Inteligencija

1|Page
  1. Inteligencija

o 1. Pojam inteligencije

o 2. Merenje inteligencije

o 3. Okruženje i inteligencija

 2. Poslovna inteligencija

o 1. Pojam i karakteristike poslovne inteligencije

o 2. Skladištenje podataka

o 3. Uloga poslovne inteligencije u elektronskom poslovanju

o 4. Pojam i karakteristike SPO

o 5. Vrste i implementacija SPO

o 6. Grupni SPO

 3. Veštačka inteligencija

o 1. Pojam i karakteristike veštačke inteligencije

o 2. Primena veštačke inteligencije

o 3. Ekspertni sistemi

o 4. Neuronske mreže

o 5. Sistemi bazirani na agentima

o 6. Multiagenti i inteligentni agenti

2|Page
Pojam inteligencije

Inteligencija je mentalna karakteristika koja se sastoji od sposobnosti za učenje iz iskustva,

prilagođavanja novim situacijama, razumevanja i korišćenja apstraktnih pojmova i prethodnih
znanja za snalaženje u novoj okolini u kojima ne pomaže stereotipno ponašanje (Sternberg,
Kaufman, Scott Barry, The Cambridge Handbook of Intelligence, 2011.). Iako se definicije
inteligencije razlikuju, teoretičari se slažu da je inteligencija potencijal, a ne potpuno razvijena
sposobnost. Smatra se da je inteligencija kombinacija urođenih karakteristika nervnog sastava i
razvojne inteligencije, oblikovane iskustvom i učenjem.

Pojam inteligencije

Reč inteligencija potiče od latinske reči inteligere i znači razumeti, shvatiti. Postoje mnoge
definicije inteligencije koje za sada ne definišu precizno inteligenciju kao psihičku funkciju.
Mnogi autori se razilaze čak i u razumevanju suštine procesa inteligencije. Jedni smatraju da je
inteligencija sposobnost rešavanja novih problema i snalaženje u novonastalim situacijama, dok
drugi smatraju da inteligencija obuhvata sposobnost apstraktnog razmišljanja, razumevanje
uzroka i posledica nekog problema, sposobnost razlikovanja bitnog od nebitnog, sposobnost
učenja i prilogođavanja nekom zadatom cilju. Ima i autora koji se fokusiraju na sposobnost lakog
i brzog učenja i sposobnost sticanja novih sposobnosti.

Ukoliko se krene u razvrstavanje različitih shvatanja inteligencije, uočava se nekoliko aspekata

definisanja inteligencije koji obuhvataju sledeće osobine ličnosti:

3|Page
  moć brzine adaptacije na postojeće i novonastale uslove
 moć brzog i lakog učenja
 moć apstraktnog mišljenja
 moć brzine osetljivosti za zadati problem
 računske operacije i shvatanje matematičkog problema
 sposobnost korišćenja reči prilikom govora i pisanja, razumevanje ideja
 moć globalne sposobnosti osobe, uključujući svrsihodnu primenu svih napred  navedenih
sposobnosti.

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.

Vrste inteligencije

Inteligencija jeste sposobnost shvatanja i razumevanja pojava i stvari,  ali je i sposobnost

kombinovanja, originalnost i produktivnost mišljenja, sposobnost snalaženja u novim
situacijama, oštroumnost i veština  razmišljanja na pravilan način. Sa definicijama inteligencije
može se ići u nedogled: sposobnost rasuđivanja, brzina i dinamičnost u postizanju cilja,
sposobnost izvlačenja pouka iz iskustva... Pojam inteligencije je toliko slojevit, složen i
multidisciplinaran, da danas postoji veliki broj autora najrazličitijih podela inteligencije na vrste,
pa su tako estetska, emocionalna, evolutivna, ekonomska, verbalna, radna, konkretna, sintetička,
analitička, socijalna, finansijska i prostorna samo neke od njih. Svi postojeći vidovi inteligencije
su u većoj ili manjoj meri bitni elementi ličnosti, ali, u narednom tekstu, pomenućemo nekoliko
vrsta inteligencije ključnih za funkcionisanje pojedinaca u poslovnom okruženju današnjice.

Emocionalna inteligencija

Emocionalna inteligencija predstavlja sklop više sposobnosti, a to su sposobnost

samorazumevanja, samokontrole, samouverenost i sposobnost empatije. Emocionalna
inteligencija nije suprotna, već samo različita, komplementarna sposobnost u odnosu na
racionalnu inteligenciju.

Pojam emocionalne inteligencije obradio je Danijel Golman (Daniel Goleman) u knjizi

Emocionalna inteligencija, objavljenoj još 1994. godine.

Prema Golmanu, model emocionalne inteligencije se sastoji od nekoliko bitnih komponenti:

4|Page
 1. Samosvest – sposobnost „čitanja“ sopstvenih emocija i shvatanje kakav uticaj imaju na okolinu
2. Donošenje odluka – proučavanje sopstvenih postupaka i poznavanje posledica
3. Upravljanje osećanjima – spoznavanje šta je podloga osećanja
4. Prevazilaženje stresa – naučiti opuštati se i razumeti važnost opuštanja
5. Empatija – razumevanje tuđih osećanja i uvažavanje različitosti mišljenja
6. Komunikacija – razgovaranje o osećanjima sa razumevanjem i dobro slušati druge
7. Samootkrivanje – razumevanje potrebe za otvorenošću i poverenjem, naučiti kada i kako govoriti
o svojim osećanjima
8. Pronicljivost – prepoznavanje obrazaca u ličnom i životu drugih ljudi
9. Samoprihvatanje – umeti prihvatiti svoje mane, umeti ceniti svoje vrline
10. Lična odgovornost – preuzeti odgovornost i umeti prepoznati posledice ličnih odluka i reagovanja
11. Samopouzdanje – umeti izložiti svoje brige i osećanja bez ljutnje i pasivnosti
12. Grupna dinamika – spoznati kada pratiti, a kada voditi
13. Rešenje konflikta – model „pobediti/osvojiti“ pri pregovaračkom kompromisu.

Emocionalna inteligencija je sposobnost da se opaze emocije, da im se priđe i da se izazovu,

kako bi pomogle procesu mišljenja. U suštini, emocionalna inteligencija opisuje sposobnost da se
efikasno održava veza između emocija i mišljenja, da se upotrebe emocije kako bi se olakšalo
rasuđivanje i da se inteligentno rasuđuje o emocijama (Salovey i Mayer, 2003). Prema Golmanu,
emocionalnu inteligenciju čine nekognitivne sposobnosti, kompetencije i veštine koje utiču na
sposobnost osobe da se nosi sa zahtevima i pritiscima okoline. Emocionalna inteligencija se
delom stiče genetskim nasleđem, ali značajnim delom procesom učenja.

Reč inteligencija potiče od latinske reči inteligere i znači:

razumeti

5|Page
 misliti

zaključiti

povezati

naučiti

prepoznati

Socijalna inteligencija

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. Socijalna inteligencija obuhvata i sposobnost
tačnog prepoznavanja i razumevanja osećanja drugih, kao i pronicljivost u otkrivanju i
tumačenju često skrivenih namera drugih, interpersonalnih stavova na osnovu primetnih znakova
u ponašanju. Neophodna je za uspešan rad menadžera, političara, psihologa, socijalnih radnika,
terapeuta, advokata, policajaca i drugih koji su upućeni na rešavanje problema pojedinaca i grupa
ljudi.

Granična inteligencija

Granična inteligencija je stepen intelektualne razvijenosti koji odvaja prosečnu („normalnu“)

inteligenciju od mentalne zaostalosti. Osobe sa dijagnozom granične inteligencije mogu da
pohađaju specijalne škole, u stanju su da privređuju i da žive samostalno. Međutim, ovakve
osobe teško dostižu više ili visoko obrazovanje i nisu sposobne za visokokreativne i složene
poslove, kao i za odgovorne socijalne funkcije. Sinonim za graničnu inteligenciju je granična
mentalna zaostalost.

Apstraktna inteligencija

Apstraktna inteligencija je sposobnost razumevanja apstraktnih pojmova, simbola i njihovih

odnosa, kao i njihovog korišćenja u rešavanju složenih problema. Apstraktna inteligencija je vid
inteligencije koju, u najvećem broju slučajeva, ispituju i mere standardni testovi inteligencije.
Ova vrsta inteligencije se razlikuje od konkretne, emocionalne i socijalne inteligencije.

6|Page
Praktična inteligencija

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

Politička inteligencija podrazumeva sposobnost da se u okviru određenog sistema i poretka

sprovede svoja sopstvena volja. Politička inteligencija je sinonim za reč autoritet. Osnovni cilj
političke inteligencije je da se uspostavi dobra saradanja sa interesnim grupama. Svrha poslovne
inteligencije je prepoznavanje i upotreba moći. Politička inteligencija podrazumeva sledeće:

 osećaj za prepoznavanje moći

 razumevanje izvora moći
 definisanje i primena strategije za uticanje na druge
 dobru saradnju sa interesnim grupama.

Slika 4.

7|Page
Duhovna inteligencija

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

inteligencija pomaže da se život i delatnost osobe smesti u širi, bogatiji kontekst značenja, i da se
proceni da li je ovaj tok delovanja ili ovaj životni put smisleniji od nekog drugog. Duhovna
inteligencija predstavlja neophodan temelj za efikasno funkcionisanje poslovne inteligencije.
Duhovna inteligencija predstavlja temelj za efikasno funkcionisanje kako kognitivne, tako i
emocionalne inteligencije.

Neki testovi koji se odnose na različite vrste inteligencije mogu se videti i uraditi na

Ako se pretvarate da ne znate ono što ljudi misle da znate, sledeći put će misliti da znate i ono što ne
znate. Francis Bacon

Merenje inteligencije

00:13:46

Jedinica: 2 od 15

Vreme u kom se razvija inteligencija je predmet rasprave i neslaganja među mnogim

istraživačima. Dok jedni tvrde da se inteligencija razvija do 16. godine, 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. Kod odraslih
ljudi količnik inteligencije ne zavisi od uzrasta, već rezultat na određenom testu inteligencije
predstavlja meru relativne razvijenosti inteligencije pojedinca unutar referentne grupe za koju je
test standardizovan. Za procese inteligencije potrebno je funkcionisanje i drugih psihičkih
funkcija, kao što su svest, opažanje, mišljenje i pamćenje, koje su neophodne za normalno
odvijanje procesa inteligencije.

8|Page
 

Slika 1.

Inteligencija i učenje

Tek nešto manje od 50% pojedinaca ima manje-više konstantan IQ od rane dobi do perioda
adolescencije, a ostali pokazuju znatne oscilacije. Znatno je viša stabilnost verbalnog IQ-a u
odnosu na neverbalni IQ. Iz podataka koji postoje mogu se izvući dve pravilnosti:

 što manje vremena protekne između testiranja, to su rezultati na testovima inteligencije

povezaniji,
 što su deca starija, to rezultati u okviru istog vremenskog intervala pokazuju veću povezanost.

Učenje omogućuje razvoj inteligencije, a inteligencija olakšava učenje. Reč je o dinamičkom

procesu međusobnog pojačavanja ili slabljenja, a ne uzročno-posledičnom odnosu. Po jednoj
grupi teorija, koeficijent  inteligencije nije mera trenutne sposobnosti za učenje, nego
matematička tvrdnja o tempu kojim će s vremenom menjati sposobnost za učenje, a po drugim,
IQ predstavlja trenutnu meru sposobnosti za 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, a čak je nađena blaga negativna korelacija između mehaničkog
učenja jednostavnih zadataka i IQ-a visokointeligentnih osoba
 veća smislenost materijala, tj. kad postoji mogućnost transfera učenja
 vreme učenja ograničenije.

9|Page
Inteligentni ljudi brže stvaraju kvalitetne asocijacije koje su temelji svakog učenja. Inteligentniji
imaju bolje strategije učenja, mnemotehnike i bazu podataka, pa im veće stečeno znanje
omogućuje bolje kognitivno funkcionisanje. Inteligentniji bolje razlikuju bitne od nebitnih
informacija.

Slika 2.

Faktori inteligencije

Različiti istraživači su naglašavali različite aspekte pojma inteligencija. Tako je Spirman još
1904. godine započeo faktorska analitička proučavanja postignuća ispitanika i definisao prvu
faktorsku teoriju sposobnosti pod nazivom dvofaktorska teorija ili teorija g faktora kao
osnovnog. Spirman je formulisao zakon o univerzalnom jednistvu intelektualnih funkcija koja
govori o tome da se u svim testovima sposobnosti i intelektualnim aktivnostima pojavljuje jedna
opšta funkcija poznata pod simbolom „g” (g – General) i sve intelektualne sposobnosti se mogu
izraziti kao funkcija dva faktora: opšteg faktora (g) i specifičnog faktora (s). Opšti faktor (g)
predstavlja 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:

1. S - spacijalna (prostorna) sposobnost,

2. P - perceptivni faktor,
3. N - numerički faktor,
4. V - verbalni faktor,
5. M - faktor pamćenja,

10 | P a g e
 6. W - verbalna fluentnost,
7. 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. U
određenoj kulturi se, iz generacije u generaciju, genetskim putem prenosi određena intelektualna
orijentacija. Tako se, na primer, u kulturi belaca favorizuju sposobnosti iz leve hemisfere
(verbalne intelektualne funkcije), a u kulturi crnaca se favorizuju sposobnosti desne hemisfere,
kao što su na primer muzičke.

U procenjivanju inteligencije kao složene psihičke funkcije uzimaju se u obzir opšta sposobnost
ličnosti (G-faktor ili generalni faktor) i mnoge naročite sposobnosti (S-faktori ili specifični
faktori). Inteligencija se ne određuje samo na osnovu izrazite karakteristike jedne određene
sposobnosti ukoliko druge opšte sposobnosti nisu prisutne. Tada se obično govori o prosečnoj
inteligenciji sa posebnom nadarenošću za neku određenu sposobnost. U ovakvim slučajevima se
neretko sreće nešto niža inteligencija nego što bi se možda čak očekivalo.

Slika 3.

Po teoriji o nasleđu razmatra se genetička uslovljenost u razvoju inteligencije. Pri tome se navodi
veliki značaj činilaca sredine koji aktiviraju genetičko nasleđe i, potom, razvijaju inteligenciju do
stepena određenog u genetičkom kodu jedinke. Do ovih shvatanja došlo se dugogodišnjim
proučavanjem razvoja inteligencije kod blizanaca koji su živeli u različitim sredinama zajedno ili
odvojeno.

Procenat pojedinaca koji ima manje-više konstantan IQ od rane dobi do perioda adolescencije je:

nešto manji od 20%

11 | P a g e
 nešto veći od 30%

nešto manji od 50%

nešto veći od 60%

tačno 70%

0%

Merenje inteligencije

Merenje inteligencije se vrši primenom testova inteligencije prilagođenih za određeni uzrast i

populaciju i spada u domen rada psihologa. Rezultat testa 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

Ako je, na primer, testom postignuta mentalna starost od 54 meseca, a dete je staro 7 godina (ili
84 meseca), onda je njegov trenutni razvoj inteligencije na nivou deteta od 4,5 godine (54
meseca podeljeno sa 12 meseci, što iznosi 4,5 godina). IQ bi iznosio 54 : 84 x 100 = 64,3.
Imajući u vidu da se inteligencija još nalazi u fazi razvoja, konačan rezultat će, naravno, izgledati
drugačije.

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)

Prisustvo poremećaja inteligencije sa vrednostima IQ manjim od 70 od rođenja ili nastalim 

tokom razvoja inteligencije, pokazuje da se radi o mentalnoj retardaciji (oligofrenija, duševna -
mentalna zaostalost, slaboumnost), koja se dalje deli na:

 Laku duševnu zaostalost ili debilnost (IQ je između 50 i 69)

 Umerenu duševnu zaostalost ili lakšu imbecilnost (IQ je između 35 i 49)
 Tešku duševnu zaostalost (IQ je između 20 i 34)
 Duboku duševnu zaostalost ili idiotiju (IQ je ispod 20)

12 | P a g e
Ako je oštećenje inteligencije nastalo kasnije, kada je inteligencija već razvijena, onda se radi o
demencijama.

Slika 4.

IQ testovi

Inteligenciju je moguće meriti, iako ne savršeno, testovima inteligencije. Iako bi se moglo

pomisliti da visoka inteligencija omogućava osobi uspeh u društvu, mnogi drugi faktori koji
utiču na društveni uspeh čine predviđanja nepouzdanim. Mehanizmi pretvaranja intelektualne
sposobnosti u društveni uspeh nisu u potpunosti razjašnjeni. Tako, na primer, postoji čvrsta veza
između uspeha u osnovnoj školi i inteligencije, ali nakon toga nije više moguće predvideti uspeh
pojedinaca na temelju inteligencije.

IQ test je standardizovani postupak za merenje intelektualnih sposobnosti. Test inteligencije ili

IQ test mora da sadrži relativno velik broj zadataka da bi bio pouzdan, a to je jedan od
preduslova kvaliteta testa. Neki od testova mogu se videti i raditi na sajtu:

http://www.intelligencetest.com/

Inteligencija merena IQ i drugim testovima se najčešće koristi u obrazovnim, poslovnim i vojnim

organizacijama, jer je dobar pokazatelj za ponašanje pojedinca.

