiranih problema.

Prema svojoj nameni, sistemi za podršku odlučivanju mogu biti: SPO namenjeni preduzećima (Enterprise wide DSS),
povezani sa velikim bazama podataka i skladištima podataka i opslužuju više menadžera, i SPO za rad jednog korisnika
(Desktop DSS), koji radi samostalno na jednom računaru.

Prema svojoj orijentisanosti, sistemi za podršku odlučivanju mogu biti: tekstualno orijentisani SPO (Text - oriented DSS), SPO
orijentisani na baze podataka (Database - oriented DSS), SPO orijentisani na tabelarni rad (Spreadsheet - oriented DSS), SPO
orijentisani na rešavanje (Solver - oriented DSS), SPO orijentisani na pravila (Rule - oriented DSS), složeni SPO (Compound
DSS).

Osnovne prednosti SPO su: povećavanje broja razmatranih alternativa u procesu donošenja odluka, bolje razumevanje
problema koji treba da se reši, brži odgovor na nepredviđene situacije, sposobnost sprovođenja ad-hoc analiza, bolje
sagledavanje problema i učenje, poboljšana komunikacija među članovima tima koji učestvuju u donošenju odluke,
poboljšana kontrola odlučivanja, bolje i kvalitetnije odluke, efikasniji timski rad, bolje iskorišćenje raspoloživih podataka,
smanjenje troškova, povećana produktivnost, ušteda vremena, poboljšano zadovoljstvo potrošača i zaposlenih. U korelaciji
sa prednostima SPO evidentni su sledeći faktori: stepen konkurentnosti, industrija, veličina kompanije, lako korišćenje SPO.

Proces rada sa SPO počinje korisnikovom dilemom, nakon čega on definiše problem, u čemu mu SPO može pružiti pomoć
kroz snimanje, praćenje i prikupljanje podataka iz spoljašnjih i unutrašnjih izvora podataka. Na osnovu toga se stiče uvid o
nastanku i karakteru problema. Po završetku formulacije problema, SPO vrši obradu podataka koristeći se, pri tom, bazom
podataka ili bazom znanja. Po izvršenoj obradi problema, SPO nudi korisniku raspoloživi niz alternativa. Služeći se
pokazateljima o stepenu zadovoljenja postavljenog problema svake alternative, korisnik vrši izbor najpovoljnije. Danas je
primarni fokus proizvođača SPO na težnji da se poboljšaju analitičke sposobnosti SPO.

9. Grupni SPO

Grupni sistemi za podršku odlučivanju su interaktivni sistemi bazirani na upotrebi informacione tehnologije i preciznog
algoritma odlučivanja, a izgrađeni su na ideji individualnog, odnosno, pojedinačnog sistema za podršku odlučivanju. Njihov

8 / 14
osnovni zadatak je da olakšaju rešavanje polustruktuiranih i nestruktuiranih problema zajedničkim radom grupe koju u
najvećem broju čine donosioci odluka. Grupni sistem za podršku odlučivanju ima za cilj da poboljša grupno odlučivanje,
uklanjanje uobičajenih komunikacionih barijera, pružanje tehnika za strukturiranje analize odlučivanja i sistemsko
određivanje načina, vremena i sadržaja diskusije u cilju dobijanja većeg kvaliteta odluke.

Bitne karakteristike grupnih sistema za podršku (GSPO) odlučivanju su:

GSPO je posebno dizajniran sistem, a ne samo sklop postojećih sistema

GSPO je projektovan sa ciljem da pomaže donosiocima odluka u njihovom radu i, kao takav, unapređuje proces
donošenja odluka i rezultata odlučivanja

GSPO usklađuje znanja različitih korisnika, te uz primenu računara, omogućava bolju podršku odlučivanju

GSPO može biti specifičan tj. dizajniran za jedan tip ili klasu problema ili opšti, tj. dizajniran za različite odluke koje se
donose na nivou grupe.

GSPO sadrži ugrađene mehanizme koji obeshrabruju razvoj negativnih ponašanja u grupi, kao što su destruktivni
konflikti, nesporazumi, loša alternativna rešenja itd.

