AI Based IoT Projects: Budućnost Pametnih Sistema

Table of Contents

1. Ključne stavke
2. Uvod
3. Razumijevanje AIoT koncepta: Gdje se spajaju podaci i inteligencija
4. Praktični AI Based IoT Projects za različite industrije
5. Hardver i softver: Alati za gradnju inteligentnih stvari
6. Put od ideje do implementacije: Faze AIoT projekta
7. Šta AI može, a šta ne može u IoT svijetu
8. Sigurnost, privatnost i etička razmatranja
9. Kada potražiti stručnjaka ili dodatne resurse
10. Sažetak i putokaz za budućnost
11. Česta pitanja

Ključne stavke

• Konvergencija vještačke inteligencije i interneta stvari (AIoT) omogućava prelazak sa pasivnog prikupljanja podataka na proaktivno donošenje odluka u realnom vremenu na samom rubu mreže (edge).
• Uspješna implementacija zahtijeva balans između izbora adekvatnog hardvera, kao što su NVIDIA Jetson ili ESP32, i osiguranja visokog kvaliteta ulaznih podataka kroz rigorozne procese označavanja i čišćenja.
• Sigurnost, privatnost podataka i etička odgovornost moraju biti integralni dio svakog projekta, posebno u osjetljivim granama poput zdravstva ili industrijske automatizacije.

Uvod

Zamislimo inžinjera u jednoj od fabrika u okolini Sarajeva koji svakodnevno provjerava vibracije na ključnim motorima proizvodne trake. Njegov posao je reaktivan – on interveniše tek kada zvuk motora postane sumnjiv ili kada se traka potpuno zaustavi. Ova frustracija, poznata mnogim profesionalcima na našim prostorima, polazna je tačka za razumijevanje onoga što donose ai based iot projects. Umjesto da čekamo kvar, kombinacija senzora i vještačke inteligencije omogućava nam da predvidimo problem sedmicama unaprijed.

U AI Academy vjerujemo da vještačka inteligencija nije samo futuristički koncept rezervisan za Silicijsku dolinu. Ona je praktičan alat koji, kada se upari sa internetom stvari (internet of things - IoT), može riješiti stvarne probleme u našim gradovima, fabrikama i domovima. Ovaj članak je namijenjen programerima, inžinjerima, ali i ambicioznim početnicima koji žele razumjeti kako povezati fizički svijet sa inteligencijom oblaka ili rubnih uređaja (edge computing).

Put od jednostavnog senzora do inteligentnog sistema nije linearan. On zahtijeva duboko razumijevanje tehnologije, precizno definisanje cilja, provjeru etičke odgovornosti i, na kraju, hrabrost za praktičnu primjenu. Kroz naredne sekcije, istražit ćemo kako ovi projekti funkcionišu u srži, koji hardverski ekosistemi su vam na raspolaganju i kako možete započeti vlastitu transformaciju iz pasivnog posmatrača podataka u kreatora inteligentnih rješenja.

Razumijevanje AIoT koncepta: Gdje se spajaju podaci i inteligencija

Kada govorimo o internetu stvari (Internet of Things - IoT), obično mislimo na mrežu uređaja koji su opremljeni senzorima, softverom i drugim tehnologijama u svrhu povezivanja i razmjene podataka sa drugim uređajima i sistemima preko interneta. Međutim, sam IoT je često "glup". On prikuplja ogromne količine sirovih informacija, ali bez adekvatne obrade, ti podaci su samo digitalni šum. Ovdje na scenu stupa vještačka inteligencija (artificial intelligence - AI).

Vještačka inteligencija unosi sposobnost učenja i donošenja odluka u IoT okruženje. Ovaj spoj, koji stručnjaci nazivaju AIoT, omogućava sistemima da ne samo "osjete" okolinu, već da je i razumiju. Ako IoT posmatramo kao nervni sistem koji prikuplja signale, AI je mozak koji te signale interpretira.

Uloga mašinskog učenja na rubu mreže

Jedan od ključnih pomaka u posljednjih nekoliko godina je prelazak sa obrade podataka u oblaku (cloud computing) na obradu na samom rubu mreže (edge computing). U tradicionalnim sistemima, senzor bi poslao podatke na udaljeni server, tamo bi se izvršila analiza, a zatim bi se instrukcija vratila nazad uređaju. Ovaj proces stvara kašnjenje (latency), troši propusnost mreže i otvara pitanja privatnosti.

