AI Home Projects: Od Prvih Koraka Do Pametne Automatizacije

Table of Contents

1. Ključne stavke
2. Uvod
3. Razumijevanje temelja: Šta su zapravo AI projekti za dom?
4. Početnički nivo: Prvi koraci u svijetu AI-ja
5. Srednji nivo: Pametni dom i Internet stvari (IoT)
6. Napredni nivo: Generativni AI i agenti
7. Odgovornost, etika i granice vještačke inteligencije
8. Strategija implementacije: Od ideje do realizacije
9. Put ka digitalnoj samostalnosti
10. Česta pitanja

Ključne stavke

• Izgradnja ličnih projekata vještačke inteligencije (AI) omogućava prelazak sa pasivnog posmatrača na aktivnog kreatora, čime se direktno povećava konkurentnost na tržištu rada kroz praktično iskustvo.
• Kućna automatizacija uz pomoć AI modela transformiše statične prostore u dinamična okruženja koja predviđaju potrebe korisnika, od praćenja kvalitete zraka do inteligentnih sigurnosnih sistema.
• Razvojni put od jednostavnih klasifikacijskih modela do naprednih AI agenata zahtijeva razumijevanje etičkih principa, zaštitu privatnosti i kontinuiranu razmjenu znanja unutar zajednice.

Uvod

Zamislite prosječno jutro u Sarajevu tokom zimskih mjeseci. Prva stvar koju uradite nakon buđenja je provjera nivoa zagađenja zraka putem aplikacije. Ako je indeks visok, ručno uključujete prečišćivač i zatvarate prozore. Za mnoge entuzijaste i profesionalce u našoj regiji, ovaj proces je postao rutina, ali on predstavlja i savršenu priliku za primjenu vještačke inteligencije (AI). Umjesto da vi pratite podatke, vaš dom može naučiti prepoznati obrasce zagađenja, predvidjeti kritične periode i samostalno reagovati, optimizirajući potrošnju energije i vaše zdravlje.

U AI Academy vjerujemo da vještačka inteligencija nije samo tema za tehnološke gigante iz Silicijske doline, već alat koji svaki pojedinac u Bosni i Hercegovini može iskoristiti za rješavanje stvarnih problema. Bilo da ste programer koji želi obogatiti svoj portfolio, marketing stručnjak koji želi automatizirati analizu sadržaja ili početnik koji tek ulazi u svijet tehnologije, rad na kućnim projektima (ai home projects) je najefikasniji način učenja.

Ovaj tekst je osmišljen kao sveobuhvatna mapa puta za sve one koji žele teorijsko znanje pretvoriti u opipljive rezultate. Proći ćemo kroz evoluciju AI projekata – od osnovnih modela za prepoznavanje teksta do naprednih autonomnih agenata koji mogu upravljati kompleksnim zadacima. Naš pristup je uvijek isti: prvo razumijevanje osnova, zatim definisanje jasnog cilja, provjera etičke odgovornosti, praktična primjena i na kraju dijeljenje naučenog sa zajednicom. AI nije magični štapić, već vještina koja se brusi kroz pokušaje, greške i stalno prilagođavanje.

Ako želite da svoje projekte podijelite s drugim članovima i dobijete povratnu informaciju ili da pronađete najbližu radionicu gdje možete demonstrirati svoj rad, provjerite našu stranicu sa aktuelnim događajima: stranica događaja AI Academy.

Razumijevanje temelja: Šta su zapravo AI projekti za dom?

Prije nego što instalirate prvu biblioteku koda ili kupite senzore, važno je definisati šta podrazumijevamo pod terminom "ai home projects". To nisu samo obične automatizacije tipa "ako se desi ovo, uradi ono" (if-this-then-that). Prava vještačka inteligencija (AI) podrazumijeva sposobnost sistema da uči iz podataka, prepoznaje kompleksne obrasce i donosi odluke ili predviđanja u situacijama koje nisu striktno programirane.

U kontekstu kućnog okruženja, AI projekti se mogu podijeliti na softverske, koji žive isključivo na vašem računaru ili u oblaku (cloud), i hardverske, koji uključuju uređaje poput Raspberry Pi-ja ili Arduino mikrokontrolera. Razumijevanje ove razlike pomaže vam da odaberete projekat koji odgovara vašim trenutnim resursima i vještinama.

