కృత్రిమ మేధతో అనుసంధానం (Integrated AI)

7వ తరగతి సాంఘిక శాస్త్రం (సెమిస్టర్ 1) చివరి అధ్యాయం ‘కృత్రిమ మేధతో అనుసంధానం’ (Integrating Artificial Intelligence). మొదటి పది పాఠాల్లో నేర్చుకున్న భౌగోళిక, చారిత్రక, రాజకీయ, ఆర్థిక అంశాలను AI ఎలా విశ్లేషిస్తుందో ఇది వివరిస్తుంది.

• నిత్యజీవితంలో AI ఉదాహరణలు: గూగుల్ మ్యాప్స్‌లో ప్రత్యక్ష ట్రాఫిక్ సమాచారం, న్యూస్ యాప్‌లలో ముఖ్య శీర్షికలు, వర్షపాత వాతావరణ సూచనలు, ఎన్నికల ఫలితాలు వెంటనే అందడం.
• AI ఏం చేస్తుంది: సమాచారం సేకరిస్తుంది, నమూనాలను (Patterns) గుర్తిస్తుంది, డేటాను పోలుస్తుంది, ఫలితాలు ఇస్తుంది. సాంఘిక శాస్త్ర విద్యార్థుల తార్కిక, క్రమబద్ధమైన నైపుణ్యాలనే AI కూడా వాడుతుంది.
• అధ్యాయంలోని ముఖ్య పదాలు:
  1. కృత్రిమ మేధ (Artificial Intelligence – AI)
  2. డిజిటల్ డేటా (Digital Data)
  3. అల్గోరిథం (Algorithm) – డేటాను ప్రాసెస్ చేసే నిర్దిష్ట దశల క్రమం
  4. డేటాసెట్ (Dataset) – దత్తాంశ సమితి, సమాచార సేకరణ
  5. నమూనాల గుర్తింపు (Pattern Recognition)
  6. ఆటోమేషన్ (Automation)
• సెన్సార్లు (Sensors): డిజిటల్ మ్యాప్‌లు, వాతావరణ కేంద్రాలు, ఉపగ్రహాలు, ఆన్‌లైన్ వ్యవస్థలు సెన్సార్ల ద్వారా డేటా సేకరించి డిజిటల్ సమాచారంగా మారుస్తాయి.
• మానవ పరిశీలన vs డిజిటల్ గుర్తింపు: మనిషి కంటితో గమనించేదాన్ని ఉపగ్రహ మ్యాపింగ్, AI విశ్లేషణ డిజిటల్‌గా గుర్తిస్తాయి.
• AI వాడే రంగాలు: వాతావరణ సూచనలు, పటాల తయారీ, పరిపాలన (Governance), ఆర్థిక లావాదేవీలు – వీటిలో డేటాసెట్లు, మెషిన్ లెర్నింగ్ వాడతారు.
• జాగ్రత్త సూచన (పాఠ్యపుస్తకం): విద్యార్థులు AI సాధనాలను ఉపాధ్యాయులు, తల్లిదండ్రులు/సంరక్షకుల ప్రత్యక్ష మార్గదర్శకత్వం, పర్యవేక్షణలోనే వాడాలి.

ప్రతి AI వ్యవస్థ ఒక నిర్దిష్ట క్రమంలో పనిచేస్తుంది: సమాచారం సేకరించడం, దాన్ని డిజిటల్‌గా మార్చడం, విశ్లేషించడం, ఫలితం ఇవ్వడం. ఈ పునాది అర్థమైతే AI ఉదాహరణలన్నీ సులభంగా అర్థమవుతాయి.