Korištenjem alata za mašinsko učenje (machine learning) koji su optimizovani za rubne uređaje, kao što je TensorFlow Lite, inteligencija se seli direktno na mikrokontrolere. To znači da pametna kamera može prepoznati neovlašteni ulazak u prostoriju i aktivirati alarm bez slanja ijednog frejma videa na internet. Ovo je ključno za aplikacije gdje je brzina reakcije kritična, poput autonomnih vozila ili industrijskih robotskih ruku.

Od sirovih signala do prediktivnih uvida

Proces počinje prikupljanjem mjerenja sa senzora – to mogu biti temperatura, vlažnost, vibracije, zvuk ili video zapis. Ti podaci se zatim tretiraju kao ulaz za modele vještačke inteligencije. Kroz proces treninga, model uči prepoznavati obrasce. Na primjer, u sistemu za prediktivno održavanje, model uči kako izgledaju normalne vibracije zdravog motora, a kako suptilne anomalije koje prethode kvaru ležaja.

Ova sposobnost ekstrakcije vrijednih uvida iz kompleksnih obrazaca je ono što AI zasnovane IoT projekte čini revolucionarnim. Dok bi čovjeku trebali sati da analizira logove senzora, AI to radi u milisekundama, kontinuirano, 24 sata dnevno.

Ključni zaključak: AIoT nije samo dodavanje inteligencije uređajima; to je redefinisanje načina na koji interagujemo sa fizičkim svijetom, omogućavajući sistemima da budu proaktivni umjesto reaktivni.

Praktični AI Based IoT Projects za različite industrije

Da bismo razumjeli puni potencijal, moramo pogledati konkretne primjere koji se već danas mogu implementirati uz odgovarajuće znanje i resurse. Svaki od ovih projekata rješava specifičan problem i zahtijeva pažljivo planiranje odabira senzora i modela.

Pametni sistemi za monitorisanje zagađenja zraka

Gradovi poput Sarajeva ili Tuzle često se suočavaju sa ozbiljnim problemima kvaliteta zraka. Tradicionalne mjerne stanice su skupe i rijetke. IoT projekt zasnovan na AI može koristiti mrežu jeftinih senzora (poput MQ serije) raspoređenih širom grada. AI ovdje igra ulogu u kalibraciji senzora i predviđanju širenja zagađenja na osnovu meteoroloških podataka.

Umjesto pukog prikazivanja trenutne vrijednosti PM2.5 čestica, sistem može koristiti algoritme dubokog učenja (deep learning) da predvidi nivo zagađenja za narednih 12 sati. Ako planirate ovakav projekt, fokusirajte se prvo na preciznost senzora – loš podatak na ulazu znači netačnu prognozu na izlazu, bez obzira koliko je vaš AI model sofisticiran.

Prediktivno održavanje u industrijskom okruženju

Ovo je možda najprofitabilnija primjena AIoT tehnologije. Korištenjem MEMS akcelerometara za mjerenje vibracija i senzora struje, možemo pratiti zdravlje industrijskih mašina. AI modeli za detekciju anomalija (anomaly detection) mogu identifikovati i najmanje promjene u radnom ciklusu.

Ako radite u proizvodnji, počnite sa mapiranjem najkritičnijih tačaka zastoja. Umjesto da pokušate automatizovati cijelu fabriku odjednom, fokusirajte se na jedan motor ili pumpu. Prvo prikupite istorijske podatke o radu, pa tek onda uvodite modele koji će signalizirati tehničaru da je zamjena dijela potrebna prije nego dođe do havarije.

Pametna poljoprivreda i precizno uzgajanje

Poljoprivreda u našem regionu može imati ogromne koristi od senzora vlage u tlu i analize slike pomoću AI. Pametni sistemi mogu automatski dozirati vodu i gnojivo tačno tamo gdje je potrebno. Kamere opremljene AI modelima za prepoznavanje bolesti biljaka mogu rano identifikovati štetočine, smanjujući potrebu za pesticidima.

Implementacija u poljoprivredi zahtijeva robusne uređaje koji mogu izdržati vanjske uslove. Ovdje su LoRa ili Zigbee komunikacijski protokoli idealni jer omogućavaju prenos podataka na velike udaljenosti uz minimalnu potrošnju energije.