Grupne sisteme za podršku odlučivanju dobro je uvoditi ako unapređuju bar jedan od sledećih elemenata: povećanje
efikasnosti i efektivnosti rada grupe, povećanje kvaliteta donetih odluka, poboljšanje procesa vođenja sastanka. pogodnosti
koje pruža upotreba gspo: smanjenje troškova do čak 90%, dostizanje konkurentskih prednosti, podsticanje inovativnih
aktivnosti, smanjenje dužine trajanja procesa odlučivanja, poboljšanje komunikacije, dobra koordiniranost rada članova
grupe, brz povraćaj investicija itd.

Danas najkorišćenije aplikacije grupnih sistema za podršku odlučivanju su: soba za odlučivanje, lokalna mreža za
odlučivanje, telekonferencija, odlučivanje na daljinu. tehnologija grupnih sistema za podršku odlučivanju je podeljena na tri
nivoa, a to su: I nivo - podrška procesu, II nivo - podrška odlučivanju, III nivo - pravilo „reda“, koje se odnosi na kontrolu
vremena, sadržaja diskusije, pravila glasanja... Moguće strukture odlučivanja upotrebom GSPO su: hijerarhijska struktura,
struktura zvezda, struktura točak, struktura saće i višestruko povezana struktura. Pokazalo se da je struktura „zvezda“
najefektivnija kod rešavanja strukturiranih problema i polustrukturiranih problema, dok struktura „točak“ najviše odgovara
za nestrukturirane i kreativne situacije odlučivanja.

Glavni ciljevi grupe su: generisanje ideja i alternative, izbor alternativa, pregovaranje o alternativama. Osnovne
karakteristike grupnih sistema za podršku odlučivanju zavise od vrste, tipa i zadatka grupe koji ona treba da izvrši. Prednosti
primene GSPO u rešavanju pomenutih zadataka su: olakšavaju i pojednostavljuju unos i prikaz ideja svih članova grupe,
povećavaju brzinu procene ideja, obezbeđuju tehničku podršku za aktivnosti kreativnog mišljenja, poseduju mogućnost
izbora ispravnog rešenja, povećavaju efektivnost rešenja u zadacima pregovaranja, pogotovo tamo gde su interesi članova
grupe suprotstavljeni.

9 / 14
3. Veštačka inteligencija

10. Pojam i karakteristike veštačke inteligencije

Veštačka inteligencija je naučno područje koje ima cilj da mašine, kao što su računari, imaju sposobnost inteligentnog
ponašanja. Veštačka inteligencija predstavlja podoblast računarstva i bavi se razvojem inteligentnih računarskih sistema.
Veštačka inteligencija primenom računara teži rešavanju onih problema koji zahtevaju metodologiju ljudskog umnog rada,
odnosno,  zahtevaju ljudsku inteligenciju. Veštačku inteligenciju karakterišu hardversko-softverski sistemi koji su sposobni
da na ljudski način, samostalno, rešavaju probleme komunicirajući sa okruženjem.

Veštačka inteligencija je grana računarskih nauka koja se bavi proučavanjem i oblikovanjem računarskih sistema koji
pokazuju neki oblik inteligencije. To su sistemi koji mogu da uče  nove koncepte, sistemi koji mogu da zaključuju i donose
zaključke o svetu koji ih okružuje, sistemi koji mogu da razumeju prirodni jezik ili spoznaju i tumače složene vizuelne scene,
sistemi koji mogu da obavljaju i druge vrste veština koje zahtevaju čovekovu vrstu inteligencije (D.W. Patterson,1990).

Veštačka inteligencija je nauka koja čini da mašine obavljaju stvari koje bi zahtevale inteligenciju kada bi ih obavljao čovek
(M. Minsky, 1968.). Veštačka inteligencija je deo nauke o računarima usmeren na stvaranje i proučavanje računarskih
programa koji ispoljavaju svojstva koja se identifikuju kao inteligentna u ljudskom ponašanju: znanje, zaključivanje, učenje,
rešavanje problema, razumevanje jezika i dr. (A. Barr, 1983.). Veštačka inteligencija je disciplina kreiranja mašina koje
podražavaju ljudsko ponašanje ili inteligenciju; mašine koje su senzitivne i misle (M. Carrico, J. Girard, J. Jones, 1989.).
Veštačka inteligencija je disciplina koja izučava mehanizme inteligentnog ponašanja kroz analizu, razvoj i evaluaciju
veštačkih tvorevina u koje se ugrađuju ti mehanizmi (V. Devedžić, 2002.).         
     