Razlika između muškaraca i žena

Najznačajnije razlike u testovima inteligencije su:

13 | P a g e
  u korist žena: verbalno razumevanje, verbalna fluentnost, socijalna inteligencija i neki aspekti
pamćenja,
 u korist muškaraca: socijalna sposobnost, numeričko rezonovanje i mehaničke informacije.

Žene i muškarci pokazuju određene razlike u načinima odgovaranja – žene su nešto sporije i
tačnije, a muškarci su nešto brži na uštrb tačnosti. 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).

Slika 5.

U poređenju uspešnih žena s uspešnim muškarcima u akademskim zvanjima pokazalo se sledeće:

 žene s doktoratima su inteligentnije od muškaraca s doktoratima (ženama je potreban veći

intelektualni kapacitet za afirmaciju u akademskim zvanjima)
 žene koje su radikalnije i koje napuštaju konzervativnu ulogu žene lakše uspevaju
 snaga ega i volje je jača kod muškaraca.

Iako se na velikim uzorcima dobijaju statistički značajne razlike u pojedinim testovima i

faktorima inteligencije, te razlike nisu brojčano velike i ne dopuštaju generalizaciju na
pojedinačnom nivou, tako da se dolazi do zaključka da ne postoje neke bitne ili velike razlike u
inteligenciji polova.

Pustite budale neka govore: znanje ima svoju cenu. Znanje je blago koje svakog vlasnika svugde
prati. Jean de La Fontaine

14 | P a g e
Okruženje i inteligencija

00:14:15

Jedinica: 3 od 15

Okruženje je jedan od najvažnijih faktora u razumevanju ljudskih razlika kroz IQ testiranje i

testiranje drugih mera kognitivnih sposobnosti. 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. Kroz istoriju je postojalo veliko interesovanje da se istraži
uticaj na životnu sredinu i razvoj kognitivnog funkcionisanja do 16 godina, kada se,  prema
autoru Džonu Flavelu (John Flavell), inteligencija prestaje razvijati. Uprkos činjenici da se
inteligencija stabilizuje u ranoj zrelosti, smatra se da genetski faktori igraju veću ulogu u
srednjem dobu i starosti.

Slika 1.

Porodica i društvo

Uticaj porodice na razvoj inteligencije veoma je velik, iako je vrlo teško izdvojiti moguće
genetske faktore od stavova roditelja ili upotrebe jezika. Pokazalo se da na inteligenciju veoma
utiče i to da li je dete prvorođeno ili ne. Studije su pokazale da deca koja nisu prvorođena brže
uče u porodici i imaju razvijeniju inteligenciju u ranom dobu. Postoje i studije koje pokazuju da
su prvorođena deca inteligentnija jer dobijaju više pažnje i sredstava od roditelja i očekuje se da
će se fokusirati na postizanje zadataka. Vrsta i količina pohvale koju deca dobijaju od porodice
takođe mogu dosta uticati na način na koji se inteligencija razvija.

15 | P a g e
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. Postoje neki
dokazi da vršnjačke grupe utiču na razvoj kognitivnih sposobnosti, a samim tim i na
inteligenciju. Pretnja od stereotipa govori da ljudi koji pripadaju stereotipnoj grupi mogu lošije
da se snađu u situaciji u kojoj stereotip nije relevantan faktor.

Obrazovanje

Postoji kontroverza oko toga da li obrazovanje utiče na inteligenciju i u kojoj meri ono
predstavlja zavisnu varijablu prilikom njenog razvoja. Ranije se mislilo da inteligencija može da
predvidi uspeh i nivo obrazovanja koje pojedinac može dostići. Korelacija između IQ i stepena
stručne spreme je negde između 40% i 60%. Osobe koje urade bolje testove inteligencije u
detinjstvu imaju veću tendenciju da steknu više obrazovanja, jer inteligencija može da
predstavlja intuitivni faktor koliko će neko postići uspeha u školovanju. Kada je period
obrazovanja u pitanju, pokazalo se da učenje može da poboljša stepen inteligencije u ranoj dobi.
Takođe, pokazalo se da IQ opada tokom letnjih meseci pauziranja od školovanja,  da deca koja
odlažu školovanje imaju niži IQ, da oni koji napuštaju školu ranije imaju niži IQ od  dece istog
uzrasta. U svakom slučaju, teško je razotkriti povezanost inteligencije i obrazovanja kod dece
istog uzrasta gde je uticaj svih faktora intenzivan, ali čini se da nivo  školovanja može biti važan,
jer podupire kognitivne procese učinka na IQ testovima.

Slika 2.

16 | P a g e
Kulturna inteligencija

Kulturna inteligencija, kulturni koeficijent ili CQ termin je koji se koristi u poslovanju,

obrazovanju, vladi i akademskim istraživanjima. Kulturna inteligencija može se shvatiti kao
sposobnost da se uspostavljaju odnosi i da se efikasno radi u različitim kulturama.

P. Christopher Earley i Soon Ang u knjizi Cultural Intelligence: Individual Interactions Across
Cultures (2003) kulturnu inteligenciju definišu kao „sposobnost osobe da se prilagodi u
interakciji sa drugima iz različitih kulturnih regiona”.

Kulturna inteligencija ili CQ se meri na skali sličnoj onoj koja se koristi za merenje koeficijenta
inteligencije pojedinca. 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.
Kulturni koeficijent se procenjuje korišćenjem akademski validne procene koju su osmislili
pomenuti autori.

Četiri varijante kulturnog koeficijenta

Autori opisuju četiri varijante kulturnog koeficijenta:

I    Motivacija (CQ disk)

CQ disk je interes i poverenje u efikasno funkcionisanje osobe u kulturno raznolikim prilikama,

što uključuje:

1. Suštinski interes - proističe iz uživanja u kulturno raznolikim iskustvima

2. Spoljašnji interes - sticanje koristi od kulturno raznolikih iskustava
3. Samoefikasnost – poverenje da će osoba da bude efikasna u kulturno raznolikim situacijama

II    Spoznaja (CQ znanje)

CQ  znanje je znanje čoveka o tome koliko su slične i koliko su različite određene kulture, što
uključuje:

1. Poslovno znanje - znanja o ekonomskim i pravnim sistemima

2. Interpersonalno znanje - znanje o vrednostima, normama društvene interakcije, verskim
uverenjima i sl.
3. Društveno-jezičko znanje - znanje o pravilima jezika i pravilima za izražavanje neverbalnih
ponašanja

III     Metakognicija (CQ strategija)

17 | P a g e
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, što uključuje:

1. Svest - svesnost o nečijem postojećem kulturnom znanju

2. Planiranje– kreiranje strategije za kulturno raznoliku situaciju
3. Provera - provera pretpostavki i prilagođavanja mentalnih mapa kada se stvarna iskustva
razlikuju od očekivanja

IV    Ponašanje (CQ akcija)

CQ Akcija je sposobnost osobe da se prilagodi verbalnim i neverbalnim ponašanjem u različitim

kulturama. Ovo podrazumeva da čovek ima fleksibilan repertoar odgovora ponašanja koji
odgovaraju različitim situacijama, što uključuje:

1. Modifikovanje neverbalnih ponašanja (na primer gestove i izraze lica)

2. Modifikovanje verbalnog ponašanja (na primer akcenat i ton govora)

Procene kulturne inteligencije prijavljuju rezultate za sve četiri varijante kulturnog koeficijenta,
kao i za nekoliko poddimenzija za svaku od njih.  Ove četiri varijante proističu iz pristupa
zasnovanog na interkulturalnom prilagođavanju i performansama.

Dodatna istraživanja o kulturnoj inteligenciji sprovode akademici širom sveta, uključujući i

istraživanja o kulturno inteligentnim organizacijama, korelacijama između neuronauka i razvoja
kulturne inteligencije i istraživanja o proceni kulturne inteligencije.

Slika 3. 

18 | P a g e
Korelacija između IQ i stepena stručne spreme je:

0% - 20%

20% - 40%

40% - 60%

60% - 80%

80% - 100%

Kulturna inteligencija u poslovanju

Kulturna inteligencija, u poslovanju poznata i kao "kulturni koeficijent” ili CQ, je teorija u
okviru menadžmenta i organizacione psihologije koja govori o tome da je uticaj kulturne
pozadine pojedinca na njegovo ponašanje od suštinskog značaja za efikasno poslovanje, i da je
moguće merenje sposobnosti pojedinca da bi se uspešno uključio u bilo koje okruženje ili
socijalnu sredinu.

Kulturna inteligencija se sve više prihvata u većini kulturnih zajednica. Kulturna inteligencija
postavlja strategije za poboljšanje kulturne percepcije kako bi se razlikovala ponašanja proistekla
iz zajedničke kulture od onih specifičnih za svakog pojedinca, sugerišući da je neophodno znanje
i uvažavanje razlika da bi se dobili odgovori primenljivi za bolju poslovnu praksu.

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)

Kulturna inteligencija u vladi

Kulturna inteligencija se odnosi na kognitivne, motivacione i kapacitete ponašanja da se

razumeju i da se efikasno reaguje i odgovori na različita verovanja, vrednosti, stavove i
ponašanja pojedinaca i grupa pod složenim i promenljivim okolnostima, a u cilju izvršenja
željenih promena.

Kulturno znanje i ratovanje vezani zajedno kao kulturna inteligencija su centar obezbeđivanja
uspešne vojne operacije. Kultura se sastoji od faktora koji uključuju jezik, društvo, ekonomiju,
običaje, istoriju i  religiju. Za vojne operacije, kulturna inteligencija se odnosi na sposobnost da
se donose odluke bazirane na razumevanju svih ovih faktora.

19 | P a g e
 

Slika 4.

Udruženja visokointeligentnih ljudi

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 koje su osnovali Roland Berrill i dr Lancelot Ware još 1946.
godine. Ostala udruženja su Intertel koje je osnovao Ralph Haines 1966. godine, Triple Nine
Society osnovano 1978. godine, Prometheus Society i Mega Society.

Udruženja visokointeligentnih obično prihvataju varijetete IQ testova kao pogodne za članstvo,

uz neke testove osmišljene i izvedene od strane organizacija osnivača i nepriznatih od strane
psihologa. Najviši prijavljeni standardni rezultati za većinu IQ testova su 160, dok su svi rezultati
iznad ovog nivoa sumnjivi, jer nema dovoljno slučajeva zahvaljujući kojima bi bili statistički
opravdani. Visoki IQ su manje pouzdani od prosečnih IQ rezultata.

Neka udruženja, uključujući široko poznata udruženja kakva je i Mensa, prihvataju i rezultate
standardizovanih testova koji su rađeni bilo gde. Danas je situacija ovakva:

 2% stanovništva pripada Mensi - Članovi Mense imaju IQ otprilike 130 i ovaj IQ ima 1 osoba od
50. Mensa International od januara 2014. godine ima 110.000 članova iz 100 zemalja

 1% stanovništva pripada Intertelu - Članovi Intertela imaju IQ oko 135 i ovaj IQ ima 1 osoba od
100. Intertel od januara 2014. godine ima oko 1.400 članova

20 | P a g e
  0,1% stanovništva pripada Triple Nine Society – Članovi Triple Nine Society imaju IQ oko 145 i
ovaj IQ ima 1 osoba od 1.000. Triple Nine Society od januara 2014. godine ima 1.225 članova iz
40 zemalja

 0.003% pripada Prometheus Society - Članovi Prometheus Society imaju IQ oko 160 i ovaj IQ
ima 1 osoba od 30.000. Prometheus Society od januara 2014. godine ima 120 članova

 0,0001% pripada Mega Society, ali se smatra nepouzdanim sa sadašnjim testovima. Ovo
udruženje od januara 2014. broji 26 članova.

Malo je stvari koje marljivost i znanje ne mogu da postignu, velika dela se ne postižu snagom, već
istrajnošću. Samuel Johnson

Pojam i karakteristike poslovne inteligencije

00:15:44

Jedinica: 4 od 15

Poslovnu inteligenciju (Business Intelligence - BI) moguće je analizirati sa makroaspekta i

mikroaspekta. Poslovna inteligencija posmatrana sa makroaspekta podrazumeva skupljanje
podataka o makroekonomskim kretanjima u određenoj sredini njihovim strukturiranjem,
arhiviranjem i obradom radi otkrivanja makroekonomskih trendova. Međutim, danas kada se
pominje pojam poslovne inteligencije uglavnom se misli na mikroaspekt poslovne inteligencije i
on predstavlja predmet daljeg obrađivanja teme.

21 | P a g e
 

Slika 1.

Karakteristike poslovne inteligencije

Poslovna inteligencija 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. U sistemima poslovne inteligencije koriste se brojni alati za konvertovanje velike količine
podataka kompanije u korisne informacije i podsticanje profitabilnih poslovnih aktivnosti uz
pomoć ovako stečenih znanja. Implementacija poslovne inteligencije je dug proces i zahteva
dosta analize i investicija.

Poslovna inteligencija je način dostavljanja pravih informacija u pravom formatu u prave ruke u
pravom trenutku. Dobar sistem poslovne inteligencije prikuplja informacije iz svih delova
organizacije, analizira ih, priprema posebne izveštaje i šalje ih ljudima kojima te informacije
trebaju. Na taj način, svaki pojedinac dobija informacije „skrojene“ prema njegovim potrebama:
finansijski direktor – finansijske podatke, direktor prodaje – podatke o prodaji, direktor
marketinga – marketinške podatke i sl.

Cilj poslovne inteligencije je podrška i unapređenje postupaka donošenja poslovnih odluka u

kompanijama. Poslovna inteligencija nastaje kao rezultat dobro upravljanog i promišljenog
procesa izvođenja novih znanja iz podataka koji se generišu, memorišu i koriste. Poslovna
inteligencija se može izvesti iz operativnih podataka primenom određenih logičko-računskih
metoda uz razvijanje odgovarajućih informatičkih sredstava i alata.

22 | P a g e
Poslovna inteligencija je skup metodologija i koncepata za prikupljanje, analizu i distribuciju
informacija uz pomoć različitih softverskih alata. Ona se temelji na 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.

Model poslovne inteligencije

U osnovne komponente modela poslovne inteligencije spadaju:

 informacije
 analiza i segmentacija
 personalizacija
 dostava informacija putem više kanala
 akcije, interakcije i transakcije.

Slika 2. Model poslovne inteligencije

Navedene komponente čine platformu poslovne inteligencije. Ovakve aplikacije pretvaraju

tradicionalne sisteme za podršku odlučivanju, koji inače funkcionišu po principu pitanja i
odgovora, u sisteme za upravljanje znanjem. Jedna od novijih aplikacija koncepta upravljanja
znanjem podrazumeva logiku koja je obrnuta u odnosu na logiku tradicionalnih sistema za
podršku odlučivanju i svodi se na pitanje „šta ako sistem ne čeka da korisnik postavi
odgovarajući upit”. Na primer, ako je u pitanju kupovina stana, klijenti svakako žele da budu
informisani da li je i kada došlo do promene uslova prilikom kupovine istog od investitora. Ove
informacije im neće samo investitor dati, a pogotovo ne čekajući poziv, odnosno upit klijenta. U
marketinškom smislu, daleko efikasnije bi bilo da klijenta, na primer, o tome obavesti banka čiji
portal on često posećuje raspitivajući se o kreditima za stan.

Poslovna inteligencija polazi od pretpostavke da korisnici ne žele nepotrebne informacije i da će

često iskazati svoj stav o tome koje informacije žele da dobijaju, učestalosti prijema poruka i
komunikacijskog medija za prenos datih informacija. Osnovni zadatak tehnika poslovne
inteligencije je da ekstrahuju podatke iz postojećeg informacionog sistema i transformišu ih u
oblik pogodan za odlučivanje.

23 | P a g e
Poslovna inteligencija je korišćenje kolektivnog znanja organizacije sa ciljem postizanja
konkurentske prednosti. Razvoj poslovne inteligencije polazi od pretpostavke da su ljudi danas
na meti raznih podataka i informacija, a sprovedena istraživanja ukazuju na važnost
implementacije poslovne inteligencije u poslovnim sistemima. Zbog toga se može reći da se
poslovna inteligencija bavi unutrašnjim stanjem i resursima preduzeća, pa je utemeljena na
projektu stvaranja dobre poslovne organizacije koja ima inteligentne sisteme skladištenja,
upravljanja i analiziranja svih podataka i informacija koje su neophodne za uspešno
funkcionisanje jednog preduzeća.

Temeljni zadatak poslovne inteligencije je pokretanje sposobnosti preduzeća za inteligentno i

brzo donošenje ispravnih poslovnih odluka u novim i nenadanim uslovima. Ključan deo
poslovne inteligencije je prikupljanje podataka, kao i sposobnost ljudi da shvate i analiziraju te
podatke.

Slika 3.

