Primenjena veštačka inteligencija

Kroz analizu realnog FinTech sistema za obradu kreditnih zahteva, polaznici prate evoluciju informacionih sistema od klasične digitalizacije, preko integracije AI servisa, pa sve do uvođenja inteligentnih agenata. Predavanje je fokusirano na konkretne probleme koje veštačka inteligencija rešava, pružajući jasnu motivaciju za uvođenje svake pojedinačne tehnike. Prva celina analizira tradicionalne veb sisteme, mapirajući procese u kojima su zaposleni i dalje primorani da ručno obavljaju poslove rezonovanja i obrade nestrukturiranih podataka. Druga celina uvodi AI servise (poput računarske vizije, mašinskog učenja i LLM-a) za automatizaciju specifičnih zadataka, objašnjavajući njihove prednosti, ali i nedostatke u pogledu rigidnosti samog poslovnog procesa. Treća celina predstavlja prelazak na sisteme zasnovane na inteligentnim agentima i orkestratorima koji deklarativno upravljaju tokom procesa. Pozicioniranjem AI alata u kontinuitet digitalizacije, polaznici dobijaju širu sliku i čvrst konceptualni okvir za razumevanje naprednih tehnika u nastavku kursa.

U ovoj lekciji polaznici se upoznaju sa konceptom generalizacije na osnovu podataka. Ključno pitanje kojim se bavimo jeste kako program, koristeći dostupne primere, može samostalno da unapredi svoj rad. Na primer, kako program koji vrši procenu vrednosti nekretnina može da koristi istorijske podatke da bi donosio tačnije odluke u budućnosti. Pored toga, detaljno se razrađuju koncepti nadgledanog i nenadgledanog učenja, kao i metode pripreme podataka kako bi se iz njih izvukao maksimum informacija. Lekcija opisuje radni tok tipičnog projekta mašinskog učenja i predstavlja faze projekta i tipove mašinskog učenja.

U okviru ove lekcije polaznici se upoznaju sa eksplorativnom analizom podataka, što obuhvata učitavanje tabelarnih podataka, njihovu inspekciju i tumačenje parametara deskriptivne statistike. Posebna pažnja posvećena je inženjeringu obeležja kao ključnom koraku u pripremi podataka. Na tako pripremljenom skupu primenjuju se regresioni modeli, pri čemu polaznici uče kako algoritam, treniran na ograničenom skupu podataka, uspešno generalizuje i predviđa vrednosti za potpuno nove, neviđene primere. Prvo se primenjuje linearna regresija, kroz koju se objašnjava kako se iz podataka izvodi matematički (parametarski) model koji ih generiše. Pored ovog klasičnog pristupa, polaznici savladavaju i neparametarsku regresiju kroz XGBoost algoritam.

Pomoću klasifikacionih modela program, na osnovu primera sa kojima se ranije susreo tokom treninga, automatski prepoznaje kategoriju kojoj pripada određeni podatak. Na taj način model može da odredi, na primer, da li rendgenski snimak sadrži patološke promene ili da li je određena nekretnina isplativa za ulaganje. U okviru ove lekcije polaznici se detaljno upoznaju sa pojmom klasifikacije i njenom praktičnom primenom. Kroz konkretne primere, analizira se kako se parametarski modeli, poput logističke regresije, i neparametarski modeli, poput XGBoost algoritma, koriste za efikasno rešavanje ovakvih problema.

U okviru ove lekcije polaznici se upoznaju sa osnovama dubokog učenja i ključnim matematičkim konceptima koji stoje iza neuronskih mreža. Najpre se analizira anatomija veštačkog neurona, uključujući karakteristične aktivacione funkcije, a potom i arhitektura višeslojnog perceptrona. Poseban fokus stavljen je na mehanizme propagacije unapred, propagacije unazad i optimizaciju parametara mreže putem gradijentnog spusta. Polaznici će naučiti ulogu ključnih hiperparametara, funkcija gubitka, veličine paketa podataka i broja epoha. Na kraju, neuronske mreže se povezuju sa prethodno izučenim konceptima, kroz praktičan prikaz njihove primene u rešavanju problema regresije i klasifikacije.

U ovoj lekciji polaznici se uvode u oblast računarske vizije kao grane veštačke inteligencije. Pokriveni su osnovni koncepti i praktične primene računarske vizije, kao što su prepoznavanje i klasifikacija objekata, detekcija oblika, boja, tekstura i pokreta, kao i analiza kretanja i razumevanje strukture scene. Detaljno se analizira proces učitavanja slika sa diska i njihova inspekcija i prikaz unutar razvojnog okruženja.

Veliki jezički modeli igraju ključnu ulogu u savremenoj primeni veštačke inteligencije. U ovoj lekciji polaznici se upoznaju sa njihovom arhitekturom i principima rada. Detaljno je objašnjen koncept autoregresivnog generisanja teksta, gde se kroz proces tokenizacije i proračuna verovatnoće unutar rečnika prikazuje kako model predviđa naredni token. Pored toga, analizira se arhitektura Transformera kroz korake kreiranja semantičkih vektora ugradnji i pozicionog kodiranja, sa posebnim fokusom na mehanizam pažnje. Na kraju je pokazano kako se veliki jezički modeli ugrađuju u konkretne aplikacije.

