AI For ML Projects: Od Ideje Do Realizacije

Table of Contents

1. Ključne stavke
2. Uvod
3. Razumijevanje Prije Primjene: Šta Čini Dobar AI Projekt
4. Početnički Projekti Za Izgradnju Samopouzdanja
5. Srednji Nivo: Od Modela Do Funkcionalne Aplikacije
6. Napredni Projekti I Generativni AI
7. Granice I Odgovornost: Šta AI (Ne) Može
8. Put Do Uspjeha: AI Academy Pristup
9. Zaključak
10. Česta pitanja

Ključne stavke

• Uspješan rad na projektima vještačke inteligencije zahtijeva postepen prelazak sa jednostavnih modela na kompleksne sisteme, uz fokus na kvalitetu podataka umjesto na kompleksnost algoritma.
• Praktična primjena kroz projekte kao što su predviđanje odlaska korisnika (churn prediction) ili razvoj inteligentnih agenata gradi vještine koje su direktno primjenjive na lokalnom i globalnom tržištu rada.
• Odgovoran pristup podrazumijeva stalnu provjeru etičkih implikacija, privatnosti podataka i razumijevanje da AI alati služe kao podrška, a ne potpuna zamjena za ljudsku ekspertizu.

Uvod

Zamislite mladog programera u Sarajevu koji je upravo završio nekoliko online kurseva o teoriji vještačke inteligencije. Poznaje matematiku iza neuronskih mreža, zna razliku između nadgledanog i nenadgledanog učenja, ali kada otvori prazan kodni editor da započne svoj prvi stvarni projekt, javlja se blokada. Lokalno tržište rada u Bosni i Hercegovini sve više traži stručnjake koji ne samo da "znaju AI", već znaju kako taj AI primijeniti za rješavanje konkretnih poslovnih izazova — bilo da je riječ o optimizaciji zaliha u maloprodaji, analizi medicinskih snimaka ili automatizaciji korisničke podrške na našem jeziku.

Najveća zabluda početnika je da su "ai for ml projects" rezervisani samo za istraživače sa vrhunskih svjetskih univerziteta. Istina je da vještačka inteligencija (AI) i mašinsko učenje (machine learning) postaju zanat koji se peče kroz pokušaje, greške i rad sa stvarnim podacima. Ovaj članak je napisan za profesionalce koji žele promijeniti karijeru, studente tehničkih fakulteta i entuzijaste koji žele preći sa gledanja tutorijala na kreiranje rješenja koja donose vrijednost.

U AI Academy vjerujemo da put do majstorstva vodi kroz pet ključnih koraka: razumijevanje suštine tehnologije, precizno definisanje cilja, beskompromisnu provjeru odgovornosti, praktičnu primjenu i, na kraju, dijeljenje naučenog sa zajednicom. Kroz ovaj tekst ćemo vas provesti kroz konkretne projekte — od početničkih do naprednih — i objasniti kako da svaki od njih postane dio vašeg profesionalnog portfolija.

Razumijevanje Prije Primjene: Šta Čini Dobar AI Projekt

Prije nego što instalirate bilo koju biblioteku kao što je scikit-learn ili PyTorch, morate razumjeti da svaki projekt mašinskog učenja (ML) počinje sa podacima, a ne sa kodom. Često čujemo termine poput "vještačka inteligencija" i "mašinsko učenje" koji se koriste naizmjenično, ali u praksi, vještačka inteligencija (artificial intelligence) je širi pojam koji obuhvata sisteme sposobne da imitiraju ljudsku inteligenciju, dok je mašinsko učenje (machine learning) specifična podskupina koja omogućava računarima da uče iz podataka bez eksplicitnog programiranja.

Analiza Dostupnih Podataka

Ako planirate projekt za mali biznis, recimo lokalnu pekaru koja želi predvidjeti potražnju za hljebom, prvi korak nije odabir modela, već analiza dostupnih podataka. Imate li podatke o prodaji po satima? Da li su ti podaci čisti ili sadrže greške? Alat dolazi tek nakon što identifikujete problem i resurse. Automatizacija lošeg procesa pomoću vještačke inteligencije samo će brže proizvesti loše rezultate.