U osnovne komponente modela poslovne inteligencije se ne ubrajaju:

informacije

24 | P a g e
 analiza i segmentacija

personalizacija

dostava informacija putem više kanala

akcije, interakcije i transakcije

korelacije

Primena poslovne inteligencije

Da bi se primena sistema poslovne inteligencije smatrala uspešnom, neophodno je da zadovolji

četiri osnovna kriterijuma:

 Kvalitet podataka

Sistem poslovne inteligencije mora obezbediti jedinstven i konzistentan pogled na podatke

organizacije iz različitih perspektiva analize. Cilj nije isključivo efikasnost, već odgovarajući
kvalitet i dobra reputacija sistema unutar kompanije. Ukoliko ovaj kriterijum nije ispunjen svi
naredni koraci u procesu odlučivanja su potpuno bezvredni.

 Generisanje znanja

Jedna od uloga sistema poslovne inteligencije jeste da generiše informacije koje imaju direktan
uticaj na ostvarenje ciljeva organizacije. Do vrednih informacija ne dolazi se na jednostavan
načina, ali one imaju veoma veliki uticaj na poslovno okruženje.

 Pravovremenost informacija

Kako je za svaki od koraka u procesu poslovne inteligencije neophodno vreme, pravovremenost

obezbeđenja informacija je jedan od najznačajnijih kriterijuma. Kako bi rezultat procesa
poslovne inteligencije bio relevantan, neophodno je da bude pravovremen, a vremenski intervali
relativno kratki. 

 Podsticanje akcije

25 | P a g e
Sistemi poslovne inteligencije koji obezbeđuju smernice u kom pravcu je neophodno preduzeti
akcije kako bi se poslovanje unapredilo, smatraju se sistemima koji zadovoljavaju najviše
kriterijume vrednosti u poslovnom procesu organizacije.  

Glavni zahtevi korisnika od infrastrukture sistema poslovne inteligencije su:

 Sigurno okruženje

S obzirom na to da je značaj informacija u sistemu poslovne inteligencije jednak važnosti

podataka u izvršnim sistemima, traži se da informacije u skladištu podataka budu dobro zaštićene
od nedozvoljenog pristupa i korišćenja.

 Raspoloživost i dostupnost putem različitih kanala

Od aplikacija poslovne inteligencije traži se da budu dostupne u bilo koje vreme i na bilo kom
mestu, odnosno njihova neprekidna raspoloživost.

 Visok stepen prilagodljivosti

Neohodna je sposobnost obrade podataka u vidu brze reakcije na dinamične promene u

poslovnom okruženju i uslovima.

 Skalabilna memorija i zadovoljavajuća delotvornost

Količina podataka rapidno raste, a i broj korisnika sistema poslovne inteligencije se neprekidno
povećava. Da bi sistemi poslovne inteligencije i skladištenja podataka mogli podržati taj rast
podataka i brojne korisnike, moraju osigurati skalabilno i proširivo okruženje za punjenje,
ažuriranje, obnavljanje i reorganizaciju podataka.

 Brz razvoj i jednostavna administracija

Korisnici sistema poslovne inteligencije traže njegov što brži razvoj. Pri tome se kao problem
javlja pronalaženje stručnog i osposobljenog informatičkog osoblja. Proizvođači softvera se
trude da razviju automatizovane alate koji će olakšati kompanijama poslove vezane za
administriranje baza podataka.

26 | P a g e
 

Slika 4.

Klasifikacija sistema poslovne inteligencije 

Osnovne podvrste poslovne inteligencije, s obzirom na izvore podataka, su:

1. Tržišna inteligencija kompanije (Market Intelligence)

Tržišna inteligencija kompanije 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. Ciljevi primene ove vrste analize su bolje razumevanje tržišta i orijentacija na
potrošače, identifikacija novih mogućnosti kroz praćenje trendova, rano upoznavanje sa
aktivnostima konkurencije, minimiziranje rizika investiranja, bolje tržišno pozicioniranje i brže,
efikasnije i troškovno efektivnije prikupljanje informacija bez njihovog multipliciranja. 

Osnovni izvori podataka tržišne inteligencije su:

 Klijenti – klijentska inteligencija (Customer Intelligence)

Klijentska inteligencija podrazumeva prikupljanje, analizu i eksploataciju informacija o

klijentima kompanije. Informacije koje se najčešće analiziraju podrazumevaju potrebe kupaca,

27 | P a g e
ponašanje kupaca i trendove, proces donošenja odluka kupca, a sve sa ciljem stvaranja novih
prilika kroz inovativnost, liderstvo i orijentaciju na kupca u poslovnom procesu. Ova vrsta
inteligentne analize i aktivnosti predstavlja temelj nove ekonomije u svetu elektronskog
poslovanja. 

 Konkurencija – kompetitivna inteligencija (Competitive Intelligence)

Kompetitivna inteligencija podrazumeva procese koji su usmereni na indentifikaciju rizika i

mogućnosti koje nudi tržišno okruženje. Radi se o legalnim i etičkim poslovnim procesima
analize, nasuprot industrijskoj špijunaži koja je nelegalna i sa kojom se ne može poistovetiti.
Fokus kompetitivne inteligencije je na poslovnom okruženju. To je proces koji podrazumeva
prikupljanje informacija i njihovo transformisanje u znanje koje podržava odlučivanje. Pri tom,
posebno se ističe da, ukoliko prikupljene informacije ne sadrže kvalitativni element i ne podstiču
na akciju, zapravo i ne prestavljaju komponentu inteligencije. 

 Dobavljači i ostali poslovni partneri – inteligencija lanca snabdevanja (Supply Chain

Intelligence).

Upravljanje lancima snabdevanja je donelo značajnu transformaciju u poslovnim procesima

prethodne decenije.  Enterprise Resource Planning (ERP) i Supply Chain Management (SCM)
aplikacije su automatizovale proces planiranja i organizovanja svake karike u lancu snabdevanja.
Sledeći korak podrazumeva analizu i definisanje metrika na osnovu njihove primene, čime je
proces evoluirao od upravljanja lancima snabdevanja do inteligencije lanaca snabdevanja.
Inteligencija lanca snabdevanja podrazumeva mogućnost analize, integracije i deljenja
informacija, proširenje operativnih aktivnosti dugoročnom strateškom dimenzijom i stvaranje
lanca snabdevanja koji je blizu real-time sinhronizaciji aktivnosti širokog kruga partnera u e-
mreži koja uveliko prevazilazi granice kompanije.  

28 | P a g e
 

Slika 5.

  2. Unutrašnja inteligencija kompanije (Internal Intelligence)

Unutrašnja inteligencija kompanije 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). 

Skladištenje podataka

00:16:09

Jedinica: 5 od 15

U ovom delu kursa sagledava se inteligencija u poslovnom okruženju, neophodna za uspešno

funkcionisanje preduzeća. Skladištenje podataka predstavlja bitan aspekt ove oblasti, s obzirom

29 | P a g e
na to da se u bazama znanja pohranjuju informacije koje mogu biti ključne za proces
odlučivanja.

Danas, više nego ikad, menadžerima su potrebni lako dostupni i konzistentni podaci,
predstavljeni tako da u isto vreme precizno i sažeto daju prikaz organizacije u celini i njenog
okruženja. Budući da je pravovremeno dobijanje kvalitetnih informacija bitno za ostvarenje
prednosti nad konkurencijom, menadžer ih mora dobiti što pre i u obliku prilagođenom njegovim
potrebama. Iz toga proizlazi da se od današnjih informacionih sistema preduzeća očekuje da
osiguraju informacije čiji sadržaj, brzina pristupa i način prikaza odgovaraju trenutnim
potrebama menadžera u procesu odlučivanja. Zbog toga se prišlo kreiranju novih oblika
organizovanja podataka u računarskim informacionim sistemima. Razvijena je nova generacija
računarskih sistema koja se temelji na konceptu skladištenja podataka.

Slika 1.

Karakteristike Data Warehouse sistema

Sam pojam "skladište podataka" (engl. Data Warehouse) podrazumeva zbirku podataka
izolovanih iz operativnih baza i spremljenih u posebne baze, odnosno skladišta podataka. Ralph
Kimball u svojoj knjizi The Data Warehouse Toolkit: Practical Techniques for Building
Dimensional Data Warehouses definiše skladište podataka kao kopiju transakcionih podataka
specifično strukturiranih za upite i analize.

Data Warehouse je jedinstveno, integrisano skladište podataka koje obezbeđuje infrastrukturnu

osnovu svim aplikacijama u jednoj organizaciji. Glavna karakteristika koja određuje skladište
podataka odnosi se na njegovu svrhu. 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.

30 | P a g e
Karakteristike skladišta podataka su:

   1. Subjektna usmerenost

Podaci se organizuju oko predmeta, na način da daju informacije o tačno određenim predmetima
u okviru funkcionalnih područja preduzeća, umesto o tekućim operacijama.

   2. Integrisanost

Podaci se skupljaju u bazu podataka iz različitih izvora i pohranjuju uvek u istom formatu, pa  su
samim tim konzistentni i prikazuju se na dosledan način.

   3. Vremenska zavisnost

Podaci u skladištu podataka vezani su i identifikuju se uz određeni vremenski period, što znači
da imaju istorijski karakter

   4. Nepromenljivost sadržaja

Podaci u skladištu su stabilni i kad se jednom unesu u skladište po pravilu se ne menjaju, čime se
omogućava da menadžement ili svako ko koristi skladište podataka može biti siguran da će
dobiti istovetan odgovor nezavisno od vremena ili učestalosti postavljanja upita.

Slika 2.

31 | P a g e
Postupak skladištenja podataka predstavlja kontinualan proces planiranja, građenja, i
prikupljanja podataka iz različitih izvora i njihovog korišćenja, održavanja, upravljanja i stalnog
unapređivanja. Među mnogim koracima u tom kompleksnom kontinuiranom procesu bitno je
naglasiti važnost posedovanja vizije o tome što se želi postići kreiranjem skladišta podataka.
Jedna od uloga skladišta je, na primer, razvijanje i korišćenje znanja zasnovanog na podacima
(engl. Data-based Knowledge).

Aktivnost skladištenja podataka predstavlja kontinuiran proces, a sama investicija njegovog

uvođenja je skupa i dugotrajna. Prilikom procesa donošenja odluke o kreiranju i implementaciji
skladišta podataka potrebno je usaglasiti i niz pitanja bitnih za uspostavljanje projekta. Na
primer, pre implementacije projekta potrebno je identifikovati poslovni interes za izgradnju i
korišćenje skladišta podataka za potrebe svog poslovanja, dogovoriti izvore finansiranja, razviti
kriterijume za određivanje poslovne upotrebljivosti skladišta podataka, sprovesti intervju
korisnika o traženim informacijama, identifikovati izvore podataka za unos u skladišta podataka,
odlučiti se za veličinu skladišta podataka, utvrditi vrstu podataka sa aspekta sadržaja, odrediti
fizičku lokaciju, doneti odluku o izgradnji ili kupovini skladišta podataka, napraviti odabir
najpovoljnijih alata i sistema za upravljanje bazama, rešiti pitanje stručnog kadra itd. Na kraju
implementacije sledi puštanje sistema u rad, obuka korisnika u cilju potpunog iskorišćenja
instaliranih alata, upravljanje sistemom skladištenja dodavanjem, modifikovanjem i razvijanjem
istog i sl.

32 | P a g e
 

Slika 3.

Preduslovi za Data Warehouse sistem

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, što

podrazumeva da će služiti velikom broju ljudi. Taj pristup mora biti pouzdan, brz i jednostavan.

 Treba da sadrži veliku količinu detaljnih podataka, što znači da sve poslovne transakcije koje su
relevantne za donošenje poslovnih odluka, a koje su nastale u procesima preduzeća, moraju biti
evidentirane. Uneseni podaci moraju biti konzistentni što znači da, ako nekoliko korisnika Data
Warehouse sistema istovremeno postavi potpuno isti upit, rezultat tih upita mora biti isti.

33 | P a g e
  Ažuriranje novim podacima treba da bude kontinuiran proces koji se odvija u realnom vremenu,
nakon što se neki događaj odigrao ili odmah po završetku nekog procesa.

 Potrebno je predvideti mogućnost izdvajanja (engl. extract) i međusobnog povezivanja podataka

u smislu dobijanja svih pokazatelja poslovanja u preduzeću. Dostupni komercijalni alati najčešće
poseduju mogućnosti koje mogu da ubrzaju kretanje podataka.

 Podaci u skladištu podataka koji se skupljaju iz različitih izvora, prečišćavaju se uz kontinuiranu

proveru kvaliteta i kao takvi su dostupni korisnicima. Loši ulazni podaci ne mogu davati dobre
izlazne podatke.

 Potrebno je utvrditi približnu količinu podataka koji će biti čuvani u sistemu kada se on razvije.
Skladište podataka mora biti proširivo da bi moglo pratiti strategiju proširenja poslovanja
preduzeća.

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

Karakteristika skladišta podataka, da podaci u skladištu imaju istorijski karakter, je:

Subjektna usmerenost

Integrisanost

Vremenska zavisnost

Nepromenljivost sadržaja

Osnovne funkcije Data Warehouse sistema

Uspostavljanjem skladišta podataka, operativne baze podataka se rasterećuju složenih upita i

samim tim dolazi do unapređenja njihovih operativnih funkcija. Iz operativnih baza tim
postupkom je uklonjena ogromna masa najčešće istorijskih podataka i preseljena je u skladište

34 | P a g e
podataka. Informacioni sistem sada se sastoji iz dva dela, operativnog dela i skladišta podataka.
Budući da se tako lakše kontroliše on postaje produktivniji.

Slika 4.

Pomoću tehnika otkrivanja znanja, Data Warehouse osigurava stalno pronalaženje novih
informacija u zavisnosti od novonastalih uslova i zahteva. Procesi za generisanje informacija
(prikupljanje, analize, izveštaji i sl.) izdvojeni su iz operativnih procesa, što znači da operativni
nivo sistema njima više nije opterećen. Sada skladište podataka postaje mesto skupljanja i
skladištenja poslovnih podataka i izvor informacija koje će biti korišćene pri poslovnom
odlučivanju.

Osnovna funkcija skladišta podataka je skupljanje i organizovanje podataka na način da budu

lako dostupni, kako bi menadžment mogao na brz i jednostavan način da izvodi analize svog
poslovanja. Treba ga oblikovati tako da se može na jednostavan i brz način prilagoditi svim
promenama i zahtevima poslovnog okruženja. S obzirom na objektnu orijentisanost podataka, pri
modelovanju skladišta primenjuju se tehnike koje podržavaju objektnu orijentisanost pa se time
osigurava prilagodljivost da se tokom vremena mogu integrisati i podaci iz mogućnih dodatnih
izvora.

35 | P a g e
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. Projekat može biti realizovan kao nezavisni Data
Mart, gde je sistem izolovan od Data Warehouse sistema, i kao zavisan Data Mart, gde je sistem
naslonjen na Data Warehouse sistem. Osnovne razlike između Data Warehouse sistema i Data
Marta predstavljene su na slici.

Characteristic Data Warehouse Data Mart 

Domain System  Sector, unit 

Subjects Several  One 

Sources Several  Few 

Typical size  100GB - 1TB  100GB 

Implementation time  Months - year  Months 

Slika 5.

Implementacija Data Warehouse sistema

Razvoj i implementacija sistema skladišta podataka zahtevaju dosta vremena i značajna

finansijska sredstva. Međutim, uspešna preduzeća se odlučuju na korišćenje tehnologije skladišta
podataka jer su svesna činjenice da posedovanje pravih i pravovremenih informacija predstavlja
“stratešku prednost”, odnosno, dobija se mogućnost za brze reakcije na stanja nastala na tržištu i
time obezbeđuje uspešno poslovanje i dugotrajan opstanak preduzeća na tržištu.

Skladištenje podataka - Data Warehouse 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.

Data Warehouse omogućava stalno pronalaženje novih informacija namenjenih menadžerima, a

služe im prvenstveno za strateško, taktičko i operativno donošenje odluka. Uvođenjem koncepta
skladištenja podataka, operativne baze podataka postaju manje opterećene složenim upitima, pa
celokupni informacioni system, koji se sastoji iz operativnog dela i skladišta podataka, postaje
produktivniji i lakše se kontroliše i restrukturira.

36 | P a g e
Metode skladištenja podataka sve više postaju integrisane u softverske pakete celokupnog
informacionog sistema preduzeća. Novije verzije relacionih baza podataka imaju dodatke za
Data Warehousing koji je integrisan u ovim paketima. Menažerima nije potreban angažman
analitičara za obradu ključnih pokazatelja o stanju preduzeća, već obrađene podatke klikom miša
mogu dobiti iz baze podataka, koje će koristiti kao pomoć u donošenju poslovnih odluka.

Načela upravljanja prema ciljevima (Management by Objectives) će biti podržana mogućnostima

online pristupa bazama i skladištima podataka kroz alate poslovne inteligencije. Koncept
skladišta podataka kroz usklađivanje podataka omogućava jedinstvenu informaciju o preduzeću,
što povećava kredibilitet informacionog  sistema.