• AI పని దశలు:
  1. 1. ఇన్‌పుట్ (Input): ఉపగ్రహాలు, వాతావరణ పరికరాల వంటి సెన్సార్ల ద్వారా సమాచార సేకరణ.
  2. 2. డిజిటల్ డేటా (Digital Data): సేకరించిన సమాచారాన్ని డిజిటల్ రూపంలోకి మార్చడం.
  3. 3. అల్గోరిథమ్‌లు (Algorithms): డేటాను ప్రాసెస్ చేయడం.
  4. 4. నమూనాల గుర్తింపు (Pattern Recognition): ధోరణులను (Trends) గుర్తించడం.
  5. 5. అవుట్‌పుట్ (Output): వర్గీకరణలు (Classifications) లేదా ముందస్తు అంచనాలు (Predictions).
• మూడు ఉదాహరణలు:
  1. డిజిటల్ మ్యాప్‌లు ఉపగ్రహ డేటాతో భూస్వరూపాలను గుర్తిస్తాయి.
  2. వాతావరణ వ్యవస్థలు శీతోష్ణస్థితి డేటాసెట్లతో వర్షపాతాన్ని ముందుగా అంచనా వేస్తాయి.
  3. ఆన్‌లైన్ వేదికలు మెషిన్ లెర్నింగ్ (Machine Learning)తో లావాదేవీల నమూనాలను విశ్లేషిస్తాయి.
• అంతరిక్షం నుంచి డిజిటల్ భూస్వరూప పటం (పాఠ్యపుస్తక చిత్రం):
  1. దశ 1 – డేటా సేకరణ: ఉపగ్రహ చిత్రాలు (Satellite imagery).
  2. దశ 2 – AI ప్రాసెసింగ్: కంప్యూటర్ విజన్, నమూనా-ఆకార గుర్తింపు, మెషిన్ లెర్నింగ్ వర్గీకరణ, ఆకారాలు-రంగుల పోలిక, ఎత్తు (Elevation) డేటా విశ్లేషణ.
  3. దశ 3 – పటం తయారీ: పర్వతాలు, మైదానాలు, నదులు చూపే భారతదేశ డిజిటల్ భూస్వరూప పటం.
• ముఖ్య సూత్రం:
  1. AI మానవ తార్కిక ఆలోచనకు సహాయపడుతుంది, కానీ దాన్ని భర్తీ చేయదు. AI సమాధానాలను పాఠ్యపుస్తకం, ఉపాధ్యాయుడితో సరిచూసుకోవాలి
  2. ఉపాధ్యాయులు ముందుగా ప్రధాన భావనలు బోధించాలి, AI సహాయక సాధనం మాత్రమే.

భూగోళ శాస్త్ర పాఠాల్లో నేర్చుకున్న భూస్వరూపాలు, వాతావరణం, శీతోష్ణస్థితి అంశాలకు AI ఎలా వర్తిస్తుందో మొదటి రెండు ఉదాహరణలు చూపుతాయి.

• ఉదాహరణ 1 – భూస్వరూపాల మ్యాపింగ్ (Mapping Landforms):
  1. భారతదేశంలో పర్వతాలు, మైదానాలు, పీఠభూములు, ఎడారులు, తీర ప్రాంతాలు ఉన్నాయి.
  2. ఉపగ్రహాలు భూ ఉపరితల చిత్రాలు తీస్తాయి; AI వాటిని విశ్లేషించి సూక్ష్మ వివరాలను గుర్తిస్తుంది – దీనిని కంప్యూటర్ విజన్ (Computer Vision), జియోస్పేషియల్ డేటా విశ్లేషణ అంటారు.
  3. విద్యార్థులు పట చిహ్నాలను పోల్చినట్లే, AI ఆకారాలు, రంగులు, ఎత్తు డేటా, నమూనాలను పోల్చి భూస్వరూపాలను వర్గీకరిస్తుంది.
  4. ఉపయోగాలు: వనరుల గుర్తింపు, మౌలిక సదుపాయాల అభివృద్ధి, ప్రణాళిక.
  5. కీలక పదాలు: ఉపగ్రహ చిత్రాలు (Satellite Imagery) – అంతరిక్షం నుంచి ఉపగ్రహాలు తీసిన భూ ఉపరితల చిత్రాలు; జియోస్పేషియల్ డేటా (Geospatial Data) – భూ ఉపరితలంపై లక్షణాలు, వాటి స్థానాలను వివరించే స్థాన-ఆధారిత డేటా; డిజిటల్ మ్యాప్‌లు (Digital Maps) – ఉపగ్రహ డేటా, డిజిటల్ సాంకేతికతతో కంప్యూటర్ రూపొందించిన పటాలు.
• ఉదాహరణ 2 – శీతోష్ణస్థితి నమూనాల గుర్తింపు (Climate Pattern Recognition):
  1. శీతోష్ణస్థితి (Climate) = దీర్ఘకాలిక వాతావరణ సరళి. భారత రుతువులు – రుతుపవన కాలం, వేసవి, శీతాకాలం.
  2. చాలా ఏళ్లుగా సేకరించిన భారీ శీతోష్ణస్థితి డేటాసెట్లను AI అధ్యయనం చేసి, నమూనాలు కనుగొని, ప్రాంతాలను శీతోష్ణస్థితి మండలాలుగా వర్గీకరిస్తుంది – దీనికి నమూనాల గుర్తింపు, మెషిన్ లెర్నింగ్ వాడతారు.
  3. క్రమం: శీతోష్ణస్థితి డేటాసెట్ → నమూనా విశ్లేషణ → శీతోష్ణస్థితి వర్గీకరణ (వర్షపాతం, ఉష్ణోగ్రత, గాలి).
  4. ఉదా: 50 ఏళ్ల వర్షపాత డేటా నుంచి రుతుపవన నమూనాలను గుర్తించడం.
  5. కీలక పదాలు: శీతోష్ణస్థితి డేటాసెట్ – ఏళ్ల తరబడి నమోదైన ఉష్ణోగ్రత, వర్షపాతం, గాలి సమాచార సేకరణ; నమూనా గుర్తింపు – డేటాలో పునరావృతమయ్యే ధోరణులను కంప్యూటర్ గుర్తించే సామర్థ్యం; మెషిన్ లెర్నింగ్ – నేరుగా ప్రోగ్రామ్ చేయకుండానే కంప్యూటర్లు డేటా నుంచి నేర్చుకుని అంచనాలను మెరుగుపరచుకోవడం.