Prema postojećim karakteristikama koje bi računar morao da ima da bi se govorilo o inteligenciji su:  Prijem podataka,
Skladištenje podataka, Brzina obrade podataka, Efikasnost računarskih programa, Promenljivost računarskih programa,
Mogućnost učenja, Ekstrapolacija i rešavanje netrivijalnih zadataka. 

Danas se primenjuje čitav niz različitih klasifikacija, prema kojima su najznačajnije oblasti veštačke inteligencije: obrada i
razumevanje prirodnih jezika, interpretacija i računarska obrada video oblika, robotika, sistemi zasnovani na znanju, a pre
svega sistemi za podršku odlučivanju (Decision Support  Systems - DSS) i ekspertni sistemi – ES, softverski agenti, otkrivanje
znanja u bazama podataka (Knowledge Discovery in Databases - KDD) i veštačka inteligencija na internetu.

Prema vrsti rešavanja problema, veštačka inteligencija se deli na: sisteme za rešavanje čovekovih uobičajenih zadataka,
sisteme za rešavanje formalnih zadataka, sisteme za rešavanje ekspertnih zadataka.

11. Primena veštačke inteligencije

Veštačka inteligencija obuhvata: igre, ekspertske sisteme, prirodne jezike, neuronske mreže i robotiku. Dva glavna pravca
razvoja veštačke inteligencije su proučavanje prirodne inteligencije i postizanje inteligentnog ponašanja primenom
drugačijih pristupa, kakvi se ne mogu sresti u prirodnim sistemima. 

Ljudi su još uvek daleko od potpunog osvajanja onoga što veštačka inteligencija podrazumeva, dakle, od sistema koji su
sposobni da u potpunosti simuliraju ljudsko ponašanje. Najveći napredak postignut je u oblasti igara. Najbolji računarski
programi za igranje šaha danas pobeđuju ljude. U februaru 1996. godine, IBM-ov superračunar, nazvan „Deep Blue“, bez
sentimenta pobedio je tadašnjeg šampiona sveta u šahu Garija Kasparova. Sistemi koji najviše obećavaju bazirani su na
neuronskim mrežama koje su se pokazale uspešnim u brojnim oblastima, kao što su prepoznavanje glasa i procesiranje
prirodnih jezika.

Jedan od trenutno najnaprednijih sistema veštačke inteligencije je gotovo jednak inteligenciji deteta predškolskog uzrasta.
Sistem veštačke inteligencije, poznatiji kao ConceptNet4, ima gotovo isti koeficijent inteligencije kao i četvorogodišnje dete.

10 / 14
Međutim, mogućnosti mašine se ne poklapaju u potpunosti sa inteligencijom deteta – kompjuter je bio dominantniji na
testu poznavanja reči, ali mu je nedostajala razboritost i uverljivost. Nije iznenađujuć zaključak da kompjuteru nedostaje
zdrav razum, nemehaničko zaključivanje, kao i životno iskustvo.

Veliki deo istraživanja u oblasti veštačke inteligencije danas se svodi na razvoj praktičnih aplikacija. Računarski sistemi su sve
uspešniji u pretraživanju podataka, obradi teksta i vida. Veliki uspeh tih i sličnih sistema doveo je do tačke gde se veštačka
inteligencija može primeniti na probleme u realnom životu. Nažalost, ovaj napredak postiže se u vrlo uskom pravcu
istraživanja. Da bi jedan sistem bio zaista inteligentan, mora da bude u stanju da razmotri širok opseg informacija na složen i
nedeterministički način. Test uspešnosti jednog takvog opšteg sistema je poznati Tjuringov problem. Ukratko, jedan čovek
razgovara istovremeno sa računarom i sa drugim čovekom. Ako prvi čovek ne može sa sigurnošću da ih razlikuje, tada je
računar inteligentan. Nijedan do sada napravljeni računar nije se približio ovom rešenju.  Kada je reč o veštačkoj
inteligenciji, naučnici pominju i „problem kineske sobe“. Ne postoji računarski program koji uspešno prevodi sa jednog
jezika na drugi.