Upravljati vremenom ne znači da treba raditi više, nego mudrije. Anonimni autor

Uloga poslovne inteligencije u elektronskom poslovanju

00:15:07

Jedinica: 6 od 15

Internet, informacione i komunikacione tehnologije prožimaju sve aspekte kako svakodnevnice

savremenog čoveka, tako i poslovanja. Danas na pomen ove oblasti gotovo da je niko više ne
doživljava kao novu, dok dijapazon njenog uticaja postaje gotovo neizmeran. Revolutivna brzina
povećanja broja korisnika i opsega primene interneta je  najistaknutija karateristika savremenog
informatičkog doba.

 
Slika 1.

37 | P a g e
Elektronsko poslovanje

Elektronsko poslovanje, kao bilo koji proces koji organizacija realizuje posredstvom računarske
mreže, podrazumevajući i interne i eksterne komunikacione tokove, predstavlja jednu od najjačih
sila globalne ekonomije. I poslovni i individualni korisnici se sve više uključuju u transakcije
elektronskog poslovanja, posebno elektronsku trgovinu koja podrazumeva prodaju i kupovinu
proizvoda i usluga posredstvom interneta. Danas elektronska trgovina među kompanijama (B2B)
zauzima više od 80% obima elektronskog poslovanja, pri čemu se očekuje se da će B2B
elektronska trgovina nastaviti sa intenzivnijim rastom u odnosu na B2C e-trgovinu. 

Upotreba interneta i savremenih informacionih tehnologija u komercijalne svrhe uzrokovala je

nastanak novih poslovnih modela, promenila proces stvaranja novih proizvoda i usluga, način
ponašanja potrošača, aktivnosti unutar kompanija, kao i način kooperacije među  kompanijama i
fundamentalno izmenila način interakcije među pojedincima, proces  uspostavljanja zajednica i
proces socijalizacije.

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. Cilj
elektronskog poslovanja jeste unapređenje poslovnog procesa. Ono predstavlja promenu
organizacionih procesa kako bi se isporučila dodatna vrednost klijentima kroz primenu
tehnologija, filozofije i računarske paradigme nove ekonomije. 

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.   

Slika 2.

38 | P a g e
Učesnici i preduslovi elektronskog poslovanja

Transakcije elektronskog poslovanja uključuju sledeće učesnike i preduslove:

 Organizacija

Sama organizacija koja poslovni proces proširuje dimenzijom elektronskog, mora ispuniti niz
organizacionih i tehnoloških preduslova kako bi konkurentno poslovala. Mora biti obezbeđena
odgovarajuća infrastruktura (softverska, hardverska i mrežna), zaposleni edukovani tako da
mogu da podrže proces elektronskog poslovanja i mora biti definisana jasna strategija nastupa na
e-tržištu.

 Transakcioni partneri

Transakcioni partneri podrazumevaju, na primer, banke koje omogućavaju obradu novčanih

transakcija, zatim organizacije koje obezbeđuju isporuku dobara ili sistem autorizacije koji
podrazumeva treću stranu koja obezbeđuje sigurnost transakcija.

 Klijenti

Za uspešno poslovanje mora postojati kritična masa potrošača koji imaju mogućnost da posluju
upotrebom savremene tehnologije, kao njihova spremnost za obavljanje transakcija na ovaj
način.

 Partneri

Poslovni kooperanti takođe moraju biti spremni za poslovanje po pravilima koje mora da
zadovolji i sama organizacija.

 Državna uprava

Državna uprava mora obezbediti zakonske okvire za obavljanje e-transakcija, kao i institucije
koje će štititi učesnike u e-poslovanju.

 Mrežna infrastruktura

39 | P a g e
  

Mrežna infrastruktura jedan od neophodnih preduslova je da infrastruktura bude razvijena na

nivou koji obezbeđuje nesmetano obavljanje poslovnih procesa. 

Slika 3.

Elektronska trgovina danas, među kompanijama, u obimu elektronskog poslovanja zauzima:

0% - 20%

20% - 40%

40 | P a g e
 40% - 60%

60% - 80%

80% - 100%

Komponente elektronskog poslovanja

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 e-učenja i obavljanje transakcija unutar kompanije.
Bitne komponente elektronskog poslovanja su:

    1. Poslovna inteligencija

Kao komponenta elektronskog poslovanja, poslovna inteligencija ima specifičnu ulogu zbog
činjenice da integriše podatke iz različitih izvora, bez obzira na način kako ih svaki od
pojedinačnih sistema čuva (analitičke i transakcione baze, datoteke, podaci sa weba..).
Zahvaljujući sistemima poslovne inteligencije, korisnici su u mogućnosti da na jedinstven način
obavljaju analizu podataka i time dobiju integralnu sliku poslovnih performansi. Primenom
poslovne inteligencije eliminiše se mogućnost da istovetan indikator ima različite vrednosti u
zavisnosti od toga koja poslovna funkcija obavlja analizu (finansije, marketing, proizvodnja itd.).

    2. Enterprise Resource Planning

Enterprise Resource Planning (ERP) su poslovni informacioni sistemi koji podržavaju sve

poslovne funkcije i imaju mogućnost prilagođavanja konkretnim potrebama organizacije, 
poštujući definisane standarde. Savremeni sistemi ERP su rešenja koja preduzećima
omogućavaju brz odziv i rad sa kupcima, dobavljačima i poslovnim partnerima na globalnom
tržištu putem Interneta, bilo gde i bilo kad. ERP kao integralni informacioni sistem:

 služi planiranju i izvršavanju poslovnih procesa,

 integriše u jednu celinu i automatizuje sve pojedinačne poslovne procese i informacije,
 omogućava bolji i brži uvid u sve segmente poslovanja kompanije, kao i efikasno praćenje i
kontrolu na svim nivoima, što omogućava optimalizaciju radnih mesta, smanjenje troškova i
povećanje dobiti,
 omogućava brz i jednostavan pristup neophodnim transakcionim informacijama i nudi veliki broj
analiza i preciznih i pravovremenih izveštaja koji omogućavaju lakše donošenje operativnih
odluka,
 pruža brz odgovor i zadovoljenje kompleksnih zahteva klijenata/tržišta i pojednostavljuje ulaz na
regionalno i svetsko tržište. 

    3. Customer Relationship Management

41 | P a g e
Customer Relationship Management (CRM) označava metodologije i softverski sistem koji
pomažu kompaniji da na organizovan način upravlja odnosima sa svojim klijentima. Označava
sve ono što služi izgradnji značajnih i dugotrajnih odnosa sa kupcima. On nije samo
automatizacija tri kritično važne korisnički orijentisane funkcije: prodaje, marketinga i servisa,
nego je kombinacija strategije, poslovnih procesa i tehnologije. 

S obzirom na situaciju na tržištu, za uvođenje sistema CRM u preduzeće odlučuju se kompanije

koje su svesne koliko su važni:

 izgradnja dugoročnih odnosa sa klijentima,

 povećanje potrošnje svojih klijenata i povećanje sopstvenog udela u njihovom budžetu sa detaljno
planiranom unakrsnom prodajom proizvoda/usluga, 
 merenje efikasnosti prodajnih i marketinških aktivnosti,
 razumevanje vrednosti pojedinih klijenata. 

    4. Supply Chain Management

Supply Chain Management (SCM) sistemi za cilj imaju efikasnu integraciju dobavljača,

proizvođača, skladišta, distributivnih centara i samih kupaca, kako bi se obezbedila isporuka
proizvoda u pravim količinama, na pravom mestu i u pravo vreme. Ovi sistemi podržavaju
sistem upravljanja na tri nivoa:

I  Na strategijskom nivou pružaju informacije neophodne za donošenje strateških odluka visokog

nivoa koje utiču na kompletnu organizaciju, kao što su veličina i lokacija proizvodnih pogona,
partnerstva sa dobavljačima, ciljna tržišta i sl.

II Taktičke odluke podrazumevaju aktivnosti koji utiču na snižavanje troškova poput primena
novih pristupa specifičnih za delatnost kojom se kompanija bavi, razvoj strategije nabavke,
saradnju sa logističkim kompanijama u cilju smanjenja troškova isporuke i razvoj skladišnog
poslovanja u cilju smanjenja troškova zaliha. 

III  Procesi na operativnom nivou podrazumevaju svakodnevne poslovne odluke koje utiču na
tok proizvoda u lancu snabdevanja. To su, na primer, rasporedi u proizvodnji, primanje
narudžbina od korisnika, kretanje robe kroz skladište itd. 

42 | P a g e
 

Slika 4.

Uloga poslovne inteligencije u e-poslovanju

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. Zajednica korisnika koja se nalazi
u interakciji sa  kompanijama koje posluju elektronski jeste globalna, multijezična, zahteva
dostupnost 24 sata dnevno sedam dana u nedelji, uglavnom koristi internet pretraživače kao
klijentsku platformu, zahteva visoke standarde sigurnosti i zaštite privatnosti i može generisati
nepredvidive zahteve. Korisnici imaju velike mogućnosti izbora i najčešće se kaže da su samo na
klik udaljeni od konkurencije u svakom momentu, i u skladu sa tim zahtevaju brze reakcije i
napredne usluge.

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

43 | P a g e
ostvariti mnoge druge ciljeve. Posredstvom aplikacija poslovne inteligencije kao što su
marketing targetiranje, profilisanje korisnika i analiza upotrebe proizvoda ili usluga, informacije
o klijentima postaju osnovno sredstvo kompetencije. 

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.

Pojam i karakteristike SPO

00:12:07

Jedinica: 7 od 15

Sistemi za podršku odlučivanju su sistemi koji se koriste kao podrška pri donošenju odluka,
najčešće u poslovnim sistemima. To su najčešće računarski sistemi koji pomažu da se
identifikuje problem i da se na osnovu relevantnih informacija o problemu konstruiše
matematički model sistema na osnovu kog se proračunavaju najbolja rešenja. SPO se koriste na
različitim upravljačkim i organizacionim nivoima, ali najčešće na najvišim nivoima odlučivanja.
Oni olakšavaju sintezu informacija iz pojedinih podsistema za strateško odlučivanje i doprinose
automatizaciji strateškog planiranja i predviđanja. Pored toga što pronalaze najbolja rešenja, oni
nude i mogućnost uvida u uspešnost ponuđenih rešenja.

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.

44 | P a g e
 

Slika 1.

Strukturiranost problema

Upravljanje ma kojom organizacijom uključuje donošenje odluka i rešavanje problema

odlučivanja. Sistemi za podršku odlučivanja su se, tokom vremena, pokazali kao nezamenljiv
alat u procesima donošenja odluka o problemima poslovnih sistema koji su nestrukturirani ili
polustrukturirani. Neprogramirane, tj. nestrukturirane  odluke se odnose na slabo strukturne
probleme odlučivanja, koji su unikatni ili se, ako se ponavljaju, ponavljaju u dužim vremenskim
distancama, sa slabo definisanim  ciljevima i sa izuzetnom složenošću.

Strukturiranost problema se može izjednačiti sa njegovom definisanošću, a pod potpuno

strukturiranim problemom se podrazumeva da:

 je problem jasan
 su precizno definisani ulazni podaci
 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.

45 | P a g e
Podrška odlučivanju u organizacijama

Podrška odlučivanju u organizacijama potrebna je iz najmanje tri razloga:

1. U skoro svim situacijama odlučivanja postoji velika količina podataka koju treba obraditi
2. Vreme za odlučivanje je uvek ograničeno, odnosno postoji vremenski period u kome je potrebno
doneti odluku
3. Postoji potreba donosioca odluke da donese ispravnu odluku.

Za podršku odlučivanju u organizacijama u današnje vreme najčešće se koristi naziv poslovna

inteligencija. 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

Operativne odluke su najčešće izvršavane odluke koje karakteriše mogućnost dovođenja do

perfekcije izvršavanja, zbog učestalosti izvršavanja i zbog strukturiranosti. Kod donošenja ovih
odluka bitna je efikasnost. Predstavljaju odluke koje se donose na dnevnom nivou i osnovu za
realizaciju odluka na višim nivoima odlučivanja.

 Taktičke odluke

Taktičke odluke predstavljaju sponu između operativnih i strateških odluka i služe za prevođenje
strateških odluka u operativne. Osnovni kriterijum njihovog vrednovanja je efikasnost sistema, a
ovakve odluke donosi srednje rukovodstvo.

 Strateške odluke

Strateške odluke predstavljaju najsloženije odluke koje treba doneti i za njihovo donošenje i
realizaciju potrebno je najviše vremena. Karakterišu ih dugoročne posledice i najčešće se odnose
na planiranje razvoja, a osnovni kriterijum njihovog vrednovanja je efektivnost sistema. Ovakve
odluke donosi najviše poslovno rukovodstvo.

Podrška odlučivanju može da se koristi za sve vrste odluka, ali je ona najznačajnija na
strateškom i taktičkom nivou donošenja odluka. Podrška odlučivanju je zastupljena svugde gde

46 | P a g e
je potrebno donositi ispravne upravljačke odluke. Podrška odlučivanju je disciplina koja prožima
sve ostale discipline, ali nije zamena za ostale discipline. Podrška odlučivanju može da se
pridoda svim organizacionim disciplinama i da unapredi funkcionisanje organizacije.

Slika 2.

Označite netačan odgovor. Sistem za podršku odlučivanju mora:

podržati isključivo početnu fazu procesa odlučivanja

podržati različite procese i stilove donošenja odluka

biti adaptivan tokom vremena

biti jednostavan za korišćenje

nastojati više unaprediti efektivnost odlučivanja nego efikasnost

Pojam sistema za podršku odlučivanju

Sistem za podršku odlučivanju treba da bude pomoć donosiocu odluke u smislu povećavanja
njihovih sposobnosti, a nikako kao zamena njihovih procena. SPO je sistem baziran na računaru
koji daje podršku rešavanju klase polustrukturiranih ili nestrukturiranih problema u procesu
donošenja odluka.

47 | P a g e
Sistemi za podršku odlučivanju su informacioni sistemi koji su slični i komplementarni
standardnim informacionim sistemima i imaju za cilj da podržavaju, uglavnom, poslovne procese
donošenja odluke. Predstavljaju simbiozu informacionih sistema, primene niza funkcionalnih
znanja i tekućeg procesa donošenja odluka.

Svaki sistem za podršku odlučivanju se sastoji iz tri podsistema:

 Podsistem baze podataka, koji predstavlja deo SPO u kome se čuvaju ulazni i izlazni podaci
organizacije.

 Podsistem baze modela, koji predstavlja komponentu SPO koja se sastoji od poslovnih modela
odlučivanja, gde svaki model rešava određeni problem kod određenog poslovnog procesa. Njihov
zadatak je da na osnovu ulaznih podataka i modela odlučivanja generišu izlazne podatke na
osnovu kojih donosilac odluka donosi odluku.

 Podsistem korisničkog interfejsa, koji treba da omogući komunikaciju između SPO i korisnika.

Karakteristike sistema za podršku odlučivanju

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.

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

48 | P a g e
 

Slika 3. Komponente SPO

Struktura sistema za podršku odlučivanju

Komponente sistema za podršku odlučivanju današnjice su:

   1. Podsistem za upravljanje podacima, koji se sastoji iz:

 Baze podataka
 Sistema za upravljanje podacima
 Direktorijuma sa podacima
 Upita

   2. Podsistem za upravljanje modelima, koji se sastoji iz:

 Baze modela
 Sistema za upravljanje bazom modela
 Jezika za modeliranje
 Direktorijuma modela
 Komandnog procesora

49 | P a g e
   3. Podsistem za upravljanje znanjem, pa sistemi koji ih poseduju mogu biti:

 Inteligentni sistemi za podršku odlučivanju (Intelligent Decision Support Systems - IDSS)

 Sistemi zasnovani na znanju (Knowledge Based DSS)
 Kombinacija SPO/ES
 Napredni sistemi za podršku odlučivanju

   4. Podsistem – korisnički interfejs, koji se sastoji iz:

 Sistema za upravljanje korisničkim interfejsom

 Jedinice za prevođenje na prirodan jezik
 Terminala
 Printera, plotera i sl.

Nije pametan onaj koji mnogo zna, već onaj koji zna ono što mu je potrebno. Anonimni autor

Vrste i implementacija SPO

00:11:51

Jedinica: 8 od 15

Konstruktori sistema za podršku odlučivanju teže da što više prilagode rad korisnika u sistemu,
pa je iz tog razloga procena fleksibilnosti sistema za podršku odlučivanju od strane korisnika
predmet mnogih istraživanja. Danas je primarni fokus proizvođača sistema za podršku
odlučivanju na težnji da se poboljšaju njihove analitičke sposobnosti. Takođe, veoma važan
faktor za uspešan rad sistema za podršku odlučivanju korektna implementacija sistema od čije
uspešnosti  zavisi njegova prihvatljivost od strane korisnika, kao i pravilna upotreba.

50 | P a g e
 

Slika 1.