చరిత్ర, పౌర శాస్త్ర పాఠాలకు AI ఎలా వర్తిస్తుందో మూడు, నాలుగు ఉదాహరణలు చూపుతాయి – కట్టడాలను చిత్రాల ద్వారా గుర్తించడం, నియమాల ఆధారంగా నిర్ణయాలు తీసుకోవడం.

• ఉదాహరణ 3 – సాంస్కృతిక వారసత్వ ప్రదేశాల గుర్తింపు (Identifying Cultural Heritage Sites):
• ‘భూమి పవిత్రంగా ఎలా మారుతుంది?’ పాఠంతో అనుసంధానం.
• ఆలయాలు, స్మారక కట్టడాలు సాంస్కృతిక వారసత్వం
• వాటి నిర్మాణ లక్షణాలు, డిజైన్ నమూనాలను గమనిస్తాం.
• డిజిటల్ వ్యవస్థలు ఆకారం, సమరూపత (Symmetry), డిజైన్ అంశాల వంటి దృశ్య లక్షణాలను అధ్యయనం చేసి కట్టడాలను గుర్తిస్తాయి (చిత్ర డేటాసెట్ లేబులింగ్, నిర్మాణ శైలి గుర్తింపు, డిజిటల్ ఇమేజ్ విశ్లేషణ).
• కీలక పదాలు:
  1. డిజిటల్ వ్యవస్థలు (Digital Systems) – దృశ్య లేదా లిఖిత సమాచారాన్ని ప్రాసెస్ చేసి విశ్లేషించే కంప్యూటర్ వ్యవస్థలు
  2. దృశ్య లక్షణాలు (Visual Features) – వస్తువుల గుర్తింపుకు వాడే ఆకారం, రంగు, డిజైన్
  3. సమరూప గుర్తింపు (Symmetry Detection) – చిత్రాలు/నిర్మాణాల్లో సమతుల్య, సారూప్య నమూనాలను గుర్తించడం
  4. నమూనా గుర్తింపు – పునరావృతమయ్యే ఆకారాలు, డిజైన్లను AI గుర్తించే పద్ధతి.
• ఉదాహరణ 4 – ప్రభుత్వంలో నిర్ణయాలు తీసుకోవడం (Decision Making in Government):
  1. ప్రభుత్వాలు స్థాపిత నియమాలు, విధానాల ప్రకారం నిర్ణయాలు తీసుకుంటాయి; విధానాలు క్రమబద్ధమైన చట్రాల (Frameworks) ఆధారంగా అమలవుతాయి.
  2. డిజిటల్ వ్యవస్థలు కూడా ముందుగా నిర్ణయించిన తార్కిక క్రమాలను అనుసరించి ఫలితాలను ఇస్తాయి (చట్టాలు, విధానాలు → విధాన రూపకల్పన → ఫలితాలు).
  3. ఇంటరాక్టివ్ సిమ్యులేషన్ల ద్వారా వర్చువల్ ఎన్నికల్లో ఓటు వేసి ప్రజలు ప్రతినిధులను ఎలా ఎన్నుకుంటారో, స్మార్ట్ విజువల్స్, మాట్లాడే చిత్రాల ద్వారా సమానత్వం, ఓటు హక్కు, ప్రాథమిక హక్కుల వంటి భావనలను విద్యార్థులు నేర్చుకోవచ్చు.
  4. కీలక పదాలు: తార్కిక నిర్మాణం (Logical Framework) – నిర్ణయాలకు క్రమబద్ధ విధానం; విధాన నమూనా (Policy Model) – నిర్ణయాలకు మార్గదర్శక ప్రణాళిక; క్రమపద్ధతి ప్రక్రియ (Sequential Processing) – దశలను నిర్ణీత క్రమంలో నిర్వహించడం; నిర్ణయ తార్కికత (Decision Logic) – నిర్ణయాలకు చేరే తర్క ప్రక్రియ; ఇంటరాక్టివ్ సిమ్యులేషన్స్ – వినియోగదారు భాగస్వామ్యంతో జరిగే వాస్తవిక డిజిటల్ కార్యకలాపాలు.