Definisanje Jasnog Cilja

Mnogi projekti propadaju jer cilj nije bio dovoljno specifičan. Umjesto "želim poboljšati prodaju", cilj bi trebao biti "želim smanjiti broj korisnika koji otkazuju pretplatu za 5% u naredna tri mjeseca". Jasna definicija cilja određuje koje ćete metričke pokazatelje pratiti, bilo da je to tačnost (accuracy), preciznost (precision) ili srednja kvadratna greška (RMSE).

Razmatranje Resursa i Ograničenja

Nisu svi projekti isti u pogledu hardverskih zahtjeva. Dok se osnovna regresija može pokrenuti na prosječnom laptopu, treniranje velikih modela za obradu prirodnog jezika (natural language processing - NLP) može zahtijevati snažne grafičke procesore (GPU) i znatne finansijske resurse na cloud platformama. Prije početka, procijenite koliko vremena i novca možete uložiti.

Zapamtite: AI nije magični štapić. To je alat koji zahtijeva razumijevanje domena u kojem se primjenjuje. Ako ne razumijete problem koji rješavate ručno, male su šanse da ćete ga riješiti automatizacijom.

Početnički Projekti Za Izgradnju Samopouzdanja

Za one koji tek ulaze u svijet "ai for ml projects", ključno je početi sa projektima koji imaju jasnu strukturu i dostupne skupove podataka (datasets). Ovi projekti će vas naučiti osnovama obrade podataka (data cleaning), inženjerstva karakteristika (feature engineering) i evaluacije modela.

Predviđanje Odlaska Korisnika (Customer Churn Prediction)

Ovo je jedan od najčešćih zadataka u poslovnom svijetu. Cilj je identifikovati korisnike koji će vjerovatno prestati koristiti uslugu prije nego što se to zaista desi. To je tipičan problem klasifikacije (classification).

U ovom projektu koristit ćete logističku regresiju (logistic regression) ili stabla odlučivanja (decision trees). Radit ćete sa podacima koji sadrže informacije o tome koliko dugo je korisnik s kompanijom, koliki mu je mjesečni račun i koju vrstu ugovora ima. Najveći izazov ovdje je debalans klasa, jer obično ima mnogo više lojalnih korisnika nego onih koji odlaze. Naučit ćete kako koristiti tehnike poput preuzorkovanja (oversampling) da biste balansirali podatke.

Predviđanje Cijena Nekretnina (House Price Prediction)

Ovo je klasičan problem regresije (regression) gdje predviđate kontinuiranu vrijednost — cijenu. Umjesto korištenja zastarjelih primjera, preporučujemo rad sa Ames Housing skupom podataka.

Ovdje ćete vježbati inženjerstvo karakteristika (feature engineering). Naučit ćete kako pretvoriti tekstualne opise (poput tipa krova ili naselja) u brojeve koje model može razumjeti, proces poznat kao kodiranje (encoding). Također ćete vidjeti kako kvadratura kuće i broj soba utiču na finalnu cijenu i kako eliminisati ekstremne vrijednosti (outliers) koje mogu pokvariti vaše predviđanje.

Klasifikacija Neželjenih Poruka (SMS Spam Classifier)

Ovo je vaš ulaz u svijet obrade prirodnog jezika (NLP). Cilj je napraviti model koji prepoznaje da li je poruka "spam" ili "ham" (legitimna poruka).

Fokus ovog projekta je na pretvaranju teksta u vektore brojeva koristeći tehnike kao što je TF-IDF (term frequency-inverse document frequency). Koristit ćete Naive Bayes algoritam, koji je izuzetno efikasan za tekstualne podatke. Ovo je odlična prilika da naučite o čišćenju teksta, uklanjanju stop-riječi i pretvaranju riječi u njihove korijene (stemming).

Segmentacija Kupaca (Customer Segmentation)

Za razliku od prethodnih primjera, ovo je projekt nenadgledanog učenja (unsupervised learning). Ovdje nemate unaprijed definisane labele, već tražite od modela da sam pronađe obrasce u podacima.

Koristeći K-means algoritam za klasterizaciju (clustering), grupisat ćete kupce na osnovu njihove potrošnje i demografije. Ovo je izuzetno korisno za marketing timove koji žele kreirati personalizovane kampanje za različite grupe ljudi, kao što su "štedljivi kupci" ili "premium korisnici".

Predviđanje Srčanih Oboljenja (Heart Disease Prediction)

Ovaj projekt uvodi etičku dimenziju i važnost preciznosti. U medicini, greška može imati ozbiljne posljedice, pa ćete naučiti zašto tačnost (accuracy) nije uvijek najbolja metrika.