Neuronski modeli, kognitivna arhitektura i psihologija su istraživačke oblasti vezane za model veštačke inteligencije zanovan
na principu rada ljudskog mozga. Međutim, neuronski modeli ne rešavaju probleme života u praksi. Dakle, ovakvi modeli
rešavaju specijalizovane probleme i izbegavaju da se uhvate u koštac sa pojavama iz stvarnosti. Po svemu sudeći, najbolji
način da se razvije zaista inteligentni sistem jeste da se koriste osobine jedinog inteligentnog sistema u prirodi – ljudskih
bića. Razvojem računarskih neuralnih modela koji simultano rešavaju veći broj zadataka iz prakse, prevazišli bi se problemi i
ograničenost domena od kojih pate današnji sistemi i načinio bi se značajan skok ka stvaranju veštačke inteligencije. Tek
tada će i roboti, možda, postati čovekolika stvorenja u pravom smislu te reči.

12. Ekspertni sistemi

Ekspertni sistemi su inteligentni kompjuterski programi koji upotrebljavaju znanje da bi rešili kompleksne probleme i
zahtevaju značajnu ljudsku stručnost i veštinu. Ekspert je stručnjak u nekoj oblasti koji poseduje i efikasno koristi određeno
znanje, razumevanje problema i zadataka, veštine i iskustva. Razlog za primenu ekspertnih sistema je težnja da znanje iz
raznih specifičnih oblasti ljudske delatnosti postane dostupnije kroz primenu računarskih programa. Omogućeno je da u
svakom trenutku zaključivanja na raspolaganju bude celokupno znanje iz određene oblasti. Zahvaljujući velikoj brzini
računara, iz tog znanja za kratko vreme je moguće izvući zaključke.

Najkorišćenija metodologija razvoja ekspertnih sistema sadrži sledeće korake: analizu, specifikaciju, razvoj, razvoj u primeni.
Osnovne komponente svakog ekspertnog sistema su: baza znanja – sadrži činjenice o datoj oblasti, odnosno, poistovećuje
se sa opštim znanjem eksperta o datoj oblasti, baza pravila zaključivanja – predstavlja mehanizam zaključivanja koji se nalazi
između korisnika i baze i na osnovu promenljivih podataka i fiksnog znanja iz baze znanja rešava problem, korisnički interfejs
– obezbeđuje jednostavnu komunikaciju između sistema i korisnika. Ekspertni sistemi znanje smeštaju u bazu znanja koja se
koristi preko mehanizama zaključivanja.

Učesnici u razvoju ekspertnih sistema su: ekspert, inženjer znanja i krajnji korisnik ekspertnog sistema. Projektni tim za svaki
projekat ekspertnog sistema mora obavezno da sadrži sledeće grupe ljudi: rukovodilac projekta, glavni projektant (inženjer
znanja), projektanti (inženjeri znanja), eksperti, korisnici. U toku razvoja ekspertnog sistema, ekspert, u saradnji sa
projektnim timom, ima naglašenu ulogu, a njegovi zadaci su sledeći: razrešavanje i definisanje stavova sa rukovodiocem
projekta o tome kakav sistem treba da bude, razlaganje prototipa sistema i rekonstruisanje baze znanja, razvoj procedura za
povezivanje sistema sa bazama podataka i drugim aplikacijama.

Prema vrsti informacija koju ekspertni sistemi pružaju, oni se mogu podeliti na: samostalne ekspertne sisteme,
konsultantske ekspertne sisteme, savetničke ekspertne sisteme, sisteme za ispitivanje „šta bi bilo ako“. Ekspertni sistemi se
uspešno primenjuju za: sisteme za objašnjavanje, prognostičke sisteme, dijagnostičke sisteme, sisteme planiranja, sisteme
monitoringa, sisteme obnavljanja, sisteme instrukcije, kontrolne sisteme i sl.