ఆర్థిక శాస్త్ర పాఠాలైన ‘వస్తు మార్పిడి నుండి ద్రవ్యం వరకు’, ‘మార్కెట్లను అవగాహన చేసుకోవడం’కు AI ఎలా వర్తిస్తుందో ఐదో ఉదాహరణ, అధ్యాయాల వారీ కృత్యాల పట్టిక చూపుతాయి.

• ఉదాహరణ 5 – మార్కెట్ విశ్లేషణ, ఉత్పత్తి సూచనలు (Market Analysis and Product Suggestions):
• మార్కెట్లలో వస్తువుల కొనుగోలు, అమ్మకాలు జరుగుతాయి. ఆన్‌లైన్ వేదికలు తమ సేవలను మెరుగుపరచుకోవడానికి వినియోగదారుల ప్రాధాన్యతలు, కొనుగోలు అలవాట్లను అధ్యయనం చేస్తాయి.
• డిజిటల్ వ్యవస్థలు వినియోగదారుల ప్రవర్తనను విశ్లేషించి, వినియోగదారుల మధ్య సారూప్య నమూనాలను కనుగొని, తగిన ఉత్పత్తులను సూచిస్తాయి – ఇదే సిఫార్సు వ్యవస్థ.
• చిత్రంలోని క్రమం:
  1. వినియోగదారుల ప్రాధాన్యతలు, కొనుగోలు అలవాట్లు → ఉత్పత్తుల మెరుగుదల, నిర్ణయాలు
  2. వినియోగదారుల డేటా → కస్టమర్ సమూహాలు → సిఫార్సులు.
• డిజిటల్ విశ్లేషణ మార్కెట్లను అర్థం చేసుకోవడానికి, అమ్మకాలు పెంచడానికి సహాయపడుతుంది.
• కీలక పదాలు:
  1. వినియోగదారుల ప్రవర్తన విశ్లేషణ (User Behaviour Analysis) – వినియోగదారులు వెబ్‌సైట్లు, యాప్‌లతో ఎలా వ్యవహరిస్తారో అధ్యయనం.
  2. వినియోగదారుల ప్రాధాన్యతలు (Consumer Preferences) – ఏ ఉత్పత్తులను ఇష్టపడతారు, ఎంచుకుంటారు అనే సమాచారం.
  3. సిఫార్సు వ్యవస్థలు (Recommendation Systems) – వినియోగదారు డేటా, ప్రవర్తన ఆధారంగా ఉత్పత్తులను సూచించే డిజిటల్ వ్యవస్థలు.
• అధ్యాయాల వారీ AI కృత్యాలు – ఆర్థిక పాఠాలు (సృజనాత్మక స్థాయి):
  1. పాఠం 9 (వస్తు మార్పిడి నుండి ద్రవ్యం వరకు): డిజిటల్ చెల్లింపు యాప్‌లను అన్వేషించడం; లావాదేవీల్లో మోసాలను (Fraud) AI ఎలా గుర్తిస్తుందో వివరించడం.
  2. పాఠం 10 (మార్కెట్లు): ఆన్‌లైన్ షాపింగ్ వేదికలను అన్వేషించడం; వినియోగదారు డేటా ఆధారంగా AI ఉత్పత్తులను ఎలా సిఫార్సు చేస్తుందో వివరించడం.