Razlika između automatizacije i vještačke inteligencije

Tradicionalna automatizacija se oslanja na fiksna pravila. Na primjer, svjetlo se pali u 18:00 sati. AI rješenje bi, s druge strane, analiziralo nivo prirodne svjetlosti u prostoriji, vaše prisustvo i vaše navike učenja ili rada, te bi prilagodilo intenzitet i temperaturu svjetla kako bi se smanjilo naprezanje očiju, neovisno o tome koliko je sati.

Uloga podataka u kućnim projektima

Svaki AI model je onoliko dobar koliko su dobri podaci na kojima je treniran. Za kućne projekte, podaci mogu dolaziti iz raznih izvora: senzori temperature, historijski podaci o cijenama dionica sa interneta, vaše vlastite fotografije ili tekstualni dokumenti. Prvi korak u svakom projektu je razumijevanje odakle podaci dolaze i kako ih "očistiti" da bi bili upotrebljivi za mašinsko učenje (machine learning).

Ako želite dublje učenje o core machine learning konceptima koji se često koriste u ovakvim projektima, pogledajte naš članak o osnovama: osnovni vodič za machine learning i deep learning.

Potrebni alati za početak

Za većinu projekata o kojima ćemo govoriti, biće vam potreban računar sa stabilnom internet vezom i osnovno poznavanje programskog jezika Python. Python je postao standard u industriji zbog svoje jednostavnosti i ogromnog broja biblioteka kao što su TensorFlow, PyTorch i Scikit-learn. Ako se odlučite za hardverski dio, Raspberry Pi je idealna polazna tačka jer omogućava pokretanje lakših AI modela direktno na uređaju (edge computing).

Ključni zaključak: Prije nego što krenete u implementaciju, jasno razgraničite da li vam je potrebna jednostavna automatizacija ili sistem koji uči. Fokusiranje na problem koji vas lično nervira ili zanima u vašem domu je najbolji garant da ćete projekat završiti do kraja.

Ako želite kontinuirani put učenja sa strukturiranim temama, istražite naše teme i vodiče u kategorijama: kategorija Generativna AI i vodiči i kategorija Prompt Engineering i praktični savjeti.

Početnički nivo: Prvi koraci u svijetu AI-ja

Ako tek počinjete, najbolje je fokusirati se na projekte koji ne zahtijevaju skupu opremu ili kompleksno znanje o arhitekturi neuronskih mreža. Ovi projekti će vam pomoći da shvatite proces pripreme podataka, treniranja modela i evaluacije rezultata.

Predviđanje na osnovu strukturiranih podataka

Jedan od najklasičnijih primjera za početnike je model za klasifikaciju. Zamislite da želite napraviti sistem koji predviđa da li će neko donirati krv ili ne na osnovu historijskih podataka. Iako ovo možda ne zvuči kao "kućni" projekat u smislu enterijera, on je idealan za učenje osnova mašinskog učenja (machine learning). Koristeći biblioteke kao što je Pandas za manipulaciju podacima, naučićete kako se vrši normalizacija funkcija i kako odabrati najbolji algoritam za predviđanje.

Detekcija lažnih vijesti (Fake News Detector)

U današnjem digitalnom okruženju, često smo preplavljeni informacijama sumnjivog porijekla. Izgradnja jednostavnog detektora lažnih vijesti pomoću obrade prirodnog jezika (Natural Language Processing - NLP) je izuzetno edukativna. Možete koristiti gotove skupove podataka sa platformi poput Kaggle-a i primijeniti modele kao što je BERT. BERT je unaprijed istrenirani model koji razumije kontekst rečenica mnogo bolje od starijih metoda. Ovaj projekat će vas naučiti kako AI "razumije" tekst i kako se vrši fino podešavanje modela (fine-tuning) za specifične zadatke.

Za praktične tehnike u radu s jezičkim modelima i promptovima, pogledajte naše savjete u temi Prompt Engineering.

Automatski klasifikator slika

Ovo je faza u kojoj AI postaje "vidljiv". Koristeći kameru na vašem laptopu, možete kreirati model koji prepoznaje različite vrste predmeta u vašoj sobi ili čak različite vrste kućnih biljaka. Koristeći gotove arhitekture poput VGG-16 ili ResNet, ne morate sami dizajnirati složene mreže. Dovoljno je da prikupite nekoliko desetina fotografija svojih biljaka, označite ih i istrenirate završni sloj modela. Ovo je takozvano transferno učenje (transfer learning) – tehnika koja omogućava da koristite znanje koje je model stekao na milionima slika i primijenite ga na svoj specifični problem.