Koristeći K-najbližih susjeda (K-Nearest Neighbors - KNN), pokušat ćete klasifikovati pacijente kao visokorizične ili niskorizične. Ovdje ćete se fokusirati na matricu konfuzije (confusion matrix) i metriku zvanu odziv (recall), jer je u ovom slučaju važnije ne propustiti bolesnu osobu nego pogrešno označiti zdravu.

Šta Sljedeće Nakon Početnih Projekata

• Dokumentujte svaki korak u Jupyter Notebook-u.
• Objasnite zašto ste odabrali određeni model, a ne samo rezultate.
• Vizualizujte podatke koristeći biblioteke kao što su Matplotlib ili Seaborn.
• Postavite svoj kod na GitHub kako biste izgradili portfolio.
• Pokušajte objasniti rezultate modela nekome ko nije tehničko lice.

Ako želite praktičnu vježbu i povratnu informaciju od mentora, preporučujemo da se priključite našim radionicama — pregled nadolazećih aktivnosti možete vidjeti na stranici pregled događaja i radionica.

Srednji Nivo: Od Modela Do Funkcionalne Aplikacije

Nakon što savladate osnove, vrijeme je da pređete na projekte koji uključuju "prljave" podatke iz stvarnog svijeta i zahtijevaju kompleksnije algoritme poput XGBoost-a ili neuronskih mreža (neural networks).

Predviđanje Plata Programera (Stack Overflow Salary Prediction)

Godišnja anketa platforme Stack Overflow nudi bogat, ali neuredan skup podataka. Ovo je savršen projekt za vježbanje kreiranja cjevovoda za obradu podataka (scikit-learn pipelines).

Vaš zadatak je da predvidite platu na osnovu iskustva, tehnologija koje programer koristi i lokacije. Morat ćete se nositi sa stotinama kategorija koje se rijetko pojavljuju i nedostajaćim vrijednostima. Korištenje naprednih algoritama poput Random Forest-a ili XGBoost-a ovdje će vam dati bolju preciznost nego obična linearna regresija.

Detekcija Prevara Sa Kreditnim Karticama (Credit Card Fraud Detection)

Ovo je projekt visokog rizika gdje se suočavate sa ekstremno neuravnoteženim podacima (manje od 1% transakcija su prevare).

Naučit ćete o ansambl metodama (ensemble methods) koje kombinuju više modela radi bolje stabilnosti. Također ćete se baviti tehnikama poput SMOTE-a za vještačko kreiranje primjera manjinske klase. Razumijevanje balansa između preciznosti i odziva je ovdje ključno kako banka ne bi blokirala legitimne transakcije svojih klijenata prečesto.

Analiza Sentimenta Sa Implementacijom (Sentiment Analysis)

Umjesto da samo istrenirate model koji kaže da li je recenzija filma pozitivna ili negativna, cilj ovog projekta je da napravite funkcionalnu web aplikaciju koristeći Streamlit.

Korisnik treba moći unijeti rečenicu u web interfejs, a vaš model, koji je deployovan (postavljen) u pozadini, treba odmah dati odgovor. Ovo vas uči MLOps osnovama — kako model iz razvojnog okruženja prebaciti u produkciju gdje ga drugi mogu koristiti.

Predviđanje Berze (Stock Market Prediction)

Iako je predviđanje cijena dionica izuzetno teško i često nepouzdano, ovaj projekt je odličan za učenje o vremenskim serijama (time series).

Koristit ćete biblioteke poput yfinance za povlačenje podataka u stvarnom vremenu. Glavni izazov ovdje je izbjegavanje "curenja podataka" (data leakage), gdje model slučajno dobije informacije iz budućnosti tokom treninga. Naučit ćete o backtestingu — testiranju strategije na istorijskim podacima.

Upozorenje: Finansijska predviđanja putem AI modela nose ogroman rizik. Nikada nemojte koristiti ovakve modele za stvarno investiranje bez konsultacija sa licenciranim finansijskim stručnjacima. Modeli često ne uzimaju u obzir nepredviđene globalne događaje.