AI సాంఘిక శాస్త్ర అభ్యసనాన్ని విస్తృతం చేస్తుంది – వివరణలు, పటాలు, చార్టులు రూపొందిస్తుంది. కానీ AI పాఠ్యపుస్తకాలు, ఉపాధ్యాయులు, తరగతి గది అభ్యసనానికి ప్రత్యామ్నాయం కాదు. దీన్ని సురక్షితంగా, బాధ్యతాయుతంగా, విద్యా ప్రయోజనాలకు మాత్రమే వాడాలి.

• AI తో అన్వేషణ: విభిన్న వనరుల నుంచి సమాచారం అన్వేషించడానికి, విచారణ-ఆధారిత అభ్యసన (Inquiry-based learning) అలవాట్లు పెంచుకోవడానికి AI సహాయపడుతుంది. జ్ఞానాన్ని సృష్టించే, పంచుకునే విధానాన్ని సాంకేతికత ఎలా మారుస్తుందో అవగాహన కలుగుతుంది. AI సాధనాలను ఉపాధ్యాయులు/తల్లిదండ్రుల మార్గదర్శకత్వంలో మాత్రమే వాడాలి.
• సురక్షిత, బాధ్యతాయుత AI వినియోగం – నాలుగు నియమాలు:
  1. వ్యక్తిగత సమాచారాన్ని ఎప్పుడూ పంచుకోవద్దు.
  2. AI సమాధానాలను పాఠ్యపుస్తకాలతో పోల్చి ధ్రువీకరించాలి.
  3. AI ని నేర్చుకోవడానికి మాత్రమే వాడాలి.
  4. పరీక్షల సమయంలో AI ని వాడకూడదు.
• బాధ్యతాయుత వినియోగం ఫలితం:
  1. క్రమశిక్షణ, నిజాయితీ, శాస్త్రీయ ఆలోచన, పౌర బాధ్యత బలపడతాయి
  2. గుడ్డిగా కాపీ చేయకుండా సమాచారాన్ని ధ్రువీకరించడం నేర్చుకుంటారు
  3. నైతిక ప్రవర్తన, జ్ఞానం పట్ల గౌరవం పెరుగుతాయి.
• ప్రాంప్ట్ (Prompt): AI సాధనానికి ఇచ్చే సూచన (Instruction).
• మంచి సాంఘిక శాస్త్ర ప్రాంప్ట్‌లో ఉండాల్సినవి: తరగతి స్థాయి (ఉదా: 7వ తరగతి), పాఠం పేరు, స్పష్టమైన భావన, వివరణ కోసం అభ్యర్థన.
• మాదిరి ప్రాంప్ట్:
  1. ‘నేను 7వ తరగతి విద్యార్థిని
  2. 11, 12వ శతాబ్దాల భారత చరిత్ర సంఘటనల కాలరేఖను తరగతి చార్ట్‌గా రూపొందించండి.’ దాని ఫలిత చార్ట్‌లో: 1001 – గజనీ మహమూద్ భారత్‌పై దండయాత్ర
  3. 1014 – రాజేంద్ర చోళుడు I చోళ సామ్రాజ్య విస్తరణ
  4. 1025 – గజనీ మహమూద్ సోమనాథ్ ఆలయంపై దాడి
  5. 1192 – రెండో తరైన్ యుద్ధం (మహమ్మద్ ఘోరీ, పృథ్వీరాజ్ చౌహాన్‌ను ఓడించాడు)
  6. 1206 – కుతుబుద్దీన్ ఐబక్ ఢిల్లీ సుల్తానత్ స్థాపన.
• ప్రాంప్ట్‌ల రకాలు:
  1. 1. భావన అవగాహన ప్రాంప్ట్ (Conceptual Understanding) – ఒక భావనను స్పష్టంగా అర్థం చేసుకోవడానికి. ఉదా: ‘జియోస్పేషియల్ డేటాను ఒక ఉదాహరణతో సరళమైన భాషలో వివరించండి.’
  2. 2. పోలిక / విశ్లేషణాత్మక ప్రాంప్ట్ (Comparison or Analytical) – పాలన వ్యవస్థలు లేదా చారిత్రక మార్పులను పోల్చడానికి. ఉదా: ‘ప్రజాస్వామ్యంలో మానవ నిర్ణయాలను అల్గోరిథం-ఆధారిత నిర్ణయ వ్యవస్థలతో పోల్చండి.’
  3. 3. అప్లికేషన్ / కార్యాచరణ-ఆధారిత ప్రాంప్ట్ (Application or Activity-Based) – జ్ఞానాన్ని నిజ జీవితంలో అన్వయించడానికి. ఉదా: ‘మార్కెట్ డేటా సేకరణకు ఒక సర్వే రూపొందించి, AI దాన్ని ఎలా విశ్లేషిస్తుందో వివరించండి.’