Ekspertni sistemi su inteligentni računarski programi kojima se simulira rešavanje problema na način na koji to čine eksperti
i oni predstavljaju jednu od najznačajnijih oblasti istraživanja veštačke inteligencije. Ekspertni sistemi rešavaju realne
probleme iz različitih oblasti koji bi inače zahtevali ljudsku ekspertizu. Cilj korišćenja ekspertnih sistema je da računarski

11 / 14
program uvek daje korektne odgovore u datoj oblasti, ne lošije od eksperta, ali, to je vrlo teško dostići. Iz ovog razloga,
postavlja se manje ambiciozan cilj, a to je da sistem pruži pomoć u odlučivanju.

13. Neuronske mreže

Neuronska mreža je oblik implementacije sistema veštačke inteligencije koji predstavlja sistem sastavljen od određenog
broja međusobno povezanih procesora ili čvorova ili procesnih elemenata koje nazivamo veštačkim neuronima. Neuronske
mreže su sistemi sastavljeni od više jednostavnih elemenata, tj. neurona koji obrađuju podatke paralelno. Funkcije koje su 
u stanju da obrađuju su određene strukturom mreže, jačinom konekcije, a obrada podataka se izvodi u neuronima.

Neuronske mreže su sistemi sastavljeni od više jednostavnih procesora (jedinica, neurona), gde svaki od njih ima lokalnu
memoriju u kojoj pamti podatke koje obrađuje. Te jedinice su povezane komunikacionim kanalima (vezama). Podaci koji se
ovim kanalima razmenjuju su obično  numerički. Jedinice obrađuju samo svoje lokalne podatke i ulaze koje primaju preko
konekcije. Ograničenja lokalnih operatora se mogu otkloniti putem treninga.  

Neuronska mreža se sastoji od više jednostavnih procesorskih jedinica. Ulazni sloj na levoj strani se sastoji od ulaznih
procesorskih jedinica. Svakoj jedinici se dodeljuje određena vrednost u zavisnosti od vrednosti pojedinih elemenata niza koji
predstavlja ulazni oblik. Sa svojih izlaza, ove procesorske jedinice prosleđuju signale do sledećeg sloja prema topologiji date
mreže. Rezultat izlaza se prosleđuje preko izlaznih veza do drugih procesorskih jedinica. Analogan broju veza u neuronskoj
mreži, koji predstavlja snagu procesiranja ove mreže, jeste broj instrukcija koje centralni procesor u klasičnom računaru
obrađuje u sekundi.  

Postoji tri tipa obučavanja neuronskih mreža: nadgledano obučavanje, obučavanje ocenjivanjem, samoorganizacija.
Neuronska mreža se može realizovati na dva načina: hardverska realizacija i softverska realizacija. Neuronske mreže mogu
se klasifikovati prema: broju slojeva, vrsti veza između neurona, vrsti obučavanja neuronskih mreža, smeru prostiranja
informacija, vrsti podataka. Najopštija podela neuronskih mreža je prema broju slojeva, pa se, prema tome, neuronske
mreže mogu podeliti na: jednoslojne i višeslojne.  

Neuronsku mrežu sačinjavaju: arhitektura (topologija) mreže, odnosno, šema vezivanja neurona, prenosna funkcija neurona
i zakoni učenja. Arhitektura neuronske mreže predstavlja specifično povezivanje neurona u jednu celinu. Danas se uglavnom
izučavaju i primenjuju višeslojne neuronske mreže, koje pored ulaznih i izlaznih slojeva sadrže i neurone na srednjim,
skrivenim slojevima. Složenije neuronske mreže mogu imati više skrivenih slojeva, povratne petlje i elemente za vremensko
odlaganje, koji su dizajnirani da omoguće što efikasnije odvajanje važnih osobina ili šema sa ulaznog nivoa. Znači, svaki čvor
ima nekoliko ulaza i jedan izlaz. Jačina veza kojom su neuroni povezani naziva se težinski faktor (Weight).