Pametni parking i urbana mobilnost

Smanjenje gužvi u gradskim jezgrima može se postići sistemima koji u realnom vremenu detektuju slobodna parking mjesta. Korištenjem magnetnih senzora ili kamera sa računarskim vidom (computer vision), podaci se šalju u centralni sistem koji usmjerava vozače. AI može analizirati trendove zauzetosti i optimizovati cijene ili predvidjeti kada će se određena zona osloboditi.

Kod ovakvih projekata, ključno je razmišljati o privatnosti. Ako koristite kamere, obrada slike bi se trebala dešavati na samom uređaju (edge), tako da se na server šalje samo informacija "zauzeto/slobodno", a ne video zapis na kojem se vide lica ili registarske tablice građana.

Šta sljedeće u razvoju projekata

• Identifikujte jedan specifičan problem koji želite riješiti u svom okruženju.
• Istražite koji senzori su najadekvatniji za prikupljanje potrebnih fizičkih veličina.
• Razmotrite da li je obradu podataka bolje vršiti lokalno na uređaju ili u oblaku.
• Napravite prototip koristeći pristupačne razvojne ploče poput ESP32 ili Raspberry Pi.

Ako želite vježbati praktične vještine kroz organizovane susrete i radionice, pogledajte našu stranicu događaja AI Academy gdje redovno objavljujemo nadolazeće radionice i predavanja. (aiacademy.ba)

Hardver i softver: Alati za gradnju inteligentnih stvari

Izbor tehnološkog stoga (tech stack) presudan je za uspjeh. Ne zahtijeva svaki projekt najskuplji procesor, kao što ni svaki senzor ne zahtijeva najkompleksniju neuronsku mrežu.

Mikrokontroleri i rubni računari

Za jednostavnije projekte, poput kućne automatizacije ili osnovnog praćenja okoliša, ESP32 je izvrstan izbor. On posjeduje integrisan Wi-Fi i Bluetooth, dovoljno je moćan da pokreće jednostavne modele mašinskog učenja i izuzetno je energetski efikasan. S druge strane, ako vaš projekt uključuje analizu videa u realnom vremenu, trebat će vam nešto poput NVIDIA Jetson platforme. Jetson uređaji imaju specijalizovane grafičke procesore (GPU) koji su dizajnirani za paralelnu obradu podataka kakvu zahtijevaju neuronske mreže.

Google Coral Edge TPU je još jedna moćna opcija za ubrzavanje AI operacija na lokalnim uređajima. On omogućava izvršavanje kompleksnih vizuelnih modela uz minimalnu potrošnju struje, što ga čini idealnim za autonomne robote ili pametne sigurnosne kamere.

Komunikacijski protokoli

Kako će vaš uređaj razgovarati sa svijetom? Izbor protokola zavisi od količine podataka i udaljenosti. MQTT (Message Queuing Telemetry Transport) je zlatni standard za IoT jer je lagan i dizajniran za mreže sa slabom propusnošću. Ako vaši senzori pokrivaju veliko polje (npr. voćnjak), LoRaWAN (Long Range Wide Area Network) omogućava komunikaciju kilometrima daleko bez potrebe za mobilnom mrežom ili Wi-Fi-jem.

Softverski okviri i biblioteke

Programiranje AIoT uređaja najčešće se oslanja na Python ili C++. Za razvoj AI modela, TensorFlow i PyTorch su dominantni alati. Međutim, za njihovo pokretanje na malim uređajima, morat ćete savladati tehnike poput kvantizacije (quantization) i orezivanja (pruning) modela, kako biste smanjili njihovu veličinu bez značajnog gubitka preciznosti.

Fino podešavanje modela (fine-tuning) na specifičnim podacima koje prikupite sa vaših senzora često daje bolje rezultate nego korištenje generičkih, unaprijed istreniranih modela. Alati kao što je Google AutoML Vision mogu pomoći početnicima da brzo kreiraju modele za prepoznavanje slika bez pisanja stotina linija koda.

Ako želite unaprijediti svoje vještine u radu sa promptovima i modelima koji se često koriste u AI projektima, preporučujemo da pročitate naš vodič o prompt engineeringu kako biste bolje formulirali ulazne podatke za AI sisteme. (aiacademy.ba)

Upozorenje: Nikada ne unosite osjetljive poslovne podatke ili privatne video zapise u javne cloud servise za treniranje AI modela bez prethodne provjere politike privatnosti i enkripcije podataka.