Kroz ovu lekciju polaznici uče kako se veliki jezički modeli mogu specijalizovati za konkretne domene primene. Polaznici se upoznaju sa konceptom generisanja proširenog pretraživanjem (RAG), u okviru kojeg se eksterni tekstualni podaci pripremaju i stavljaju na raspolaganje modelu prilikom generisanja odgovora. Takođe, obrađuje se i Model Context Protocol (MCP), koji omogućava da se na bezbedan način spoljni alati, izvori podataka i servisi integrišu u rad velikih jezičkih modela. Lekciju prati praktičan primer razvoja domenski specifičnog govornog agenta.

U ovoj lekciji polaznici uče šta je to zapravo agent i koji tipovi agenata postoje. Upoznaju se sa tim kako AI agenti zapravo rade, tako što ih grade od nule, bez korišćenja frejmvorka. Polazi se od mehanizma pozivanja funkcija, kroz koji jezički model koristi spoljne alate, a zatim se razvija kompletan agent sa sopstvenom petljom rada, memorijom i uslovima završetka. Obrađuju se i obrazac evaluator–optimizer, kao i koncepti autonomnih agenata i agenata koji uče iz sopstvenog iskustva.

Kroz ovu lekciju polaznici uče kako se složeni zadaci rešavaju saradnjom više specijalizovanih agenata, od kojih svaki ima sopstvenu ulogu i alate. Lekcija počinje pregledom najzastupljenijih frejmvorka za razvoj agenata i protokola koji ih povezuju, MCP i A2A. Zatim se agent razvijen od nule ponovo implementira u LangGraph-u, gde se tok rada opisuje kao graf stanja, a tim agenata koordiniše supervizor koji odlučuje ko sledeći preuzima posao. Drugi deo lekcije posvećen je asinhronoj arhitekturi, u kojoj agenti komuniciraju razmenom poruka preko topika: slušaju, obrađuju i prosleđuju poruke dalje, bez međusobnog čekanja. Na kraju se razvija orkestrator koji prima zahteve korisnika, raspoređuje zadatke na jednog ili više agenata paralelno i sastavlja odgovor kada svi završe.

Ova lekcija bavi se onim što sledi nakon razvoja AI modela: njegovim pouzdanim puštanjem u produkciju, praćenjem i održavanjem. Polaznici se upoznaju sa razlozima zbog kojih sistemi mašinskog učenja otkazuju, od operativnih kvarova do tihih grešaka izazvanih promenom distribucije podataka, graničnim slučajevima i degenerisanim povratnim spregama, uz primere iz stvarne industrije. Obrađuju se ključne prakse: verzionisanje koda, podataka i modela, automatizovani pipeline-ovi za treniranje, registar modela, bezbedne strategije puštanja nove verzije, monitoring i ponovno treniranje. Poseban deo posvećen je LLM Ops-u, odnosno specifičnostima aplikacija zasnovanih na jezičkim modelima i agentima: verzionisanju promptova i modela, automatskoj evaluaciji kroz testne skupove, praćenju svakog koraka agenta i kontroli troškova. Lekciju prate dva praktična primera celog puta do produkcije, uz pregled alata koji se pri tome koriste.

Ovaj termin posvećen je ideaciji i konceptualnoj analizi projektnih rešenja. Tokom termina, timovi predstavljaju i obrazlažu svoj predlog arhitekture rešenja. Analiziraju se skupovi podataka koje polaznici smatraju relevantnim za razvoj svojih projekata. Posebna pažnja posvećena je diskusiji o dilemama na koje su timovi naišli tokom procesa ideacije. Sa termina polaznici odlaze sa odlukom o arhitekturi projekta i skupovima podataka koji će biti korišćeni.

Ovaj termin je posvećen diskusiji o tehničkim rešenjima koja će biti primenjena u projektu. Polaznici predstavljaju predloge AI modela, dok im nastavnici pružaju povratne informacije o njihovoj primenjivosti, kao i o prednostima i nedostacima izabranih pristupa. Tokom termina se razrešavaju dileme na koje su polaznici naišli, tako da sa vežbi odlaze sa konačnom odlukom o AI modelima koje će implementirati u svom projektu.

Ovaj termin je posvećen diskusiji o softverskim aplikacijama koje integrišu AI modele. Polaznici na ovaj čas dolaze sa već obučenim modelima i razvijenim prototipom aplikacije koja predstavlja njihovo projektno rešenje. Tokom termina analiziraju se prednosti i nedostaci pojedinih arhitektonskih rešenja, a polaznici dobijaju smernice za njihovo dalje unapređenje.

Poslednji termin kursa posvećen je prezentaciji i evaluaciji projektnih rešenja. Polaznici prezentuju svoje aplikacije, a nastavnici ih komentarišu i ocenjuju.