Pametni sistem za analizu biografija (Resume Parser)

Ako ste student ili profesionalac koji želi pomoći prijateljima u traženju posla, možete kreirati alat koji skenira biografije (resumes) i izvlači ključne vještine. Koristeći biblioteku NLTK ili spaCy, naučićete kako AI prepoznaje entitete poput imena, e-mail adresa i specifičnih tehnologija u nestrukturiranom tekstu. Ovo je odličan primjer kako AI može uštedjeti sate manuelnog rada.

Šta uraditi nakon početničkih projekata?

• Objavite svoj kod na GitHub-u i napišite kratko objašnjenje šta ste naučili.
• Pokušajte promijeniti jedan parametar u modelu (npr. learning rate) i posmatrajte kako to utiče na tačnost.
• Razmislite o tome kako bi ovaj model mogao raditi u realnom vremenu, a ne samo na statičnim podacima.

Ako želite pokazati svoj rad zajednici ili saznati kada su naredne radionice gdje možete prezentirati svoj projekat, posjetite našu stranicu događaja ili nam pošaljite prijavu putem stranice kontakt.

Srednji nivo: Pametni dom i Internet stvari (IoT)

Kada savladate osnove klasifikacije i prepoznavanja slika, vrijeme je da AI izvučete iz izolovanog koda i povežete ga sa fizičkim svijetom. Ovdje ai home projects postaju zaista zanimljivi jer uključuju senzore, mikrokontrolere i realnu interakciju sa okolinom.

Praćenje kvalitete zraka uz pametno djelovanje

Ranije smo spomenuli Sarajevo i zagađenje. Vaš sljedeći projekat može biti izgradnja stanice za praćenje zraka koja koristi senzore za sitne čestice (PM2.5) i ugljični dioksid (CO2). Povezivanjem Raspberry Pi-ja sa pametnom utičnicom, možete kreirati sistem koji ne samo da mjeri zagađenje, već aktivira prečišćivač ili ventilator samo kada je to zaista potrebno. AI komponenta ovdje može biti predviđanje – na osnovu vlažnosti vazduha i spoljne temperature, model može naučiti da će nivo zagađenja porasti u narednih sat vremena i preventivno reagovati.

Detekcija prisutnosti pomoću mmWave senzora

Tradicionalni senzori pokreta (PIR) često griješe – ugase svjetlo dok mirno sjedite i čitate ili se pale zbog kućnih ljubimaca. Napredniji projekat uključuje korištenje mmWave (millimeter-wave) senzora koji detektuju mikropokrete, poput disanja. Korištenjem jednostavnih modela mašinskog učenja, možete naučiti sistem da razlikuje osobu koja spava na kauču od prazne sobe. Ovo nije samo komfor, već i energetska efikasnost koja direktno smanjuje račune za struju.

Sigurnost doma uz kompjuterski vid (Computer Vision)

Standardne sigurnosne kamere šalju obavijest za svaki pokret, što brzo dovodi do toga da ih ignorišemo. Uz pomoć AI modela za detekciju objekata (poput YOLO - You Only Look Once), možete kreirati sistem koji ignoriše mahanje grana na vjetru ili vašeg psa, ali vam šalje hitnu poruku ako prepozna nepoznatu osobu u dvorištu. Ovaj projekat zahtijeva razumijevanje obrade video strima u realnom vremenu i rad sa bibliotekom OpenCV.

Za naprednije koncepte u automatizaciji i agentima, pogledajte našu temu o Workflow automations i AI agentima.

Pametna njega biljaka uz lokalni LLM

Zalijevanje biljaka na osnovu vlažnosti zemlje je korisno, ali šta ako možete "razgovarati" sa svojom baštom? Integracijom lokalnog velikog jezičkog modela (LLM) koji radi na vašem kućnom serveru, možete kreirati interfejs gdje pitate: "Šta misliš, zašto listovi na fikusima žute?". Sistem, koji ima pristup podacima sa senzora i bazi podataka o specifičnim biljnim vrstama, može vam dati personalizovan savjet. Korištenje lokalnog modela umjesto javnih servisa osigurava da vaši podaci o domu ne napuštaju vašu mrežu.