Učenje kao proces uključuje nekoliko elemenata: Iskustvo, Model i Metod (algoritam) učenja. Primena neuronskih mreža se
može razvrstati na tri karakteristične oblasti:  procesiranje senzorskih informacija, analizu podataka i kontrolu upravljanja.
Neuronske mreže se ne programiraju, već se treniraju. Vrednost neuronskih mreža se ogleda u korisnosti njene primene u
rešavanju problema prepoznavanja oblika, učenja i memorisanja, klasifikacije, generalizacije i apstrakcije, kao i u
interpretiranju nekompletnih ulaza sa šumom. Neuronske mreže imaju i druge prednosti, a to su: tolerancija oštećenja,
generalizacija, adaptivnost, masovni paralelizam.

14. Sistemi bazirani na agentima

Agenti predstavljaju softvere koji imaju sposobnost da samostalno, bez intervencije korisnika, izvršavaju postavljen zadatak i
izveštavaju korisnika o završetku zadatka ili pojavi očekivanog događaja. Agent je računarski softver koji u interakciji sa
okruženjem ima sposobnost da fleksibilno i samostalno reaguje u skladu sa ciljevima koji su mu postavljeni.  

Tri bitne karakteristike sistema baziranih na agentima su: interakcija sa okruženjem - znači da su agenti sposobni da reaguju
na ulaze dobijene od senzora iz okruženja i da mogu da izvode akcije koje menjaju okruženje u kome agenti deluju,
autonomnost - znači da je sistem u stanju da reaguje bez intervencije korisnika ili drugih agenata i da ima kontrolu nad

12 / 14
sopstvenim akcijama i unutrašnjim stanjem, fleksibilnost – znači da agent treba da primeti promene u okruženju i da donese
odluku o mogućim akcijama dovoljnom brzinom da bi takva akcija bila od značaja za sistem u kome deluje, treba da budu
sposoban da uočava povoljne prilike i u tim situacijama preuzimaju inicijativu u skladu sa svojim ciljevima i da stupi u
komunikaciju sa drugim agentima ili ljudima da bi rešili sopstveni problem ili pomogli jedni drugima u njihovim
aktivnostima. 

Agenti se međusobno razlikuju u zavisnosti od domena primene, ali se ipak mogu klasifikovati u nekoliko grupa, a one su:  

1. Kooperativni agenti (Collaborative Agents) - omogućavaju međusobno povezivanje i obradu postojećih višestrukih
sistema, kao što su, na primer, ekspertni sistemi ili sistemi za podršku odlučivanju. Ovakvi agenti poboljšavaju
modularnost sistema, brzinu, pouzdanost, fleksibilnost i ponovno iskorišćenje (re-usability) sistema

2. Interfejs agenti (Interface Agents) - agenti čija je uloga da tokom vremena prate navike korisnika i pretpostavljaju
njegove buduće akcije. Interfejs agenti imaju zadatak da prikazuju informacije za koje pretpostavljaju da u datom
trenutku interesuju korisnika. 

3. Mobilni agenti (Mobile Agents) - imaju sposobnost da se fizički kreću od jednog prema drugom serveru (hostu) agenata
preko računarske mreže (internet/intranet). Ukoliko su resursi jednog računara zauzeti, agent može da potraži računar
sa slobodnim resursima i tamo obradi  podatke. 

4. Informacioni/internet agenti (Information/ Internet Agents) - pronalaze, analiziraju, obrađuju i objedinjuju informacije
sa više nezavisnih izvora. Sistemi informacionih agenata aktivno tragaju za podacima za koje oni veruju da su
interesantni korisniku, umesto da informacije dobijaju jednostavnim propuštanjem kroz pasivni filter.

5. Reaktivni agenti (Reactive Agents) - ne planiraju svoje akcije, već njihove akcije zavise isključivo od trenutnih događanja
u sistemu. Do sada su se reaktivni agenti najčešće primenjivali u računarskim igrama.

6. Inteligenti agenti (Smart Agents) - imaju za sposobnost da fleksibilno, samostalno i bez intervencije korisnika izvršavaju
postavljeni zadatak, a krajnjeg korisnika izveštavaju o završetku zadatka ili očekivanom događaju.