Put od ideje do implementacije: Faze AIoT projekta

Izgradnja inteligentnog sistema nije samo pisanje koda. To je proces koji zahtijeva disciplinu i sistematičnost. U AI Academy promovišemo petostepeni model razvoja.

Faza 1: Razumijevanje i definisanje problema

Prvo pitanje koje trebate postaviti nije "Koji AI model da koristim?", već "Koji problem rješavam?". Ako provodite sate na ručnom očitavanju brojila ili provjeri vlage u stakleniku, tu leži vaša prilika. Jasno definišite cilj: da li želite smanjiti troškove energije za 10% ili eliminisati neplanirane zastoje mašine?

Bez jasno definisanog cilja, vaš projekt će postati skup hobi bez stvarne vrijednosti. Razmislite o ograničenjima – da li uređaj mora raditi na baterije? Da li ima pristup internetu? Odgovori na ova pitanja diktiraju sav dalji razvoj.

Faza 2: Prikupljanje i priprema podataka

Kvalitet vašeg AI modela direktno zavisi od kvaliteta podataka. Ovo je faza gdje se većina projekata saplete. Inžinjeri često zaborave na fenomene poput "sensor drift" (postepeno odstupanje senzora od tačnosti) ili uticaj okoline na mjerenja.

Potrebno je uspostaviti standarde kvaliteta podataka. To uključuje precizno označavanje (labeling) podataka za nadgledano učenje (supervised learning). Ako pravite sistem za detekciju bolesti jabuka, morate imati hiljade slika zdravih i bolesnih jabuka, svaku ispravno klasifikovanu od strane stručnjaka agronoma.

Faza 3: Izbor hardvera i razvoj modela

Tek nakon što razumijete podatke, birate hardver. Ako je model jednostavan (npr. logistička regresija za predviđanje temperature), ESP32 će biti dovoljan. Ako je u pitanju duboko učenje, možda ćete morati trenirati model na moćnom računaru, a zatim ga optimizovati za rubni uređaj.

Tokom ove faze, ključno je testiranje u kontrolisanim uslovima. Simulirajte različite scenarije kako biste vidjeli kako se sistem ponaša kada senzor zakaže ili kada se veza sa internetom prekine.

Faza 4: Provjera odgovornosti i etika

Prije nego što pustite sistem u rad, morate razmisliti o posljedicama. Šta ako vaš AI model za dijagnostiku pogriješi? Šta ako pametni gradski sistem nepravedno favorizuje određene rute u saobraćaju zbog pristrasnosti u podacima?

Sigurnost je ovdje imperativ. IoT uređaji su često najslabija karika u sajber sigurnosti. Svaki uređaj mora imati jedinstvene akreditive, komunikacija mora biti šifrovana, a softver se mora redovno ažurirati. Nikada ne ostavljajte podrazumijevane lozinke na vašim gateway uređajima ili mikrokontrolerima.

Za dublje čitanje o etičkim izazovima u AI projektima i kako ih mitigovati, pogledajte naš članak o etičkoj upotrebi AI. (aiacademy.ba)

Faza 5: Praktična primjena i iteracija

Kada sistem krene sa radom u stvarnom svijetu, vaš posao nije gotov. AI modeli zahtijevaju kontinuirano praćenje. Okolina se mijenja, senzori stare, a novi tipovi podataka mogu se pojaviti. Ovaj proces stalnog učenja i finog podešavanja je ono što razlikuje uspješan AIoT sistem od onog koji će biti ugašen nakon mjesec dana.

Dijelite svoje nalaze sa zajednicom. Razmjena iskustava o tome šta nije radilo često je korisnija od hvalisanja o uspjesima. Učenje na tuđim greškama ubrzava napredak cijelog ekosistema.

Ako želite da predstavite svoj projekat ili postanete predavač i podijelite znanje sa zajednicom, saznajte više na stranici Postani predavač gdje su opisani načini kako se uključiti i doprinositi zajednici. (aiacademy.ba)

Šta AI može, a šta ne može u IoT svijetu

Važno je imati realna očekivanja. Iako su ai based iot projects moćni, oni nisu čarobni štapić. Razumijevanje granica tehnologije ključno je za svakog profesionalca.