Napredni Projekti I Generativni AI

Danas "ai for ml projects" često podrazumijevaju rad sa velikim jezičkim modelima (Large Language Models - LLM) i generativnom vještačkom inteligencijom (Generative AI). Ovi projekti zahtijevaju razumijevanje arhitektura poput transformera (transformers).

Enterprise RAG Sistem (Retrieval-Augmented Generation)

RAG je tehnika koja omogućava AI modelu da odgovara na pitanja koristeći vaše privatne dokumente bez potrebe za finim podešavanjem modela (fine-tuning).

Zamislite da pravite sistem za pravnu firmu u Sarajevu koji pretražuje hiljade ugovora i odgovara na pitanja advokata. Koristit ćete vektorske baze podataka (vector databases) kao što su Pinecone ili Qdrant i biblioteke poput LangChain ili LlamaIndex. Ovo je trenutno jedna od najtraženijih vještina u industriji.

Ako želite saznati više o praktičnim alatima za izgradnju takvih sistema, pogledajte našu temu o automatizacijama i agentima u odjeljku Workflow Automations & AI agents.

Autonomni AI Agenti (Agentic AI)

Agenti su sistemi koji ne samo da generišu tekst, već mogu izvršavati zadatke, poput slanja e-mailova, pretraživanja interneta ili pisanja koda.

Koristeći LangGraph, možete napraviti agenta koji recenzira kod na GitHubu. Agent analizira promjene u kodu (pull requests), provjerava sigurnosne propuste i piše komentare sa prijedlozima za poboljšanje. Ovo zahtijeva razumijevanje "razmišljanja" modela (chain-of-thought prompting) i upravljanje stanjima u kompleksnim tokovima rada.

Detekcija Tumora Pomoću Objašnjivog AI-a (XAI)

U medicinskoj primjeni nije dovoljno da model kaže "ovo je tumor". Doktori moraju znati zašto je model donio tu odluku.

U ovom projektu koristit ćete duboko učenje (deep learning) i konvolucijske neuronske mreže (CNN) za analizu MRI snimaka. Uz to, implementirat ćete tehnike kao što je Grad-CAM koje vizuelno označavaju dijelove slike koji su najviše uticali na predviđanje. Ovo se naziva objašnjiva vještačka inteligencija (Explainable AI) i ključna je za izgradnju povjerenja u kritičnim industrijama.

Ako vas zanima tematski vodič kroz napredne koncepte, posjetite naš priručnik o Core Machine Learning & Deep Learning.

Šta Sljedeće Za Napredne Korisnike

• Istražite tehnike kvantizacije (quantization) kako biste pokretali velike modele na slabijem hardveru.
• Fokusirajte se na evaluaciju modela koristeći napredne okvire (frameworks) kao što je Ragas za RAG sisteme.
• Razvijajte rješenja koja su skalabilna i sigurna, koristeći Docker i cloud servise.
• Pratite najnovije naučne radove na platformama poput arXiv-a kako biste ostali u toku sa SOTA (state-of-the-art) rezultatima.

Granice I Odgovornost: Šta AI (Ne) Može

Kada radite na "ai for ml projects", lako je pasti u zamku entuzijazma i povjerovati da vještačka inteligencija može riješiti svaki problem. Međutim, kao odgovorni inženjeri i entuzijasti, moramo biti svjesni ograničenja.

Šta AI Alati Mogu Učiniti

AI je nevjerovatan u prepoznavanju kompleksnih obrazaca u ogromnim količinama podataka koje bi ljudskom oku promakli. Može automatizovati dosadne, ponavljajuće zadatke poput kategorizacije hiljada faktura ili sažimanja dugih izvještaja. Također, AI je odličan partner u kreativnom procesu, nudeći alternativne perspektive i generišući početne nacrte koda ili teksta koji stručnjak kasnije može doraditi.

Šta AI Alati Ne Mogu Učiniti

Vještačka inteligencija nema stvarnu svijest niti razumije kontekst na način na koji to čini čovjek. Model može generisati gramatički savršen tekst koji je činjenično potpuno netačan — fenomen poznat kao halucinacija (hallucination). AI ne može zamijeniti ljudsku moralnu i etičku prosudbu. Također, ako su ulazni podaci pristrasni (npr. istorijski podaci o zapošljavanju koji favorizuju određenu grupu), model će tu pristrasnost ne samo naslijediti, već i pojačati.