AI శక్తిమంతమైనదే కానీ తప్పులు చేయదని కాదు. దాని పరిమితులు తెలుసుకుని, మానవ ఆలోచనకు సహాయకారిగా మాత్రమే వాడాలని అధ్యాయం ముగింపు స్పష్టం చేస్తుంది.

• AI తప్పులు చేస్తుందా? – అవును:
  1. AI వ్యవస్థలు తాము స్వీకరించే డేటాపై ఆధారపడతాయి; డేటా అసంపూర్ణంగా లేదా తప్పుగా ఉంటే సమాధానాలు తప్పుగా ఉండవచ్చు.
  2. AI మనుషుల్లా ఆలోచించలేదు. కాబట్టి AI సమాధానాలను పాఠ్యపుస్తకం, ఉపాధ్యాయుల మార్గదర్శకత్వంతో ధ్రువీకరించాలి.
• అపోహలు – వాస్తవాలు (Myth vs Fact):
  1. అపోహ: AI ముందస్తు అంచనాలన్నీ న్యాయంగా/సరైనవిగా ఉంటాయి. వాస్తవం: డేటా అసమతౌల్యంగా (Unbalanced) ఉంటే AI అంచనాలు అన్యాయంగా ఉండవచ్చు.
  2. అపోహ: AI వాడితే ఉపాధ్యాయుల అవసరం లేదు. వాస్తవం: AI అభ్యసనకు సహాయపడుతుంది, కానీ ఉపాధ్యాయులు మార్గనిర్దేశం చేస్తారు, వివరిస్తారు, సరిదిద్దుతారు.
• AI టైమ్ ట్రావెలర్స్ – టెక్స్ట్ మైనింగ్ (Text Mining): AI వేలాది పురాతన చారిత్రక పత్రాలను సెకన్లలో ‘చదివి’, వివిధ సామ్రాజ్యాలు తమ చట్టాలు, పన్నులను ఎలా నిర్వహించాయో దాగిన నమూనాలను కనుగొనగలదు.
• ఉపాధ్యాయులకు మార్గదర్శకత్వం:
  1. AI కృత్యానికి ముందు సంబంధిత పాఠ్య భాగాన్ని పూర్తిగా చదివించాలి
  2. తరగతి, అధ్యాయం, భావనతో స్పష్టమైన ప్రాంప్ట్ రాయడం చూపాలి
  3. AI సమాధానాలను అర్థం చేసుకోకుండా కాపీ చేయకూడదని స్పష్టం చేయాలి
  4. విద్యా నిజాయితీని ప్రోత్సహించాలి. ముందు భావనను బోధించి, తర్వాతే AI సంబంధం పరిచయం చేయాలి.
• మూడు అభ్యసన స్థాయిలు (అధ్యాయాల వారీ AI కృత్యాల పట్టిక):
  1. పునాది స్థాయి (Foundational) – నిర్వచించడం, గుర్తించడం, జాబితా
  2. విశ్లేషణాత్మక స్థాయి (Analytical) – పోల్చడం, విశ్లేషించడం
  3. సృజనాత్మక స్థాయి (Creative) – AI తో అన్వేషణ, చార్టులు/కాలరేఖలు రూపొందించడం. ఉదా: ఉపగ్రహ చిత్రాలతో భూస్వరూపాల గుర్తింపు, వాతావరణ యాప్‌లలో AI సూచనలు, చిత్ర గుర్తింపు (Image recognition) ద్వారా కట్టడాల గుర్తింపు.
• ముగింపు: 7వ తరగతి సాంఘిక శాస్త్ర మొదటి పది పాఠాలు పరిశీలన, వర్గీకరణ, పోలిక, వివరణ (Interpretation), నిర్ణయం తీసుకోవడం వంటి నైపుణ్యాలను పెంచుతాయి – ఇవే కృత్రిమ మేధకు పునాది. విద్యార్థులు మానవ పరిశీలనను డిజిటల్ వ్యవస్థలతో పోల్చాలి, AI సంబంధాలను సొంత మాటల్లో వివరించాలి.