Vještačka inteligencija izvrsno prepoznaje kompleksne obrasce u moru podataka koje bi čovjek previdio. Ona može automatizirati rutinske zadatke, optimizirati potrošnju resursa i pružiti uvide u realnom vremenu. Na primjer, AI može u milisekundi detektovati mikro-pukotinu u metalu na osnovu analize zvuka, što je ljudskom uhu nemoguće.

S druge strane, AI ne može zamijeniti ljudsku prosudbu u nepredviđenim i potpuno novim situacijama. AI modeli su "zatvorenici" podataka na kojima su trenirani. Ako se desi nešto što model nikada ranije nije vidio, on može "halucinirati" – generisati netačne ili potpuno nelogične rezultate. AI nema svijest niti razumije kontekst na način na koji to razumije čovjek; on samo računa vjerovatnoću na osnovu statistike.

Također, AI ne može popraviti loše definisan problem ili raditi sa potpuno neupotrebljivim podacima. Ako su vaši senzori postavljeni na pogrešna mjesta ili su stalno zaprljani, nikakav "napredni algoritam" neće spasiti projekt. Prvo osigurajte integritet fizičkog sloja, pa tek onda gradite inteligenciju iznad njega.

Ključni zaključak: AI je asistent koji pojačava ljudske sposobnosti, a ne zamjena za stručnost. Konačna odluka, posebno u kritičnim sistemima, uvijek mora ostati u rukama kvalifikovanog profesionalca.

Sigurnost, privatnost i etička razmatranja

U svijetu gdje je svaki uređaj povezan i pametan, rizici postaju veći. Kada gradite ai based iot projects, vi ne upravljate samo kodom, već i privatnošću onih koji te sisteme koriste.

Zaštita od neovlaštenog pristupa

Svaki senzor je potencijalna ulazna vrata za hakere. Ako napadač preuzme kontrolu nad vašim AI modelom, on može sabotirati proizvodnju ili manipulisati podacima tako da sakrije kvarove. Osiguravanje rubnih uređaja (edge devices) zahtijeva rigorozan pristup: korištenje sigurnih elemenata (secure elements) za čuvanje ključeva, onemogućavanje neiskorištenih portova i stalno nadgledanje mrežnog saobraćaja.

Privatnost korisnika i anonimizacija

Kada projekt prikuplja podatke o ljudima – bilo kroz zdravstvene senzore ili pametne kućne uređaje – etička odgovornost je na vrhuncu. Podaci bi trebali biti anonimizirani na samom izvoru. Na primjer, sistem za praćenje starijih osoba u domu može koristiti senzore pokreta umjesto kamera, čime se čuva njihovo dostojanstvo dok se i dalje osigurava sigurnost.

Borba protiv pristrasnosti (bias)

AI modeli uče iz istorijskih podataka. Ako ti podaci sadrže ljudske pristrasnosti, model će ih samo učvrstiti i automatizovati. U kontekstu IoT-a, to može značiti da pametni sistem za distribuciju resursa u gradu favorizuje bogatije kvartove jer je odatle imao više podataka. Redovna revizija modela i diversifikacija trening setova su neophodni koraci za svakog odgovornog kreatora.

Za diskusije o širim etičkim implikacijama i javnim politikama, korisno je pročitati naše tekstove u sekciji o etici na sajtu. Primjer članka o etičkim dilemama možete naći u našoj bazi znanja o generativnoj AI. (aiacademy.ba)

Autorska prava i vlasništvo nad podacima

Ko posjeduje podatke koje generiše vaš pametni senzor? Ko je vlasnik uvida koje AI model izvuče iz tih podataka? Ova pravna pitanja su još uvijek u sivoj zoni u mnogim jurisdikcijama. Jasno definisanje uslova korištenja i transparentnost prema korisnicima o tome kako se njihovi podaci koriste nije samo zakonska obaveza, već i način građenja povjerenja u tehnologiju.

Ako želite kontaktirati tim AI Academy za partnersku podršku ili pravna pitanja, koristite našu stranicu za kontakt kako biste se prijavili za obavijesti i savjetovanje. (aiacademy.ba)

Kada potražiti stručnjaka ili dodatne resurse

Iako je internet pun tutorijala, postoje situacije kada samostalno učenje nije dovoljno. Ako vaš AIoT projekt direktno utiče na ljudsko zdravlje, finansijsku stabilnost preduzeća ili sigurnost kritične infrastrukture, konsultacija sa stručnjacima je neophodna.