Vrste 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:

   1. SPO za strategijsko upravljanje – konstruisan je da podrži dve ključne faze:

 formulaciju strategije, koja podrazumeva definisanje misije kompanije, kratkoročnih i dugoročnih

ciljeva i strategija za njihovo ostvarenje
 implementaciju strategije, koja podrazumeva usklađivanje strategije i organizacione strukture
kompanije

   2. SPO za upravljačku kontrolu – služi za podršku srednjem menadžmentu za:

 kontrolu tokova i izvršenja funkcionalnih aktivnosti u organizaciji

 komunikaciju između radnih timova
 kontrolisano rešavanje problema
 detektovanje i rešavanje novih problema odlučivanja

51 | P a g e
   3. SPO za operativnu kontrolu – služi za podršku prilikom procesa donošenja odluka na
najnižim delovima organizacije, podržava procese obezbeđivanja efikasnosti i efektivnosti u
izvršavanju aktivnosti kako pojedinca tako i grupe i odeljenja u okviru jedne organizacije.
Aktivnosti koje podržava ovaj sistem za podršku odlučivanju su:

 operativno planiranje
 nadgledanje izvršenja poslova
 poređenje planiranih i postignutih rezultata
 preduzimanje korektivnih akcija.
 

Sistemi za podršku odlučivanju, prema broju osoba koji podržavaju, mogu biti:

   1. Individualni SPO

Individualni sistemi za podršku odlučivanju su orijentisani na proces odlučivanja preduziman od

strane jedne osobe. Uglavnom je svaka organizacija hijerarhijski uređena i sistem donošenja
odluka je podeljen među pojedincima. Individualni sistemi za podršku odlučivanju su
projektovani mahom za najniži i srednji nivo menadžmenta koji je usmeren na rešavanje
polustrukturiranih i strukturiranih problema odlučivanja.

   2. Grupni SPO

Grupni sistemi za podršku odlučivanju su računarski sistemi koji pomažu nizu donosioca odluka
koji rade kao grupa u rešavanju nestrukturiranih problema. Komponente grupnih sistema za
podršku odlučivanju su softver, hardver, korisnici i procedure. Svaki član grupe ima pristup
preko svog računara glavnom procesoru.

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

 SPO za rad jednog korisnika (Desktop DSS), koji radi samostalno na jednom računaru.

52 | P a g e
 

Slika 2.

Prema svojoj orijentisanosti, sistemi za podršku odlučivanju mogu biti:

 Tekstualno orijentisani SPO (Text - oriented DSS)

Informacije se u njima uglavnom javljaju u tekstualnom obliku. Iz razloga postojanja velike

količine informacija, ova klasa SPO poseduje snažan tekst – procesor radi mogućnosti
prezentovanja i obrade tekstualnih informacija. Tekstualno orijentisani  SPO najčešće podržavaju
rad preko interneta.

 SPO orijentisani na baze podataka (Database - oriented DSS)

U ovoj grupi sistema za podršku odlučivanju baza podataka igra glavnu ulogu u strukturi
sistema. Prve generacije SPO orijentisanih na baze podataka koristile su relacionu konfiguraciju
baza podatka.

 SPO orijentisani na tabelarni rad (Spreadsheet - oriented DSS)

53 | P a g e
U ovim SPO se pomoću posebnog jezika za modelovanje dozvoljava korisniku da kreira modele
direktno u programima za analizu. Popularan alat za razvoj SPO orijentisanih na tabelarni rad je
Microsoft Excel.

 SPO orijentisani na rešavanje (Solver - oriented DSS)

Kod ovih sistema postoje algoritam ili procedura napisani u obliku  kompjuterskog programa za
izvođenje određenih izračunavanja  za rešavanje određene vrste problema (na primer, procedura
za izračunavanje optimalne količine proizvoda)

 SPO orijentisani na pravila (Rule - oriented DSS)

Kod ovih SPO se, putem definisanja niza pravila, prvo formira baza znanja za rešavanje
određene vrste problema.

 Složeni SPO (Compound DSS)

Složeni SPO predstavljaju grupu sistema za podršku odlučivanju koji su tzv. hibridni sistemi, jer
se sastoje od kombinacije dva ili više osnovnih, prethodno iznetih struktura SPO.

54 | P a g e
 

Slika 3.

Formulacija strategije i implementacija strategije ključne su faze:

SPO za strategijsko upravljanje

SPO za upravljačku kontrolu

SPO za operativnu kontrolu

Individualnih SPO

Grupnih SPO

Prednosti i nedostaci SPO

Osnovne prednosti SPO su:

55 | P a g e
  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.

Ograničenja SPO koja se danas navode su:

 Neke, ljudima urođene, veštine i talenti ne mogu biti ugrađeni u današnje SPO

 SPO je ograničen na znanje koje poseduje, odnosno, ograničene su mu sposobnosti da stekne

nova znanja

 SPO ograničen je vrstama obrade znanja koju njegov software može da izvrši

 Mogućnosti SPO su ograničene mogućnostima računara (hardware i operativni sistem) koji se

koriste

 Jezik kojim korisnici treba da saopšte svoje zahteve, kao i način prezentacije, ograničava broj
korisnika na one koji prihvataju ovakav način izražavanja

56 | P a g e
  SPO mogu biti napravljeni za prilično usku i specifičnu oblast primene.

Implementacija 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, pritom, 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.

Slika 4.

Različitim analizama (analiza „šta – ako“, analiza osetljivosti i dr.) korisnik može da ispita
posledičnost pojedinih alternativnih pravaca ili da ispita posledice koje mogu nastupiti prilikom
promene uticajnih faktora, tj. nekontrolisanih varijabli, kao što su ekonomski i društveni faktori,
na izabranu alternativu. Kao rezultat opisanog procesa sledi informacija za buduću upotrebu,
odnosno odluka o pravcu akcije.

57 | P a g e
Grupni SPO

00:16:00

Jedinica: 9 od 15

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 osnovni zadatak je da olakšaju rešavanje
polustrukturiranih i nestrukturiranih 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.

Karakteristike grupnih sistema za podršku odlučivanju

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.

58 | P a g e
 

Slika 1.

Unapređenje procesa grupnog odlučivanja upotrebom GSPO može se odraziti na sledeći način:

 Članovi tima rade paralelno, tako da je moguće dobiti mnogo ideja

 Zahvaljujući anonimnoj identifikaciji, članovi tima su neopterećeni moći i statusom pojedinih
članova
 Povećana je efikasnost grupe zbog struktuiranog i kontrolisanog procesa odlučivanja
 Sistem daje na raspolaganje članovima tima lepezu metoda, modela i tehnika za rešavanje
problema
 Otvorenost sistema omogućava konstantan protok novih informacija
 Sistem omogućava skladištenje podataka na svakom nivou procesa odlučivanja
 Povećava se produktivnost rada, pogotovo zbog skraćenog vremena trajanja sastanka...

Grupne sisteme za podršku odlučivanju dobro je uvoditi ako unapređuju bar jedan od sledećih
elemenata:

 Povećanje efikasnosti i efektivnosti rada grupe (posebno se odnosi na smanjenje vremena trajanja
sastanaka)

59 | P a g e
  Povećanje kvaliteta donetih odluka (odnosi se na broj predloženih ideja i njihov kvalitet, stepen
podrške predložene ideje u odnosu na preostale članove sesije)
 Poboljšanje procesa vođenja sastanka (odnosi se na paralelno i udaljeno odlučivanje).

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.

Vrste aplikacija grupnih sistema za podršku odlučivanju

Danas najkorišćenije aplikacije grupnih sistema za podršku odlučivanju su:

   1. Soba za odlučivanje

Soba za odlučivanje je slična sali za sastanke i sadrži opremu sa uređajima koji podržavaju
grupno donošenje odluka. Svaki učesnik sedi za stolom koji je, najčešće, u obliku potkovice,
okrenut ka velikom ekranu. U jednostavnim konfiguracijama GSPO, samo moderator direktno
komunicira sa računarom. U složenijim konfiguracijama GSPO, svaki učesnik ima terminal
ispred sebe. Komunikacija se uspostavlja verbalno ili slanjem poruka preko računara. Zajednički
veliki ekran se koristi za beleženje ideja, sumiranje i analizu podataka. Verbalna interakcija lica
se kombinuje sa formalizacijom pomoću tehnologije, kako bi se sastanak učinio efikasnijim.
Između članova grupe postoji stalna interakcija, kako verbalna, tako i preko komunikacione
mreže. Koristi se softver za modelovanje koji može da se izmeni kako bi se prilagodio zahtevima
grupe. Alternative se testiraju uz pomoć modela i o njima se raspravlja pre nego što se donese
konačna odluka.

   2. Lokalna mreža za odlučivanje

Lokalna mreža za odlučivanje se primenjuje kada se najčešće fiksni broj donosilaca odluka  koji
rade u neposrednoj blizini redovno susreće sa određenim problemima koje treba rešavati. Tada se
formira lokalna mreža za odlučivanje (Local Decision Network - LDN), koju koriste donosioci
odluka u svojim kancelarijama. Svaki donosilac oduke na svom stolu ima radnu stanicu.
Uobičajeno je da se na serveru nalazi instaliran softver za GSPO, zajedno sa bazom podataka i
bazom modela. Ovaj pristup omogućava veću fleksibilnost od pristupa opisanog u prvom
scenariju.

60 | P a g e
 

Slika 2.

   3. Telekonferencija

Telekonferencija je potrebna za grupe čiji su članovi međusobno udaljeni, pri čemu imaju
zadatak da donesu adekvatnu odluku u cilju rešavanja evidentiranog problema. U ovom slučaju
se jedna ili više sala za odlučivanje povezuju vizuelnim i komunikacionim uređajima. Ovaj
scenario je sličan prvom scenariju kome je praktično dodata komunikaciona komponenta GSPO.
Uštede u vremenu, kao i velika fleksibilnost i vizuelizacija tokom trajanja sastanka, najveće su
prednosti ovog scenarija.

   4. Odlučivanje na daljinu

Odlučivanje na daljinu danas je, praktično, potpuni izazov razvoja aplikacije GSPO. Posebno je
inicirano razvojem Interneta i predstavlja fuziju informacionih tehnologija i algoritama procesa
grupnog odlučivanja. Njegova osobina je neprekidna komunikacija između udaljenih članova
tima koji imaju potrebu permanentnog rada, u cilju donošenja zajedničke odluke.

Šta od navedenog nije pogodnost koju pruža upotreba GSPO:

61 | P a g e
 Smanjenje troškova do čak 90%

Dostizanje konkurentskih prednosti

Podsticanje inovativnih aktivnosti

Povećanje dužine trajanja procesa odlučivanja

Poboljšanje komunikacije

Dobra koordiniranost rada članova grupe

Brz povraćaj investicija itd.

Tehnologija grupnih sistema za podršku odlučivanju

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...

Problem ili potreba grupe Karakteristika GSPO

Slanje i primanje informacija između svih Elektronsko slanje poruka pojedinim ili svim
članova grupe članovima grupe
Pristup datotekama sa ličnim i podacima Radna stanica za svakog člana grupe sa vezom
organizacije tokom sastanka na server
Prikazivanje ideja, glasova, podataka, grafikona Zajednički veliki ekran ili prikaz navedenih
ili tabela svim članovima istovremeno podataka na monitorima svih članova grupe
Uzdržavanje nekih članova u diskusiji zbog Anonimni unos ideja i sprovođenje procedure
stidljivosti, statusa ili kontroverznih ideja glasanja
Nemogućnost efikasnog organizovanja i analize Objedinjavanje i prikaz ideja, statistička obrada
ideja i glasova i prikaz rezultata glasanja
Nemogućnost kvantifikovanja preference Obezbeđivanje skala preference ili šema za
rangiranje, prikazivanje rejtinga ideja
Nemogućnost razvoja strategije ili plana Obezbeđenje okvirog dnevnog reda koji grupa
sastanaka kasnije konkretizuje
Nepoštovanje dnevnog reda Stalan prikaz dnevnog reda, vremena, prelazak

62 | P a g e
 na sledeću tačku dnevnog reda

Slika 3. Tabelarni prikaz osnovnih karakteristika GSPO prvog nivoa

Problem ili potreba grupe Karakteristike GSPO

Potreba za strukturiranjem i planiranje problema
Alati za analizu odlučivanja za neizvesne buduće
događaje
Alati za alokaciju resursa
Alati za uočavanje paterna u podacima i
predviđanje
Alati za analizu odlučivanja za zadatke proračuna
verovatnoće i više kriterijuma
Alati za analizu dodele preference
Želja za korišćenjem tehnika struktuiranog
odlučivanja
Modeli za planiranje (PERT, CPM,
gantogrami)
Modeli korisnosti i verovatnoće (drvo
odlučivanja, analiza rizika)
Modeli za raspodelu budžeta
OZP – otkrivanje za kokonitosti u podacima
Statističke metode, višekriterijumski modeli
odlučivanja
Modeli društvene procene
Automatizovane metode tehnike za
prikupljanje i kompilaciju ideja

Slika 4. Tabelarni prikaz osnovnih karakteristika GSPO drugog nivoa

Problem ili potreba grupe Karakteristike GSPO

Želja za uvođenjem formalizovanih procedura odlučivanja Automatizovana parlamentarna
procedura
Želja za izborom i kreiranjem pravila za diskusiju Osnovna pravila, mogućnost izbora i
primene pravila
Nesigurnost načina sprovođenja procedura na sastanku  

Automatizovani savetnik koji daje savete o raspoloživim Mogućnost pisanja pravila

pravilima i njihovoj pravilnoj upotrebi
Želja da se razviju pravila za održavanje sastanaka

Slika 5. Tabelarni prikaz osnovnih karakteristika GSPO trećeg nivoa

Struktura grupnih sistema za podršku odlučivanju

     Formatirana Slobodnog formata
(struktuiran proces) (nestruktuiran proces)

   

Brzina  Tačnost  Brzina  Tačnost 

63 | P a g e
 Hijerarhijska Visoka  Srednja  Visoka  Niska

Zvezda Visoka  Visoka  Visoka  Srednja do

niska

Točak Niska do Visoka  Srednja do Visoka 

srednja visoka

Saće Srednja  Niska Niska Niska

Višestruko Niska Visoka  Srednja  Visoka 

povezana

Slika 6.

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.

Uloga i zadatak grupe u formiranju GSPO

Glavni ciljevi grupe su:

 Generisanje ideja i alternative

Kreativni zadaci zahtevaju generisanje novih ideja, dok planski zadaci zahtevaju generisanje
planova orijentisanih na alternative

 Izbor alternativa

64 | P a g e
  

Rešavanje i primena rešenja podrazumeva izbor najprihvatljivije alternative

 Pregovaranje o alternativama

Saznajno - konfliktni zadaci podrazumevaju približavanje suprotstavljenih gledišta, dok zadaci

mešovitih pitanja podrazumevaju približavanje suprotstavljenih motiva ili interesa.

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.

Što više učiš čitajući, to manje znaš da živiš. To je zanimljivo kod malo obrazovanja. Razmazi te za
stvarnost. Što više znaš, to više misliš da ti neko duguje život. Will Rogers

Pojam i karakteristike veštačke inteligencije

00:14:28

Jedinica: 10 od 15

Teorija i praksa veštačke inteligencije su još u svom pionirskom dobu i vreme pravih otkrića tek
treba da dođe. Potrebno je bilo dugo vremena da se pojam veštačke inteligencije, engl. Artificial
Intelligence – AI probije i odomaći. Primena metoda veštačke inteligencije će, verovatno, igrati
značajnu ulogu u organizacijama budućnosti, u prvom redu u cilju pripremanja odluka u procesu
upravljanja. Veštačka inteligencija je naučno područje koje ima cilj da mašine, kao što su
računari, imaju sposobnost inteligentnog ponašanja. Može se očekivati da će organizacije koje
ovladaju ovom oblasti značajno povećati svoju produktivnost, odnosno, obezbediti prednost na
tržištima budućnosti. 

65 | P a g e
 

Slika 1.

Pojam veštačke inteligencije

Pojava i razvoj veštačke inteligencije se vezuje za sam početak razvoja i primene računara.
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.

Iako se razvoj veštačke inteligencije vezao za razvoj računarstva, i pre pojave i razvoja
računarstva postojala su dva pravca koja su istraživala osnove veštačke inteligencije, a to su:

 formalna logika, koja proučava osnove simboličke obrade zasnovane na matematičkoj logici, i

 kognitivna psihologija, koja proučava psihologiju razmišljanja i prepoznavanja i proučava

sposobnost i snalaženje čoveka u rešavanju problema.

Sintezom ova dva pristupa i razvojem i primenom računarstva započeta su savremena

istraživanja na polju veštačke inteligencije. Osnovni cilj veštačke inteligencije je razvijanje
softvera koji će doprineti da se računari ponašaju inteligentno. Savremena istraživanja u
veštačkoj inteligenciji su zasnovana na ekspertskim sistemima kao bitnim segmentom poslovne
inteligencije.

66 | P a g e
U razumevanju pojma veštačke inteligencije, neophodno je prihvatiti dve bitne činjenice, da se
veštačka inteligencija bavi procesom mišljenja i da pretpostavlja da se taj proces odvija putem
računara.

Slika 2.