Upozorenje o privatnosti: Kada radite sa kamerama i mikrofonima u svom domu, uvijek budite svjesni privatnosti ukućana. Nikada nemojte slati sirove video snimke na javne cloud servise bez enkripcije i dobro provjerite politiku privatnosti alata koje koristite.

Ako vas zanima kako AI utječe na društvo i etičke implikacije, pročitajte više u odjeljku Etički AI.

Napredni nivo: Generativni AI i agenti

U 2026. godini, fokus se pomjera sa jednostavnih modela na "agentne" sisteme (AI agents). To su sistemi koji ne samo da daju odgovor na pitanje, već mogu koristiti alate, planirati korake i izvršavati kompleksne zadatke.

Izgradnja agentnog RAG sistema

Retrieval-Augmented Generation (RAG) je tehnika koja omogućava AI modelu da pristupi vašim privatnim dokumentima (npr. PDF-ovima, uputstvima za kućanske aparate, ličnim bilješkama) kako bi dao tačnije odgovore. Umjesto da pretražujete fascikle, možete pitati svoj kućni AI: "Gdje mi je garancija za frižider i koji je broj servisa?". Napredni agent će pretražiti vašu digitalnu arhivu, pronaći dokument, izvući broj i ponuditi da vam pošalje podsjetnik na telefon.

Za teoriju i primjere generativne AI, preporučujemo čitanje vodiča u kategoriji: Osnovni sastojci generativne AI.

Multi-agentni sistemi za upravljanje projektima

Ako planirate renoviranje stana ili neki veći kućni projekat, možete iskoristiti okvire poput CrewAI ili LangGraph. Ovi alati vam omogućavaju da kreirate tim "virtuelnih stručnjaka". Jedan agent može biti zadužen za istraživanje cijena materijala na lokalnim web shopovima, drugi za dizajn enterijera na osnovu vaših preferencija, a treći za planiranje budžeta. Oni međusobno komuniciraju i isporučuju vam gotov plan rada. Ovo je vrhunac produktivnosti koji AI trenutno nudi.

Razvoj MCP servera za kućnu kontrolu

Model Context Protocol (MCP) je novi standard koji omogućava AI modelima da se lako povežu sa različitim izvorima podataka i alatima. Izgradnja vlastitog MCP servera za vaš dom značila bi da bilo koji napredni model može sigurno komunicirati sa vašim pametnim uređajima. To je most između "razmišljanja" AI modela i "djelovanja" fizičkih uređaja.

Dizajniranje produkcijski spremnih sistema

Za one koji žele karijeru u AI industriji, kućni projekat treba tretirati kao mini-proizvod. To uključuje postavljanje sistema za praćenje grešaka, evaluaciju tačnosti modela i osiguravanje skalabilnosti. Ako vaš kućni asistent radi besprijekorno mjesecima bez rušenja, to je najbolji dokaz vašeg inženjerskog umijeća koji možete pokazati poslodavcu.

Ako vas zanima razvoj karijere u AI i kako svoje projekte pretvoriti u profesionalne reference, pročitajte naše resurse u AI Career & Skill-Up sekciji.

Kako podići projekat na viši nivo?

• Implementirajte sistem za povratne informacije (feedback loop) gdje model uči iz vaših ispravki.
• Koristite kontejnere (poput Docker-a) kako bi vaš projekat bio lako prenosiv na druge uređaje.
• Dokumentujte arhitekturu sistema kroz dijagrame toka podataka.

Odgovornost, etika i granice vještačke inteligencije

Dok gradimo fascinantne projekte, lako je pasti u zamku entuzijazma i zaboraviti na ograničenja. AI je moćan, ali nije nepogrešiv. Kao dio AI Academy zajednice, naša je dužnost da promovišemo odgovorno korištenje tehnologije.

Šta AI alati realno mogu učiniti?

AI je izvrstan u prepoznavanju kompleksnih obrazaca u velikim količinama podataka koje bi čovjeku promakli. Može automatizirati dosadne, ponavljajuće zadatke (poput sortiranja e-mailova ili transkripcije sastanaka), generirati kreativne ideje za pisanje ili dizajn i služiti kao nevjerovatan partner u učenju koji ima strpljenja da vam deset puta objasni isti koncept.