U AI Academy naglašavamo da je AI timski sport. Razvojni inžinjer, stručnjak za domenu (npr. ljekar ili poljoprivredni inžinjer) i etičar moraju blisko sarađivati. Ako planirate implementaciju na nivou cijelog preduzeća, potražite partnere koji razumiju i lokalni kontekst i globalne tehnološke trendove.

Za one koji žele dublje zaroniti u materiju, naša zajednica nudi prostor za umrežavanje i razmjenu znanja. Besplatne radionice, praktične obuke i predavanja stručnjaka iz industrije su tu da vam pomognu da pređete put od entuzijaste do profesionalca. Učenje u grupi, kroz stvarne projekte i hakatone, ubrzava proces razumijevanja kompleksnih sistema poput neuronskih mreža na rubnim uređajima.

Povezivanje sa drugima koji rješavaju slične probleme u našem regionu može vam uštedjeti mjesece lutanja. Bilo da se radi o optimizaciji koda za mikrokontroler ili o pravnom savjetu oko zaštite ličnih podataka, zajednica je vaš najvredniji resurs.

Ako želite saznati više o aktivnostima i dosadašnjim uspjesima AI Academy, posjetite našu stranicu "O nama" za informacije o misiji i načinima kako se uključiti. (aiacademy.ba)

Sažetak i putokaz za budućnost

Svijet pametnih uređaja se mijenja brže nego ikad. AIoT nije više samo obećanje, već realnost koja transformiše industrije. Da biste bili uspješni u ovom polju, pratite ovaj jednostavan put:

• Prvo duboko razumite problem koji želite riješiti prije nego dotaknete hardver.
• Definišite jasan cilj koji donosi stvarnu vrijednost vama ili vašoj zajednici.
• Preuzmite punu odgovornost za sigurnost i privatnost podataka koje vaš sistem obrađuje.
• Počnite jednostavno – kreirajte prototip sa jednim senzorom i jednim modelom, pa tek onda širite sistem.
• Kontinuirano učite i dijelite svoje znanje sa drugima, jer se vještačka inteligencija razvija kroz saradnju.

AI nije magični prekidač koji rješava sve probleme; to je vještina koja zahtijeva razumijevanje, vježbu i kontinuirano učenje u zajednici.

Vaš sljedeći korak može biti jednostavan eksperiment sa ESP32 pločom ili duboka analiza podataka u vašoj firmi. Šta god izabrali, pristupite tome sa radoznalošću i odgovornošću. Vrata vještačke inteligencije su otvorena svima koji su spremni da uče.

Ako želite da se pridružite nadolazećem događaju, prijavite se na naše besplatne radionice i predavanja kako biste ostali u toku sa praktičnim aktivnostima. (aiacademy.ba)

Česta pitanja

Pitanje: Da li mi je potrebno napredno znanje matematike da bih počeo sa AI based IoT projektima?

Odgovor: Iako je duboko razumijevanje linearne algebre i statistike korisno za razvoj novih algoritama, većina praktičnih projekata se može realizovati korištenjem postojećih biblioteka i alata. Za početak je važnije poznavanje logike programiranja (Python ili C++) i razumijevanje kako senzori funkcionišu, dok se kompleksniji matematički koncepti mogu učiti postepeno kroz praksu.

Pitanje: Koji je najjeftiniji način da napravim svoj prvi inteligentni IoT uređaj?

Odgovor: Najpristupačnija ulazna tačka je korištenje ESP32 mikrokontrolera u kombinaciji sa besplatnim alatima poput MicroPython-a ili Arduino IDE-a. Postoje platforme koje omogućavaju treniranje jednostavnih modela mašinskog učenja besplatno, a koje potom možete prebaciti na svoj uređaj. Uz nekoliko osnovnih senzora, vaš početni budžet ne mora prelaziti pedesetak konvertibilnih maraka.

Pitanje: Koliko su AIoT projekti sigurni kada je u pitanju zaštita od hakovanja?

Odgovor: Sigurnost zavisi isključivo od implementacije. Sam AI ne garantuje sigurnost; on čak može biti meta napada. Ključno je primijeniti standardne sigurnosne protokole: enkripciju podataka, redovno ažuriranje firmvera i izbjegavanje slanja osjetljivih informacija u nezaštićene cloud sisteme. Sigurnost mora biti planirana od prvog dana razvoja, a ne dodata na kraju.