Jednostavno rečeno, veštačka inteligencija se može objasniti kao pokušaj da se naprave mašine
koje ispunjavaju takve zadatke za koje bi ljudi, da ih rešavaju, morali upotrebiti inteligenciju. Pri
tome se pod inteligencijom podrazumeva sposobnost snalaženja u novim uslovima, na način
kako to tumače svi psiholozi. Ipak, da bi se izbegle nedoumice u poimanju suštine veštačke
inteligencije, poželjno je uočiti da se pod „inteligentnim ponašanjem“ smatra:

 Razumevanje i učenje na osnovu iskustva

 Razumevanje dvosmislenih ili kontradiktornih poruka
 Brzo i fleksibilno prilagođavanje novim situacijama
 Upotreba razuma u rešavanju problema i efikasno upravljanje
 Preovladavanje zbunjujućih situacija
 Razumevanje i izvođenje zaključaka na običan, razuman način
 Primena znanja pri iskorišćavanju okoline
 Sticanje i primanja znanja,
 Razmišljanje i rezonovanje i
 Prepoznavanje relativne važnosti različitih elemenata u nekoj situaciji.

Definicije veštačke inteligencije

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

67 | P a g e
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).

Postoji još nekoliko različitih definicija veštačke inteligencije, među kojima su najpoznatije i
najšire korišćene:

1. Veštačka inteligencija je nauka koja čini da mašine obavljaju stvari koje bi zahtevale inteligenciju
kada bi ih obavljao čovek (M. Minsky, 1968.)

2. 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.)

3. 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.)

4. 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.).         

68 | P a g e
 Slika 3.

Među pravcima koji su pre pojave računarstva istraživala osnove veštačke inteligencije nije:

Formalna logika

Kognitivna psihologija

Metrika simbola

Karakteristike veštačke inteligencije

Računari predstavljaju jedinu tvorevinu ljudske ruke koja je u stanju da pretenduje na mogućnost
sticanja elemenata i karakteristika  inteligencije. Pri tome, treba zanemariti sociološka,
kulturološka, psihološka i druga razmatranja i sagledavati tehničke pretpostavke za ostvarenje
navedenog cilja. Prema postojećim karakteristikama koje bi računar morao da ima da bi se
govorilo o inteligenciji su: 

   1. Prijem podataka

Prijem podataka je prva karakteristika u ovom navođenju. Razvoj veštačke inteligencije je

uslovljen i čovekovom težnjom da uspostavi maksimalno moguću i lagodnu komunikaciju sa
mašinom. Idealno bi bilo da se računaru kaže glasom šta se želi i da on dalje posao obavlja sam.
Nažalost, danas se u najvećem broju slučajeva mora na vrlo dugotrajan i mukotrpan način, preko
tastature, reći kako se nešto radi, pa tek onda tražiti rezultate. 

   2. Skladištenje podataka

Skladištenje podataka je jedna od karakteristika veštačke inteligencije, jer prijem podataka iz

spoljnog sveta i njihova obrada nemaju nikakvog smisla ako se ne mogu memorisati. Iz tog
razloga, računar mora imati prostor odgovarajuće veličine za njihovo skladištenje. Pre
skladištenja podataka neophodna je njihova odgovarajuća obrada, filtriranje i analiza, jer podatak
se ne može uzimati i koristiti „sirov“. 

   3. Brzina obrade podataka

Brzina obrade podataka jeste karakteristika veštačke inteligencije, bez obzira da li se radi o
samom skladištenju, klasifikaciji, sortiranju ili nekoj drugoj operaciji na podacima. Pri tome
treba reći da računar mora imati odgovarajuću arhitekturu. 

   4. Efikasnost računarskih programa

69 | P a g e
Pod programiranjem se podrazumeva niz upravljačkih naredbi potrebnih za rad sistema, pri čemu
se misli na kodirane algoritme obrade podataka. Efikasnost računarskih programa podrazumeva
optimalno rešenje postavljenog problema, odnosno najbrži i najpouzdaniji način sa najmanjim
utroškom prostora u memoriji računara.   

   5. Promenljivost računarskih programa

Promenljivost računarskih programa je neophodna, jer se programi moraju oblikovati prema

zahtevima sredine. Da bi program mogao da izdrži visoke zahteve koje pretpostavljena
inteligencija ima, on mora posedovati minimalno dva svojstva, a to su mogućnost samostalnog
ispravljanja grešaka i mogućnost promene vlastite strukture. 

   6. Mogućnost učenja

Mogućnost učenja je veoma bitna karakteristika računara. Današnji računari rade tačno ono što je
programom predviđeno. Bez obzira na spoljnu manifestaciju, rad računara se uglavnom svodi na
korišćenje memorije i dovoljno mnogo pitanja sa skretnicama tipa „if – than“. Odstupanje od
programiranog ponašanja znači grešku ili sistema ili programa. Međutim, ako se računaru
omogući da uči, u bilo kom obliku, tada se mogu očekivati optimalni programi, primereni datom
problemu. 

   7. Ekstrapolacija i rešavanje netrivijalnih zadataka. 

Ekstrapolacija i rešavanje netrivijalnih zadataka je danas u samom središtu svih istraživanja. Za

ova istraživanja su angažovana ogromna materijalna sredstva i na njima rade vrhunski
specijalistički timovi. Cilj je dobijanje inteligentnog računara koji bi obrađivao probleme
samostalno, metodom ekstrapolacije, i time stvorio sve pretpostavke za rešavanje netrivijalnih
zadataka.  

70 | P a g e
 

Slika 4.

Klasifikacija veštačke inteligencije

Danas se primenjuje čitav niz različitih klasifikacija, prema kojima su najznačajnije oblasti
veštačke inteligencije:

1. Obrada i razumevanje prirodnih jezika

2. Interpretacija i računarska obrada video-oblika
3. Robotika
4. Sistemi zasnovani na znanju, a pre svega sistemi za podršku odlučivanju (Decision Support  
Systems - DSS) i ekspertni sistemi – ES
5. Softverski agenti
6. Otkrivanje znanja u bazama podataka (Knowledge Discovery in Databases - KDD) i
7. Veštačka inteligencija na internetu

Prema vrsti rešavanja problema, veštačka inteligencija se deli na:

   1. sisteme za rešavanje čovekovih uobičajenih zadataka:

 prepoznavanje slika i govora

 razumevanje, generisanje i prevođenje prirodnih jezika
 snalaženje u svakodnevnim situacijama
 primena u robotici

71 | P a g e
   2. sisteme za rešavanje formalnih zadataka:

 logičke igre
 matematička logika, geometrija, integralni račun
 osobine programa

   3. sisteme za rešavanje ekspertnih zadataka:

 konstruisanje, nalaženje grešaka, planiranje proizvodnje

 naučne analize i dijagnostika (biologija, medicina, hemija, pravo...)
 finansijska analiza
 programi za razvoj ovakvih sistema.

rimena veštačke inteligencije

00:16:31

Jedinica: 11 od 15

Veštačka inteligencija obuhvata:

 igre - računarske programe koji mogu da igraju igre kao što je šah
 ekspertske sisteme - računarske programe koji omogućavaju donošenje odluka u realnim
situacijama, na primer, pomažu lekarima u dijagostifikovanju bolesti na bazi određenih simptoma
kod pacijenta
 prirodne jezike - računarske programe koji razumeju prirodne ljudske jezike,
 neuronske mreže - sisteme koji simuliraju inteligenciju nastojeći da oponašaju tipove fizičkih
veza koje postoje u mozgu i
 robotiku - računarske programe koji „vide“, „čuju“ i reaguju na druge stimulacije senzora.

72 | P a g e
 

Slika 1.

Oblasti primene veštačke inteligencije

Dva glavna pravca razvoja veštačke inteligencije su proučavanje prirodne inteligencije

(spoznavanje funkcija mozga, modelovanje rada mozga i nervnog sistema, simuliranje
čovekovog ponašanja, reagovanja i rezonovanja) i postizanje inteligentnog ponašanja primenom
drugačijih pristupa, kakvi se ne mogu sresti u prirodnim sistemima. Danas postoje realizovani
sistemi koji su u stanju da autonomno obavljaju složene funkcije i rešavaju probleme, kakve su
ranije jedino ljudi bili u stanju da obavljaju. Nije redak slučaj da takvi sistemi obavljaju te
zadatke i daleko uspešnije od ljudi.

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. Nakon tri sata igranja,
Gari Kasparov izgubio je prvu od šest partija u meču protiv računara. Ovaj događaj je ponovo
otvorio mnoga pitanja i dileme oko postojanja veštačke inteligencije i toga da li je ona stvarno
moguća. Kasparov je odigrao revanš protiv poboljšane Deep Blue verzije 11. maja 1997. godine,
a 2003. godine borio se protiv računarskog programa nazvanog Deep Junior, što se završilo
nerešeno.

Kratak i interesantan video na temu How Computer Chess Changed Programming - It changed
how we program and think about the human brain može se videti na:

http://spectrum.ieee.org/slideshow/computing/software/how-computer-chess-changed-
programming/

73 | P a g e
 

Slika 2.

Ranih osamdesetih godina prošlog veka verovalo se da ekspertni sistemi predstavljaju budućnost
veštačke inteligencije i računara uopšte, ali, oni ni do danas nisu dostigli ono što se od njih
očekivalo. Mnogi ekspertni sistemi pomažu stručnjacima u oblastima kao što je medicina ili
inženjering, ali njihovo stvaranje je izuzetno skupo i od pomoći u vrlo specifičnim oblastima.

Procesiranje prirodnih jezika nudi velike potencijale, jer bi omogućilo jednostavnu interakciju
korisnika i računara bez potrebe za posebnim znanjem i obukom u korišćenju računarskih
sistema. Nažalost, pokazalo se da je stvaranje programa za razumevanje prirodnih jezika mnogo
teže nego što se mislilo. Postoje rudimentarni programi za prevođenje sa jednog jezika na drugi,
ali njihovi prevodi nisu ni približno tako dobri kao oni koje načine sasvim prosečni prevodioci.
Postoje i sistemi za prepoznavanje glasa (Voice Recognition Systems) koji izgovorene reči
pretvaraju u pisani tekst, ali oni ne razumeju šta zapravo pišu.  

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.

Roboti su našli vrlo široku primenu na montažnim trakama u industrijskim pogonima i na

opasnim mestima za čoveka kao što su, na primer, nuklearne elektrane. Međutim, njihova
sposobnost ograničena je na vrlo mali broj operacija i pokazuju velike teškoće u identifikovanju
objekata.

74 | P a g e
 

Slika 3.

Ekspertni sistemi obuhvataju:

računarske programe koji mogu da igraju igre kao što je šah

računarske programe koji omogućavaju donošenje odluka u realnim situacijama

računarske programe koji razumeju prirodne ljudske jezike

sisteme koji simuliraju inteligenciju nastojeći da oponašaju tipove fizičkih veza koje postoje u mozgu

računarske programe koji „vide“, „čuju“ i reaguju na druge stimulacije senzora

Napredni sistem veštačke inteligencije

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. 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.

Na sistemu veštačke inteligencije se radi već decenijama i mnogi naučnici smatraju da je pitanje
trenutka kada će kompjuterska inteligencija prestići ljudsku. Istraživači su odlučili da u novoj

75 | P a g e
studiji pokušaju da ustanove kolika je distanca između ljudske inteligencije i veštačke
inteligencije. Rezultati kompjutera su bili slični rezultatima deteta od četiri godine.

Nije iznenađujuć zaključak da kompjuteru nedostaje zdrav razum, nemehaničko zaključivanje,

kao i životno iskustvo. Životno iskustvo, pa čak i četvorogodišnjeg deteta, izrazito je važno, jer
uz pomoć proživljenih situacija dete donosi mudre i brze odluke. Primera radi, kompjuter zna
koja je temperatura ključanja vode, ali četvorogodišnje dete bolje razume zbog čega je važno
kloniti se vrele rerne.

Postoje mnogi primeri mogućih primena veštačke inteligencije, kao što su: prepoznavanje oblika,
rukopisa, govora, otkrivanje upada u sisteme i prevara (engl. fraud), finansijski i ekonomski
modeli, predviđanje kretanja cena na tržištu, upravljanje sistemima, upravljanje proizvodnim
procesima, analiza električnih kola, psihijatrijske procene, kompresovanje podataka, naftna
istraživanja, analiza medicinskih testova, ispitivanje EEG i EKG signala, pronalaženje
optimalnog rešenja, upravljanje robotima, vremenska prognoza...

Slika 4.

Sadašnji pravci u istraživanju veštačke inteligencije

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. Današnji sistemi ne mogu da reše opšte probleme. Umesto toga, moćne
metodologije primenjuju se na rešavanje ograničenog broja zadataka. Sve su one vrlo uspešne u

76 | P a g e
rešavanju pojedinačnih malih problema, ali teško mogu dovesti do stvaranja veštačke
inteligencije, upravo zbog te svoje bazične limitiranosti. 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. Svake godine organizuje se takmičenje pod nazivom Lebnerova
nagrada. Reč je o velikoj nagradi za prvi sistem koji bude rešio Tjuringov problem. Teškoća je u
tome što tema razgovora nije unapred određena. Može se razgovarati o košarci, kuvanju  ili
kućnim ljubimcima. Čovek ne mora mnogo da zna o ovim temama, ali će se razgovor ubrzo
voditi u oblasti koju oba sagovornika poznaju. Sadašnji sistemi veštačke inteligencije ograničeni
su na uske oblasti.

Kada je reč o veštačkoj inteligenciji, naučnici pominju i „problem kineske sobe“. Ako osoba ima
dokument na jednom nepoznatom jeziku i želi da ga prevede na drugi nepoznati jezik, ona će to
uspeti da uradi, reč po reč, uz pomoć rečnika, ali na kraju neće razumeti šta u dokumentu, u
stvari, piše. Na sličan način, program suštinski ne razume dokument koji prevodi. Ne postoji
računarski program koji uspešno prevodi sa jednog jezika na drugi. Već 60-ih godina pokazalo
se da je prevođenje pomoću mašina mnogo složenije nego što se mislilo. Iako programi relativno
uspešno pomažu ekspertima pri prevođenju, automatski programi za prevođenje nikako ne mogu
da dostignu nivo ni osrednjih prevodilaca. Zaključak nije moguće odmah izvući, ali je verovatno
potrebno prvo razumeti dokument da bi se on dobro preveo.

Slika 5.

77 | P a g e
Neuronski modeli, kognitivna arhitektura i psihologija

Neuronski modeli, kognitivna arhitektura i psihlogija su istraživačke oblasti vezane za model

veštačke inteligencije zanovan na principu rada ljudskog mozga. Postoji mnogo radova o
ponašanju neurona, s obzirom na to da se mogu lako izolovati i proučavati. Postoje razne vrste
neurona i daleko od toga da se sve u potpunosti razumeju, ali danas postoji dosta jasna  ideju o
tome kako oni funkcionišu. Međutim, neuronski modeli ne rešavaju probleme života u praksi.
Neki od njih obrađuju pitanja u vezi sa kratkoročnom memorijom i trajnim vezivanjem, ali još
uvek se ne koriste za rešavanje praktičnih problema. Dakle, ovakvi modeli rešavaju
specijalizovane probleme i izbegavaju da se uhvate u koštac sa pojavama iz stvarnosti.

Neki naučnici ulažu napor da stvore simboličke modele ljudskog saznanja. Ove kognitivne
arhitekture koriste se da opišu kako ljudi razmišaljaju. Kada bi ovi modeli bili u potpunosti
uspešni, oni bi predstavljali veštačku inteligenciju. Međutim, to su simbolički sistemi i pate od
već opisanih problema. Relativno ih je lako izgraditi tako da funkcionišu u određenom domenu,
ali pokušaji da se izgrade opšti sistemi nisu do sada bili uspešni.

Psihologija je relativno razvijena oblast. Tokom godina objasnila je široki spektar ljudskog
ponašanja, od kratkoročne memorije do slepih mrlja. Koristi repetitivne zadatke i registruje
reakcije na ljudskom mozgu. Proučava strukturu kategorija i faze razvoja. Psihologija je izuzetno
široka oblast i dala je brojne teorije o ljudskoj kognitivnoj aktivnosti, ali je još daleko od
konačnog rešenja problema. Jasno je da je ovo znanje korisno za razvoj računarskog modela
mozga. Zna se kako neuroni okidaju, ali moraju se ispitati i rezultati njihove aktivnosti.
Psihologija proučava upravo te pojave, neprestano procenjujući verodostojnost modela i poredeći
rezultate sa  psihološkim podacima.

Ljudi su danas još uvek daleko od rešavanja Tjuringovog problema, ali su svesni da postoji
mehanizam koji taj zadatak rešava – to je čovek. Po svemu sudeći, najbolji način da se razvije
zaista inteligentni sistem jeste da se koriste osobine jedinog inteligentnog sistema u prirodi –
ljudskih bića. Mnogo toga se zna o funkcionisanju neurona, relativno dobro se poznaje
topologija mozga i ljudi imaju široko razumevanje osobina ovog sistema. Naučnici se trude da
razviju jednostavne neuronske modele koji će moći da dostignu nivo kognitivne arhitekture.
Kada se to postigne, posvetiće se specijalizovanim modulima pojedinih oblasti u mozgu.
Razvojem računarskih neuronskih 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.