Šta AI ne može i ne smije raditi?

AI ne posjeduje stvarnu ljudsku prosudbu niti moralni kompas. On ne razumije širi društveni kontekst našeg regiona osim ako mu to nije eksplicitno dato kroz podatke. Najvažnije, AI ne može preuzeti odgovornost za kritične odluke.

Modeli često "haluciniraju" – samouvjereno iznose netačne informacije. Ako radite na projektu koji analizira medicinske simptome ili daje pravne savjete, to smije biti isključivo u svrhu učenja ili kao alat za pripremu informacija koje će uvijek provjeriti kvalifikovani stručnjak. AI nikada ne smije zamijeniti doktora, pravnika ili finansijskog savjetnika.

Ako želite pratiti najnovije rasprave o etici u AI, pogledajte našu kolekciju članaka na Etički AI stranici.

Pristrasnost (Bias) u modelima

Podaci na kojima se AI modeli treniraju često nose predrasude onih koji su ih prikupili. Ako trenirate model za prepoznavanje glasa samo na engleskom jeziku, on će loše raditi za naš lokalni izgovor. Svjesnost o ovim ograničenjima je prvi korak ka izgradnji inkluzivnijih i pravednijih sistema.

Kada potražiti stručnjaka?

Ako vaš kućni projekat počne uključivati osjetljive aspekte vašeg života – poput upravljanja ozbiljnim finansijskim investicijama ili dijagnostike zdravstvenog stanja – obavezno se konsultujte sa ljudima koji imaju licencu za te oblasti. Tehnologija je tu da pomogne, a ne da vlada. Za dublje razumijevanje ovih tema i razvoj tehničkih vještina u sigurnom okruženju, zajednica poput AI Academy nudi resurse i prostor za diskusiju gdje možete provjeriti svoje ideje sa iskusnijim kolegama.

Ako želite saznati više o organizaciji i misiji zajednice, pročitajte našu stranicu: O nama — AI Academy.

Strategija implementacije: Od ideje do realizacije

Da biste izbjegli sudbinu mnogih započetih, a nikada završenih projekata, predlažemo fazni pristup koji primjenjujemo u našem radu.

Prva faza: Razumijevanje i definisanje cilja

Nemojte početi sa pitanjem "Koji AI alat da koristim?". Počnite sa pitanjem "Koji problem želim riješiti?". Ako je to ušteda vremena na unosu podataka, vaša strategija će biti potpuno drugačija nego ako želite poboljšati sigurnost doma. Jasno definisan cilj štedi dane lutanja kroz dokumentaciju.

Ako želite aktivno doprinijeti kao predavač i voditi radionicu u AI Academy, saznajte kako to učiniti na stranici: saznaj kako postati predavač (pogledajte odlomke o prijavi govornika).

Druga faza: Prikupljanje i analiza podataka

Prije pisanja ijedne linije koda, provjerite imate li podatke. Ako želite model koji prepoznaje kada je vaš pas tužan, trebate stotine fotografija svog psa u različitim emocionalnim stanjima. Ako nemate podatke, vaš prvi projekt je zapravo kreiranje sistema za prikupljanje podataka.

Treća faza: Izgradnja minimalno održivog proizvoda (MVP)

Nemojte odmah graditi kompleksan multi-agentni sistem. Počnite sa najjednostavnijom verzijom koja radi. Ako gradite pametni termostat, neka prvo samo očitava temperaturu i ispisuje je na ekranu. Zatim dodajte logiku, pa AI predviđanje, i na kraju glasovni interfejs.

Četvrta faza: Testiranje i iteracija

AI modeli rijetko rade savršeno iz prve. Testirajte sistem u različitim uslovima – šta se dešava sa prepoznavanjem lica kada je u sobi mrak? Šta se dešava ako internet konekcija pukne? Svaka greška je prilika da model učinite robusnijim.

Peta faza: Dijeljenje i zajednica

Kada vaš projekat proradi, nemojte ga čuvati samo za sebe. Napišite blog post, podijelite kod na platformama otvorenog koda (open source) ili održite kratku prezentaciju kolegama. Razmjena znanja unutar lokalne AI zajednice ubrzava napredak svih nas i pomaže u validaciji vaših rješenja.