7. Hibridni agenti (Hybrid Agents) - vrsta agenata koja je bazirana na jednoj ili više vrsta agenata sa liste.  

15. Multiagenti i inteligentni agenti

13 / 14
Inteligentni agenti predstavljaju softver koji automatski može da izvrši zadatak koji mu postavi osoba ili drugi softver, tj.
agent. Kada se jednom podese, oni izvršavaju svoje zadatke automatski, bez dalje intervencije korisnika. Inteligentni agenti
dobijaju informacije iz svog okruženja. Oni „opažaju“ okruženje, odlučuju o svojim akcijama i izvršavaju ih. Implementirani
su kao programi (funkcije) koji preslikavaju opažanja u akcije. Iako korisnik ne mora da „posluša“ agenta, inteligentni agenti
pomažu korisnicima na razne načine: prikrivaju složenost teških zadataka, obavljaju zadatke u ime korisnika, podučavaju
korisnika, nadziru događaje i procedure, pomažu u međusobnoj saradnji korisnika.

Sistemi u kojima se upotrebljava više agenata radi rešavanja zajedničkog problema nazivaju se multiagentni sistemi ili
multiagenti. U ovakvim sistemima neophodno je da agenti imaju mogućnost međusobne komunikacije u cilju razmene
iskustva ili „pregovaranja“ da bi se našlo optimalno rešenje. Upotrebom multiagentnih sistema se povećava bezbednost
sistema u situacijama otkazivanja jednog od agenata, kada čitav sistem može biti automatski rekonstruisan ili zaustavljen na
kontrolisan način.  

Prilikom dizajniranja multiagentnih sistema potrebno je definisati: broj agenata, kritičnu količinu vremena za obavljanje
zadataka, dinamiku pristizanja ciljeva, troškove komunikacije, cenu neuspeha, uticaj korisnika i neodređenost okruženja. Na
nivou svakog agenta potrebno je definisati: početna stanja u domenu, moguće akcije drugih agenata i izlazne akcije agenta.
Sa povećanjem broja agenata koji sarađuju na rešavanju zajedničkog problema, javljaju se problemi kao što su:
kooperativnost, koordinacija, pregovaranje. 

Oblast primene agenata i multiagenata predstavlja spoj više naučnih oblasti kao što su: distribuirana obrada podataka,
objektno orijentisani sistemi, softverski inženjering, veštačka inteligencija, ekonomija, sociologija, organizacione nauke.
Oblasti u kojima se trenutno najčešće primenjuju aplikacije na bazi agenata su: proizvodnja, kontrola procesa,
telekomunikacioni sistemi, kontrola avio-saobraćaja, upravljanje transportom, meteorologija, filtriranje i sakupljanje
informacija, upravljanje tokovima informacija, elektronska trgovina, upravljanje poslovnim procesima, medicina, industrija
zabave, kompjuterske igre... Inteligentni agenti mogu biti sasvim jednostavni, ali i veoma kompleksni, a danas se nalaze u
većini softvera koji se svakodnevno koriste, na primer, u paketu Microsoft Office. Posebnu primenu inteligentni agenti su
stekli na internetu kod pretraživača kao što je Google.

Inteligentni agent ima sledeće karakteristike: on je autonomni softverski entitet, opaža svoje okruženje putem senzora,
deluje na svoje okruženje, može da izvrši neki zadatak, ima sposobnosti navigacije i komunikacije.  Agent  može  da  bude 
čovek,  robot  ili  softverski  proizvod. Svaki  agent poseduje neko znanje. Inteligentni agenti imaju sledeće osobine:
autonomnost, sposobnost komuniciranja, sposobnost učenja, inicijativa i blagovremeni odziv, fleksibilnost i prilagodljivost.
Strukturu inteligentnih agenata sačinjavaju: hardver, koji se sastoji od računarskog sistema, tj. specijalnog hardvera (na
primer, kamere ili audio ulaza) i računarskih programa i softver za funkcionisanje, čiji je zadatak izvršavanje zadatka i
komunikacija sa okruženjem. 

14 / 14