Znanje je kao novac. Što ga više imaš, više ti treba. Josh Billings

Ekspertni sistemi

00:14:48

Jedinica: 12 od 15

78 | P a g e
Ekspertni sistemi bi se, slično kao i veštačka inteligencija, mogli okarakterisati kao programi koji
koriste ljudsko znanje radi rešavanja problema koji zahtevaju ljudsku inteligenciju. Drugim
rečima, ekspertni sistemi su inteligentni kompjuterski programi koji upotrebljavaju znanje da bi
rešili kompleksne probleme i zahtevaju značajnu ljudsku stručnost i veštinu. Izraz ekspertni
sistemi se odnosi na programe koji se koriste znanjima radi simulacije ponašanja eksperta,
odnosno, funkcionisanje ovakvog programa odgovara čoveku koji je ekspert u nekoj oblasti.
Može se zaključiti da se ekspertni sistemi baziraju na znanju i da su specijalizovani za donošenje
zaključaka.

Ekspert i ekspertni sistemi

Ekspert je stručnjak u nekoj oblasti koji poseduje i efikasno koristi određeno znanje,
razumevanje problema i zadataka, veštine i iskustva. Eksperti poseduju i sposobnost da u
konkretnom problemu koji rešavaju prepoznaju tipski zadatak. Poseduju i neke lične osobine
poput snalažljivosti, što čini heurističko znanje. Na osnovu ovog znanja mogu da prepoznaju
najbrži način dolaska do rešenja, kao i ispravan pristup u rešavanju problema, čak i ako su podaci
nekompletni. Na slici ispod predstavljeno je poređenje karakteristika ljudskog znanja i znanja
ekspertnih sistema.

Komparacija ljudskog znanja i znanja ekspertnih sistema  

Znanje čoveka Znanje ekspertnog sistema
Prolazno  Stalno
Teško se prenosi i reprodukuje Lako se prenosi i reprodukuje
Teško se dokumentuje Lako se dokumentuje
Nije uvek dosledno Uvek  je dosledno
Skupo, često nedostižno Jeftino, uvek na raspolaganju
Kreativno  Nekreativno
Adaptivno  Oslanja se na bazu znanja
Problem razmatra sa više aspekata Problem razmatra sa ograničenjima
Bazira se na zdravom razumu Raspolaže sa tehničkim znanjem

Slika 1. Komparacija ljudskog i znanja ekspertnih sistema

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.

Razlike između konvencionalnog programa i ekspertnog sistema su u tome što ekspertni sistem
ima sposobnost zaključivanja i objašnjavanja, može da objasni svoje akcije, opravda svoje
zaključke i obezbedi korisniku informacije o znanju koje poseduje.

79 | P a g e
Sticanje znanja za ekspertne sisteme

Ekspertni sistemi se projektuju i izgrađuju po nekoj od važećih i u praksi korišćenih

metodologija. Najkorišćenija metodologija razvoja ekspertnih sistma sadrži sledeće korake:
 
   1. Analizu, koja podrazumeva:

 identifikaciju potencijalne aplikacije

 ocenjivanje koliko je podesan inženjering znanja za datu aplikaciju

   2. Specifikaciju, koja podrazumeva:

 upoznavanje sa tim šta će ekspertni sistem raditi

 rad sa ekspertom kroz učenje o zadatku u cilju planiranja razvoja sistema

   3. Razvoj, koji podrazumeva:

 konceptualni dizajn i razvoj konceptualnog modela

 implementacioni dizajn
 implementaciju u kojoj se sledi implementacioni dizajn za izgradnju znanja
 evaluaciju u kojoj se testira sistem u cilju verifikacije da li sistem izvršava zadatke korektno

   4. Razvoj u primeni koji podrazumeva:

 Primenu i instaliranje sistema za rutinsku upotrebu

 Održavanje i unapređenje sistema, tj. pronalaženje grešaka, ažuriranje i poboljšanje celokupne
vrednosti sistema.

80 | P a g e
 

Slika 2.

Komponente ekspertnog sistema

Osnovne komponente svakog ekspertnog sistema su:

   1. Baza znanja

Baza znanja sadrži činjenice o datoj oblasti, odnosno, poistovećuje se sa opštim znanjem
eksperta o datoj oblasti. Baza znanja je specijalizovana i jedinstvena za konkretan sistem. Znanje
koje je uneto putem sistema za prikupljanje znanja ne menja se tokom vremena.

   2. Baza pravila zaključivanja

Baza pravila zaključivanja predstavlja mehanizam zaključivanja koji se nalazi između korisnika i
baze znanja i ima dve uloge, da ispita postojanje činjenica i da uređuje redosled zaključivanja.
Mehanizam zaključivanja na osnovu promenljivih podataka i fiksnog znanja iz baze znanja
rešava problem.

   3. Korisnički interfejs

Korisnički interfejs obezbeđuje jednostavnu komunikaciju između sistema i korisnika.

 
81 | P a g e
 

Slika 3. Osnovne komponente ekspertnog sistema

Ekspertni sistemi znanje smeštaju u bazu znanja koja se koristi preko mehanizama zaključivanja.
Razlog za primenu ekspertnih sistema je da znanje iz raznih specifičnih oblasti ljudske delatnosti
postane dostupnije kroz primenu računarskih programa. Oni ne mogu potpuno zameniti eksperte,
naročito u pogledu kreativnosti i upotrebe opšteg znanja iz običnog života i drugih oblasti, ali,
oni imaju i neke od prednosti nad ljudima, s obzirom na to da ljudsko znanje može vremenom da
se gubi, naročito ako se često ne koristi.

Šta od navedenog nije karakteristika znanja ekspertnih sistema?

Stalno

Lako prenosivo

Dosledno

Jeftino

Kreativno

                          

Učesnici u razvoju ekspertnih sistema

Učesnici u razvoju ekspertnih sistema su:

82 | P a g e
   1. Ekspert

Ekspert je osoba koja poseduje znanje, veštinu i iskustvo na osnovu kojih rešava probleme iz
određenog domena, bolje i efikasnije od drugih ljudi.

   2. Inženjer znanja

Inženjer znanja je osoba koja:

 dizajnira, implementira i testira  ekspertni sistem

 zna koji je softverski alat pogodan za rešavanje problema koji definiše
 intervjuiše eksperta
 identifikuje koncepte
 organizuje i formalizuje znanje koje se predstavlja
 identifikuje metode
 vrši izbor softverskog okruženja za razvoj
 implementira, testira i revidira ekspertni sistem
 instalira i održava ekspertni sistem.

   3. Krajnji korisnik ekspertnog sistema

Krajnji korisnik ekspertnog sistema radi sa ekspertnim sistemom, unosi ulazne podatke i
činjenice, zahteva objašnjenja, definiše zahteve vezane za korisnički interfejs.

 Sli
ka 4.

83 | P a g e
Projektni tim za izgradnju 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. 

Zadaci projektnog tima su:

 identifikacija potencijalnih projekata

 analiza i ocena svakog potencijalnog projekta
 formiranje i organizovanje tima projekta
 afirmacija inženjeringa znanja i projekta kod rukovodstva organizacije, eksperata i korisnika
 izbor projekta za razvoj
 analiza i procena izabranog projekta za razvoj
 doprinos preciznom definisanju domena
 upoznavanje sa konkretnim zadacima i analiza tih zadataka
 intervjuisanje eksperata
 pronalaženje i sakupljanje knjiga, članaka i drugih pisanih materijala
 analiza znanja i kognitivnih procesa koje eksperti koriste u rešavanju problema
 definisanje kriterijuma za ocenu uspešnosti ekspertnog sistema. 

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.

Vrste ekspertnih sistema

Prema vrsti informacija koju ekspertni sistemi pružaju, oni mogu biti:

   1. Samostalni ekspertni sistemi

Samostalni ekspertni sistemi samostalno izvode proces donošenja odluka i planiranja budućih
pravaca akcije, a korisnika izveštavaju o primenjenim postupcima i razlozima za usvajanje
određene procedure.

   2. Konsultantski ekspertni sistemi

84 | P a g e
Konsultantski ekspertni sistemi pružaju razne konsultantske usluge, odnosno, pomažu
korisnicima na način na koji bi i ekspert pružio svoje mišljenje. Ova grupa sistema koncipirana je
tako da se njima koriste eksperti kojima su potrebna dodatna mišljenja za rešavanje kompleksnih
problema.

   3. Savetnički ekspertni sistemi

Savetnički ekspertni sistemi su sistemi koje mogu koristiti i eksperti, ali i ostali korisnici kojima
je potreban savet u odgovarajućim situacijama.

   4. Sistemi za ispitivanje  „šta bi bilo ako“

Sistemi za ispitivanje  „šta bi bilo ako“ omogućavaju razmatranje određenih situacija u kojima je
potrebno predvideti efekte primene alternativnih akcija. Može se uspostaviti analogija ove grupe
ekspertnih sistema sa simulacionim modelima razvijenim do ekspertnog nivoa.

Slika 5.

85 | P a g e
Primena ekspertnih sistema

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.

Danas se ekspertni sistemi najčešće primenjuju u sledećim oblastima:

 upravljanje industrijskim procesima

 praćenje rada medicinskih uređaja
 autonomno kretanje vozila na zemlji i vodi
 automatski piloti
 upravljanje satelitima
 nadgledanje instalacija
 operativno i taktičko upravljanje vojnim operacijama na bojnom polju
 analize složenih finansijskih transakcija
 na naftnim platformama
 za detekciju bušotina nafte i dr.

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 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.

Obrazovanje je vrhunac napredovanja i utočište u nevolji. Aristotel

Neuronske mreže

00:16:54

Jedinica: 13 od 15

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

86 | P a g e
da obrađuju su određene strukturom mreže, jačinom konekcije, a obrada podataka se izvodi u
neuronima.

Slika 1.

Pojam neuronskih mreža

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.  

Većina neuronskih mreža ima neku vrstu pravila za obučavanje, čime se koeficijenti veza između
neurona podešavaju na osnovu ulaznih podataka. Drugim rečima, neuronske mreže  “uče” preko
primera, kao što deca uče da prepoznaju konkretni predmet, objekat, proces ili pojavu preko
odgovarajućih primera i poseduju sposobnost za generalizaciju nakon trening podataka. 
 
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.

Svaka jedinica je povezana sa više susednih jedinica. Obično je taj broj iznad sto, pa čak i do
hiljadu. Broj ovih veza između procesorskih jedinica u stvari predstavlja snagu neuronske mreže.

87 | P a g e
Rad neuronskih mreža sa više veza je kompleksniji, ali takva mreža može da odgovara na
kompleksnije zadatke koji joj se zadaju. Analogan broju veza u neuronskoj mreži, koji
predstavlja snagu procesiranja ove mreže, jeste broj instrukcija koje centralni procesor u
klasičnom računaru obrađuje u sekundi.  

Bitna razlika između neuronskih mreža i klasičnih računara je što se neuronske mreže „ne
programiraju“. Kod klasičnog računara, programer u računar unosi program kojim je tačno
određen rad računara u svakom trenutku. Međutim, neuronske mreže se ne programiraju, već se
„obučavaju“. Pre nego što se počnu primenjivati, ulaže se dosta vremena za obučavanje,  učenje 
ili  treniranje neuronskih mreža. 

Učenje neuronskih mreža se svodi na učenje iz primera kojih treba da bude što više da bi mreža
mogla da se ponaša tačnije u kasnijoj eksploataciji. Postoji tri tipa obučavanja neuronskih mreža:

 Nadgledano obučavanje, gde se mreži predstavljaju ulazni podaci i očekivani izlazni podaci
 Obučavanje ocenjivanjem, gde se mreži ne predstavljaju očekivani izlazni podaci, nego joj se
posle izvesnog vremena predstavlja ocena  prethodnog rada.
 Samoorganizacija, gde se mreži predstavljaju isključivo ulazi. 

Realizacija neuronskih mreža

Neuronska mreža se može realizovati na dva načina:

   1. Hardverska realizacija

Kod hardverske realizacije veštački neuroni su fizički međusobno povezani, oponašajući veze
između bioloških neurona. Neuroni se realizuju kao jednostavna integrisana kola. Kod softverske
realizacije, neuronske mreže se obično simuliraju na tradicionalnim računarima u kojima je veza
između čvorova logička (virtuelna). Svaki od ovih načina realizacije neuronskih mreža ima svoje
prednosti i mane. Prednost hardverske realizacije je u tome što može da koristi mogućnost
paralelnog procesiranja informacija, ukoliko se svakom neuronu u mreži dodeli po  jedan
procesor.

   2. Softverska realizacija

Prednost softverske realizacije neuronskih mreža na standardnom računaru je u tome što se lakše
uspostavljaju,  a  kasnije i  menjaju,  veze između  pojedinih  neurona u mreži. U praksi se
softverska realizacija koristi za testiranje, a konkretna realizacija koja se primenjuje u praksi
može biti realizovana i hardverski, čime se dobija na brzini. 

88 | P a g e
 

Slika 2.

Vrste neuronskih mreža 

Postoji veliki broj različitih realizacija neuronskih mreža, a samim tim postoji i mnogo podela.
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
 višeslojne.  

Svaka jedinica neuronske mreže povezana je:

89 | P a g e
 sa jednom susednom jedinicom na levoj strani

sa dve susedne jedinice, po jednom na svakoj strani

jedinice veštačke neuronske mreže nisu povezane

sa više susednih jedinica, čak i više od sto

Arhitektura neuronske mreže

Neuronsku mrežu sačinjavaju:

 arhitektura (topologija) mreže, odnosno, šema vezivanja neurona

 prenosna funkcija neurona
 zakoni učenja.  

Arhitekturu veštačke neuronske mreže predstavlja specifično uređenje i povezivanje neurona u

obliku mreže. Po arhitekturi, neuronske mreže se razlikuju prema broju neuronskih slojeva.
Obično svaki sloj prima ulaze iz prethodnog sloja, a svoje izlaze šalje narednom sloju. Prvi sloj
se naziva ulaznim, posljednji izlaznim, a ostali slojevi se obično nazivaju skrivenim slojevima.
Jedna od najčešćih arhitektura neuronskih mreža je mreža sa tri sloja.

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. 

Prvi, ulazni sloj je jedini sloj koji prima signale iz okruženja. Prvi sloj prenosi signale sledećem,
skrivenom sloju, koji obrađuje ove podatke i izdvaja osobine i šeme iz primljenih signala. Podaci
koji se smatraju važnim se upućuju izlaznom sloju, poslednjem sloju mreže. Na izlazima neurona
trećeg sloja se dobijaju konačni rezultati obrade. 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.  

90 | P a g e
 

Slika 3. Neuronska mreža sa tri sloja

Složenije neuronske mreže imaju više skrivenih slojeva. Slojevi su međusobno potpuno
povezani. Slojevi komuniciraju tako što se izlaz svakog neurona iz prethodnog sloja povezuje sa
ulazima svih neurona narednog sloja. 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 - skup slučajeva iz prošlosti vezanih za pojavu koja je od interesa

 Model - kondenzovan način predstavljanja pojave kojom se može objasniti iskustvo, ali kojom se
mogu objasniti i budući slučajevi
 Metod (algoritam) učenja - način na koji se induktivno gradi model na osnovu iskustva.

91 | P a g e
Područja primene neuronskih mreža

U početku su neuronske mreže koristili naučnici računarskih i kognitivnih nauka koji su 
pokušavali da modeliraju čulni sistem živih organizama. Danas neuronske mreže predstavljaju
veoma atraktivnu oblast istraživanja i postoje brojne oblasti u kojima se koriste.  

Neuronske mreže se mogu koristiti za:

 prepoznavanje video oblika

 prepoznavanje rukopisa
 prepoznavanje govora
 prepoznavanje slika
 prepoznavanje štampanih tekstova
 obradu senzornih signala
 obradu prirodnih jezika
 obrada znanja
 finansijske i ekonomske simulacije
 predviđanje poremećaja na tržištu
 upravljanje tehnološkim sistemima
 upravljanje proizvodnim procesima
 inspekcijske poslove u industriji
 analizu tehničkih rešenja
 potrebe medicine i medicinsku dijagnostiku, naročito kod psihijatrijskih oboljenja
 kompresiju podataka u memorijama računara
 istraživanja u naftnoj industriji
 pomoć prilikom kriminoloških istraživanja
 analizu medicinskih testova
 ispitivanje EEG i EKG signala
 pronalaženje optimalnog rešenja
 upravljanje robotima i automatsko upravljanje
 telekomunikacije i računarstvo
 podršku kod vremenske prognoze i u drugim oblastima.

Na osnovu navedenog prikaza korišćenja neuronskih mreža, njihova primena se može razvrstati
na tri karakteristične oblasti: 

 procesiranje senzorskih informacija

 analizu podataka
 kontrolu upravljanja. 

U budućnosti se očekuju brojne nove primene, kao što su, na primer, pouzdano prepoznavanje i
verifikacija rukom pisanih tekstova, prevođenje telefonskih razgovora sa jezika na jezik, rutinsko
komuniciranje sa računarima posredstvom ljudskog glasa i sl.

92 | P a g e
 Slika 4.