Ako želite da nas kontaktirate, prijavite svoj projekt ili se prijavite na mailing listu za nove radionice, posjetite: kontakt stranica AI Academy.

Savjet za uspjeh: Ako se zaglavite, nemojte odustajati. Većina problema u AI projektima leži u formatu podataka ili malim greškama u konfiguraciji biblioteka. Povežite se sa zajednicom u Sarajevu ili online forumima – velika je vjerovatnoća da je neko već riješio sličan problem.

Put ka digitalnoj samostalnosti

Rad na AI projektima kod kuće nije samo hobi – to je investicija u vašu budućnost. Kroz ovaj proces učite kritičko razmišljanje, rješavanje problema i tehničku disciplinu koja je primjenjiva u bilo kojoj modernoj industriji. Bez obzira na to da li gradite sistem za prepoznavanje ptica u svom vrtu ili kompleksnog AI agenta za upravljanje ličnim finansijama, svaki korak vas približava dubljem razumijevanju tehnologije koja oblikuje naš svijet.

Pristup koji smo prošli – od razumijevanja osnova, preko etičke provjere, do praktične primjene – osigurava da vaša rješenja budu ne samo funkcionalna, već i odgovorna. AI Academy ostaje vaš partner na tom putu, pružajući podršku i resurse koji su vam potrebni da svoje ideje pretvorite u stvarnost.

Svijet vještačke inteligencije je otvoren za sve koji su spremni učiti i eksperimentisati. Počnite mali, razmišljajte veliko i budite strpljivi prema sebi. Vaš dom može postati vaša najbolja laboratorija, a naučene lekcije vaša najvrjednija imovina na tržištu rada.

• Fokusirajte se na rješavanje realnih, lokalnih problema.
• Uvijek stavljajte privatnost i etiku na prvo mjesto.
• Gradite projekte postepeno, od jednostavnih ka kompleksnim.
• Podijelite svoje rezultate sa zajednicom kako biste ubrzali učenje.

Vještačka inteligencija u rukama informisanog i odgovornog pojedinca najmoćniji je alat za pozitivne promjene koji smo ikada imali. Iskoristite ga mudro, počevši od vlastitog praga.

Česta pitanja

Pitanje: Da li mi je potrebno napredno znanje matematike ili programiranja da bih počeo raditi na AI kućnim projektima?

Odgovor: Za početne projekte nije potrebno napredno znanje. Dovoljno je poznavanje osnova Pythona i logičko razmišljanje. Mnogi moderni alati i biblioteke skrivaju kompleksnu matematiku iza jednostavnih funkcija. Kako budete prelazili na naprednije nivoe, prirodno ćete osjetiti potrebu da naučite više o statistici ili linearnoj algebri, ali to ne bi trebala biti prepreka za početak.

Pitanje: Koliko košta postavljanje AI sistema u domu?

Odgovor: Troškovi mogu varirati od nula maraka (ako koristite samo softverske alate otvorenog koda na svom postojećem računaru) do nekoliko stotina maraka ako kupujete specijalizovani hardver poput Raspberry Pi-ja, kvalitetnih senzora ili grafičkih kartica za lokalno treniranje modela. Preporučujemo da počnete sa besplatnim alatima i postepeno ulažete u opremu kako vaši projekti budu rasli.

Pitanje: Da li su moji podaci sigurni ako koristim AI alate poznatih kompanija u svojim projektima?

Odgovor: To zavisi od uslova korištenja svakog pojedinačnog alata. Većina besplatnih verzija popularnih AI modela koristi vaše upite za dalje treniranje sistema. Ako radite sa osjetljivim podacima, preporučujemo korištenje lokalnih modela (npr. putem lokalnih alata i otvorenih modela) koji rade isključivo na vašem hardveru i ne šalju nikakve informacije na internet.

Pitanje: Koliko vremena je potrebno da se završi jedan prosječan AI projekt?

Odgovor: Jednostavni projekti, poput klasifikatora teksta ili osnovne automatizacije, mogu se završiti za jedan vikend. Srednji nivo, koji uključuje senzore i hardver, obično zahtijeva nekoliko sedmica planiranja, nabavke dijelova i testiranja. Napredni agentni sistemi su često kontinuirani projekti koje ćete nadograđivati mjesecima kako se tehnologija bude razvijala.