Značaj neuronskih mreža

Značaj neuronskih mreža je u tome što one mogu paralelno da obrađuju podatke čije komponente
su nezavisne jedne od drugih. Istovremeno radi više procesorskih jedinica, da bi rezultati njihove
obrade prešli na sledeće jedinice, tj. neurone. Procesorske jedinice u jednoj neuronskoj mreži su
jednostavne i mogu obavljati samo jednu ili eventualno nekoliko računarskih operacija i
međusobno su povezane tako da u jednoj neuronskoj mreži postoji mnogo više veza nego
procesorskih jedinica. Broj ovih veza između neurona predstavlja snagu neuronske mreže.
Težinski koeficijenti veza (težine veza) su koeficijenti koji su dodeljeni u svakom trenutku
vezama neuronske mreže.

Neuronske mreže se koriste u situacijama kada nisu poznata pravila prema kojima bi bilo
moguće dovesti u vezu ulazne i izlazne podatke iz željenog sistema. Neuronske mreže se ne
programiraju, već se treniraju, tako da je potrebno dosta vremena za njihovo obučavanje, pre
nego što počnu da se koriste.

Prednosti i ograničenja neuronskih mreža

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. Prirodno preklapanje sa tradicionalnim
aplikacijama veštačke inteligencije se dešava u oblasti prepoznavanja oblika za karaktere, govor
i vizuelno prepoznavanje. Neuronske mreže imaju potencijal da obezbede i neke ljudske
karakteristike rešavanja problema koje je teško simulirati logičkim, analitičkim tehnikama
ekspertnih sistema i drugih standardnih softverskih tehnologija.

Neuronske mreže imaju i druge prednosti, a to su:

   1. Tolerancija oštećenja

93 | P a g e
Pošto u mreži postoji mnogo čvorova procesiranja od kojih svaki ima primarnu lokalnu vezu,
oštećenje na nekoliko čvorova neće dovesti do zastoja celog sistema.

   2. Generalizacija

Kada se neuronskoj mreži prezentuju nekompletni ulazi, ulazi sa šumom ili oni koji prethodno
nisu viđeni, neuronska mreža generiše razuman odgovor.

   3. Adaptivnost

Mreža se može dotrenirati sa novim slučajevima, čak i kada su značajno različiti od prethodnih.

   4. Masovni paralelizam

Računanje sa veštačkim neuronskim mrežama je logički lako razdvojiti na nezavisne zadatke, što
omogućava da se napravi paralelna implementacija sa puno procesorskih jedinica.

Ograničenja i troškovi trenutne tehnologije paralelnih hardvera ograničavaju većinu aplikacija na

softverske simulacije. Sa trenutnim tehnologijama, vremena za trening mogu biti jako dugačka,
pa zbog toga potreba za čestim ponavljanjima treninga može učiniti aplikacije neupotrebljivim.
Na kraju, neuronsko računanje uobičajeno zahteva veliki broj podataka za trening i testiranje.

Planovi ne uspevaju zbog nedostatka ciljeva! Kada ne znate u koju luku plovite, nema vetra koji je
dobar! Seneka

Sistemi bazirani na agentima

00:13:06

Jedinica: 14 od 15

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.  

94 | P a g e
 

Slika 1.

Karakteristike sistema baziranih na agentima

Tri bitne karakteristike sistema baziranih na agentima su:

   1. Interakcija sa okruženjem

U ovom kontekstu, 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. Okruženje u kome agenti deluju može biti fizičko (realan svet) ili softversko
(računar na kome su instalirani agenti ili internet), za razliku od klasičnih ekspertnih sistema koji
informacije o okruženju dobijaju preko posrednika (korisnika)  koji  unosi  parametre  sistema. 

   2. Autonomnost

Autonomnost znači da je sistem u stanju da reaguje bez intervencije korisnika ili drugih agenata i
da ima kontrolu nad sopstvenim akcijama i unutrašnjim stanjem. Takav sistem treba, takođe, da
bude sposoban da uči iz iskustva. Mogućnost interakcije sa okruženjem i autonomnost
računarskih sistema nije nova ideja. Postoje već mnogi takvi sistemi, kao što su programi za
kontrolu realnih sistema koji nadgledaju okruženje realnog sveta i izvode akcije kao odgovor na
promene sistema u realnom vremenu. Ovde se ubrajaju i programi koji nadgledaju softversko
okruženje i izvode akcije kojima deluju na okruženje u slučaju promene radnih uslova (antivirus
programi). 

   3. Fleksibilnost

95 | P a g e
Navedeni primeri imaju odlike interakcije sa okruženjem i autonomnosti, ali se ovi sistemi ne
mogu smatrati agentima sve dok nemaju mogućnost fleksibilnog ponašanja kada se nađu u
situacijama koje nisu planirane prilikom dizajniranja.

Da bi se softverski sistem smatrao fleksibilnim, on mora da ispunjava sledeće uslove:

 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

 agenti ne treba samo jednostavno da reaguju kao odgovor na signale iz okruženja, već treba da
budu sposobni da uočavaju povoljne prilike i u tim situacijama preuzimaju inicijativu u skladu sa
svojim ciljevima

 agenti treba, po potrebi, da su sposobni da stupe u komunikaciju sa drugim agentima ili ljudima
da bi rešili sopstveni problem ili pomogli jedni drugima u njihovim aktivnostima. 

Slika 2.

Agenti predstavljaju softvere koji imaju sposobnost da samostalno, bez intervencije korisnika, izvršavaju
postavljen zadatak i izveštavaju korisnika o završetku zadatka ili pojavi očekivanog događaja.

Tačno

Netačno

96 | P a g e
Vrste sistema baziranih na agentima 

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)

Kooperativni agenti omogućavaju međusobno povezivanje i obradu postojećih višestrukih

sistema, kao što su, na primer, ekspertni sistemi ili sistemi za podršku odlučivanju. Najčešće se
upotrebljavaju za rešavanje problema koji su po prirodi decentralizovani ili za rešavanje
problema koji su suviše kompleksni da bi se rešavali jednim centralizovanim agentom.
Primenom kooperativnih agenata može se prevazići problem ograničenih resursa i smanjiti rizik
otkazivanja sistema koji je prisutan u centralizovanim sistemima. Ovakvi agenti poboljšavaju
modularnost sistema, brzinu, pouzdanost, fleksibilnost i ponovno iskorišćenje (re-usability)
sistema

   2. Interfejs agenti (Interface Agents)

Interfejs agenti su agenti čija je uloga da krajnjem korisniku olakšaju upravljanje sistemom na
kome radi. Ovi agenti se mogu upotrebiti za izradu adaptivnog korisničkog interfejsa (Adaptive
User Interfaces). Uloga agenata u ovakvom sistemu je 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)

Za ovu vrstu agenata je karakteristično da imaju sposobnost da se fizički kreću od jednog prema
drugom serveru (hostu) agenata preko računarske mreže (internet/intranet). Mobilni agenti su se
pokazali posebno korisnim u situacijama kada je potrebno smanjiti obim (troškove)
komunikacije između povezanih računara. Umesto obimne razmene informacija između
računara, šalje se agent na izvor informacija i tamo vrši obradu
podataka.                                            

Nakon završene obrade, agent šalje rezultate serveru. Ovi agenti se, takođe, mogu upotrebljavati
da bi se prevazišao problem ograničenih lokalnih resursa. Ukoliko su resursi jednog računara
zauzeti, agent može da potraži računar sa slobodnim resursima i tamo obradi  podatke.

97 | P a g e
 

Slika 3.

 
Životni ciklus mobilnih agenata se sastoji od: stanja pokretanja, stanja izvršavanja i stanja
ispunjenja postavljenog zadatka, nakon čega se agent uništava i oslobađaju se zauzeti resursi.  U
trenutku kada se agenti kreću od jednog računarskog sistema ka drugom, stanje izvršavanja se
zaustavlja i memoriše se trenutno stanje obrade. Kada se agent prenese na drugi računar, obrada
se nastavlja sve dok se ne izvrši postavljeni zadatak.                                                                 

U sistemima gde se primenjuju mobilni agenti, posebna pažnja se mora posvetiti bezbedonosnim
problemima kao što su: sprečavanje neovlašćenih osoba/agenta da prikupljaju podatke,
sprečavanje neovlašćenih osoba/agenata da menjaju podatke na sistemima, sprečavanje
neovlašćenih osoba/agenata da upotrebljavaju resurse sistema, sprečavanje pokretanja agenata sa
nejasnim ili zlonamernim ciljevima.  

   4. Informacioni / Internet agenti (Information / Internet Agents)

Zadatak informacionih agenata je da se suoče sa savremenim kompleksnim informacionim

okruženjem. Zadatak takvih agenata se sastoji od pronalaženja informacija na lokalnom hard
disku, preko niza sistema za pretraživanje višestrukih baza na udaljenim serverima ili
pronalaženje informacija na Intranetu ili Internetu. Glavni zadatak informacionih agenata je da
aktivno tragaju za informacijama u zavisnosti od interesovanja korisnika u svom informacionom
okruženju, obaveštavajući korisnike o novim sadržajima koji zadovoljavaju postavljene
kriterijume.

Informacioni agenti 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. Istraživanje oblasti informacionih agenata predstavlja izazov za razvoj naredne generacije
informacionih okruženja. 

98 | P a g e
   5. Reaktivni agenti (Reactive Agents)

Reaktivni agenti ne planiraju svoje akcije, već njihove akcije zavise isključivo od trenutnih
događanja u sistemu. U ovakvim agentima se najčešće primenjuju tradicionalne tehnike veštačke
inteligencije, kao što je monotono zaključivanje. Do sada su se reaktivni agenti najčešće
primenjivali u računarskim igrama.

   6. Inteligenti agenti (Smart Agents)

Inteligentni agenti imaju za sposobnost da fleksibilno, samostalno i bez intervencije korisnika

izvršavaju postavljeni zadatak, a krajnjeg korisnika izveštavaju o završetku zadatka ili
očekivanom događaju. Sam agent je u interakciji s okolinom kako bi na što precizniji način
izvršio postavljeni zadatak. Inteligentni agenti su pre svega programske komponente i služe kao
posrednici između svojih korisnika i računara. Osnovno svojstvo im je da samostalno deluju u
ime korisnika kako bi obradili informaciju i sarađivali sa ostalim agentima u cilju izvršenja
zadatka. Inteligentni agenti su poznati i kao softverski agenti, vodiči, roboti znanja i softverski
roboti.

   7. Hibridni agenti (Hybrid Agents).

Hibridni agenti su vrsta agenata koja je bazirana na jednoj ili više vrsta agenata sa liste.

U informatičkom periodu, strateške vrednosti će biti kreativnost, znanje i informacija. John Naisbitt

Multiagenti i inteligentni agenti

00:13:19

Jedinica: 15 od 15

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.

Potreba za inteligentnim agentima nastala je iz razloga što je informacije sve teže locirati,

99 | P a g e
prikupljati, filtrirati, ocenjivati i integrisati i sve je teže koordinirati dobijanje informacija iz
heterogenih izvora.

Slika 1.

Multiagenti

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. Agenti koji se upotrebljavaju u multiagentnim sistemima mogu biti jednaki po
karakteristikama ili se mogu razlikovati prema specijalnostima.  

Multiagentni sistemi su idealni za predstavljanje problema koji imaju više različitih metoda za
rešavanje problema ili višestruke perspektive. Oni omogućavaju izradu paralelnih računarskih
sistema i pomažu pri radu sa vremenski ograničenim zaključivanjem i robusnim sistemima, ako
su odgovornosti podeljene. U sistemima izrađenim na ovaj način upravljanje se (umesto da
procesom upravlja jedan kompleksan agent) deli na više agenata, koji prema svojim
specijalnostima preuzimaju nadležnost nad kontrolom složenog procesa. 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

100 | P a g e
  kritičnu količinu vremena za obavljanje zadataka
 dinamiku pristizanja ciljeva
 troškove komunikacije
 cenu neuspeha
 uticaj korisnika
 neodređenost okruženja.  

Na nivou svakog agenta potrebno je definisati: 

 početna stanja u domenu

 moguće akcije drugih agenata
 izlazne akcije agenta.  

Slika 2.

Sa povećanjem broja agenata koji sarađuju na rešavanju zajedničkog problema, javljaju se

problemi kao što su:

 kooperativnost – potrebno je dizajnirati agente tako da zajednički rade na zajedničkim ciljevima

 koordinacija – potrebno je upravljati agentima tako da izbegnu štetne interakcije, a korisne
interakcije iskoriste
 pregovaranje – potrebno je doći do dogovora koji su prihvatljivi svim agentima koji učestvuju u
rešavanju problema.  

Kod razvoja multiagentnih sistemima javlja se potreba da se standardizuje komunikacija između

101 | P a g e
agenata, što obezbeđuje komunikaciju između agenata koji su razvijeni nezavisno jedan od
drugog, odnosno, kada ih prave različiti programeri. Time se omogućava planiranje akcija i
upravljanje resursima celokupnog sistema.   

Šta od navedenog ne predstavlja karakteristiku inteligentnog sistema?

On je autonomni softverski entitet

Opaža svoje okruženje bez senzora

Deluje na svoje okruženje

Može da izvrši neki zadatak

Ima sposobnosti navigacije i komunikacije

Primena multiagenata

Oblast autonomnih agenata i multiagentnih sistema je veoma raznolika i predstavlja oblast koja
se ubrzano širi. Metodologija izrade programa bazirana na agentima pruža niz efikasnih alata i
tehnika koje imaju potencijal da značajno unaprede tehniku izrade softvera, počevši od idejnog
rešenja pa sve do konkretne implementacije.  

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. 

Tehnologija agenata dobija sve više na značaju i oni se sve više upotrebljavaju za rešavanje
realnih problema i u komercijalnim aplikacijama. Agenti imaju veoma širok spektar primena, od
veoma jednostavnih sistema (kao što su filteri za elektronsku poštu i programa za presretanje i
uklanjanje računarskih virusa), pa sve do veoma kompleksnih sistema (kao što je softver za
kontrolu avio-saobraćaja).  

Oblasti u kojima se trenutno najčešće primenjuju aplikacije na bazi agenata su:

 proizvodnja
 kontrola procesa
 telekomunikacioni sistemi

102 | P a g e
  kontrola avio-saobraćaja
 upravljanje transportom
 meteorologija
 filtriranje i sakupljanje informacija
 upravljanje tokovima informacija
 elektronska trgovina
 upravljanje poslovnim procesima
 medicina
 industrija zabave
 kompjuterske igre...

Slika 3.

U toku protekle dve decenije otkriven je značajan broj poboljšanja u dizajnu i implementaciji
autonomnih agenata, kao i načinu na koji oni stupaju u interakciju. Tehnologija na bazi agenata
sve više nalazi primenu u komercijalnim proizvodima i softveru koji se primenjuje u realnom
okruženju. Trenutno ne postoji metodologija koja definiše kako najbolje strukturirati
multiagentni sistem, kako uskladiti individualne ili kolektivne ciljeve agenata u međusobnoj
komunikaciji, niti koja je najbolja struktura individualnog agenta u takvom sistemu.    

Inteligentni agenti su doneli revoluciju u svakodnevnoj primeni veštačke inteligencije. Oni su

virtuelni roboti koji neprekidno lutaju internetom, društvenim mrežama, bazama podataka i u
drugim sistemima. Pod inteligentnim agentima se obično podrazumeva autonomni softver koji na
osnovu „osmatranja“ okoline usmerava svoju aktivnost na konkretan cilj. 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.

Karakteristike inteligentnog agenta

Inteligentni agent ima sledeće karakteristike:

103 | P a g e
  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
 prilagodljivost. 

Slika 4.

Inteligenti agenti imaju mogućnost rada u heterogenim okruženjima i mogućnost da se

jednostavno „puste“ da rade preko noći, bez nadgledanja. Sposobnost komuniciranja agenta je
preduslov njegovog postojanja, odnosno, njegovo postojanje uslovljeno je njegovom mogućnosti
da komunicira sa drugim agentima. Jezik komunikacije mora da bude poznat i agent mora da čita
poruke napisane tim jezikom, kao i da prihvata ograničenja koja nameće semantika poruka. 

Sposobnost učenja i mogućnost prikupljanja novog znanja tokom rada su uslovljeni 

posedovanjem minimalnog početnog znanja. Uslovi za prikupljanje novog znanja su
repetitivnost zadataka koje inteligentni agent rešava i različita repetitivnost za različite
korisnike.   

104 | P a g e
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. 

Primena inteligentnih agenata

Najčešće se upotrebljavaju za:

 automatsko traganje za informacijama

 pružanje odgovora na postavljena pitanja u domenu svog znanja
 informisanje korisnika o interesantnim događajima (na primer, o pojavi novog članka   na
Internetu, prikazuje informacije o eventualnoj pojavi problema na putu između početne i krajnje
destinacije, da li se zadati pojam pojavljuje negde na webu i sl.)
 obezbeđivanje trenutnih i personalizovanih vesti
 omogućavanje inteligentnog obučavanja korisnika
 pronalaženje robe po najpovoljnijim cenama
 obezbeđivanje automatskih servisa, kao što su provera promena na web  stranicama ili pojava
„prekinutih“ linkova.

Kvalitet počinje i završava se obrazovanjem. Kaoru Ishikava

105 | P a g e