Etika I Privatnost Podataka

U našem regionu, kao i globalno, zaštita ličnih podataka je zakonska obaveza (GDPR). Kada radite na projektima, nikada ne unosite osjetljive podatke o klijentima, pacijentima ili poslovne tajne u javno dostupne AI modele poput besplatnih verzija ChatGPT-a. Uvijek provjerite politiku privatnosti alata koji koristite. Autorska prava nad generisanim sadržajem su još uvijek siva zona u pravu, pa budite oprezni pri korištenju AI generisanog koda ili umjetnosti u komercijalne svrhe.

Kritična napomena: Za svaku odluku koja direktno utiče na ljudsko zdravlje, finansijsku stabilnost ili pravni status, AI mora biti samo pomoćni alat. Konačnu odluku uvijek mora donijeti i verifikovati kvalifikovani stručnjak iz te oblasti.

Ako želite dublje razumijevanje etičkih okvira i primjera iz prakse, pogledajte naš odjeljak o odgovornom AI u praksi.

Put Do Uspjeha: AI Academy Pristup

Izgradnja vještina u oblasti vještačke inteligencije nije sprint, već maraton. U AI Academy Sarajevo, vidjeli smo stotine pojedinaca kako prolaze ovaj put, i zajednička nit onih koji su uspjeli je konzistentnost.

Razumijevanje Prvo

Ne preskačite osnove. Čak i ako koristite najnaprednije LLM modele, osjećat ćete se izgubljeno ako ne razumijete šta je vektor, kako funkcioniše gradijentni pad (gradient descent) ili zašto je čišćenje podataka 80% posla u svakom projektu. Naša akademija insistira na tome da polaznici razumiju "ispod haube" prije nego što pritisnu "play" na gotovom kodu.

Praktična Primjena I Zajednica

Učenje u izolaciji je teško. AI se razvija toliko brzo da je nemoguće sve pratiti sam. Zato je važno biti dio zajednice. Dijeljenje vaših "ai for ml projects" na lokalnim meetu-pima ili unutar naše zajednice omogućava vam da dobijete feedback koji ne možete dobiti od ekrana. Kada objasnite svoj projekt drugome, tek tada ga zaista razumijete.

Ako želite aktivno doprinositi kao predavač ili voditi radionicu, saznajte više o mogućnostima uključivanja u našu zajednicu kroz stranice poput o nama i kako se uključiti i kontakt formu za prijave na stranici za kontakt.

Ponavljanje I Unapređivanje

Vaš prvi model će vjerovatno biti loš, i to je u redu. Cilj je da svaki sljedeći bude bolji. Učite iz grešaka modela, istražujte zašto je pogriješio u određenim slučajevima i stalno testirajte nove hipoteze. AI inženjering je u velikoj mjeri eksperimentalna nauka.

Kada Potražiti Dodatne Resurse

Ako se osjećate zaglavljeno ili želite ubrzati svoj prelazak u AI karijeru, potražite strukturirane programe. AI Academy nudi besplatne radionice i prostor za umrežavanje u Sarajevu, gdje možete raditi na stvarnim projektima uz podršku mentora iz industrije. Umjesto da sami lutate bespućima interneta, iskoristite resurse koji su vam dostupni lokalno. Redovno objavljujemo događaje i pozive za sudjelovanje — provjerite našu stranicu događaja za najnovije termine.

Zaključak

Rad na "ai for ml projects" je najefikasniji način da postanete relevantni na modernom tržištu rada. Bilo da počinjete sa jednostavnim predviđanjem cijena nekretnina ili razvijate kompleksne AI agente, ključ je u tome da ostanete znatiželjni, ali i kritični prema tehnologiji koju koristite.

Da rezimiramo vaš put:

• Počnite sa razumijevanjem problema i podataka, a ne sa odabirom modela.
• Definišite jasne, mjerljive ciljeve za svaki projekt.
• Uvijek provjerite etičke aspekte i privatnost podataka prije nego što počnete sa treningom.
• Krenite od jednostavnih modela i postepeno dodajte kompleksnost.
• Dijelite svoje znanje i projekte sa zajednicom kako biste dobili povratne informacije.

Vještačka inteligencija nije samo tehnologija budućnosti — ona je alat sadašnjosti koji, ako se koristi odgovorno i pametno, može otvoriti vrata nevjerovatnim inovacijama u našem društvu.

Vaš sljedeći korak nije čitanje još jednog članka. Vaš sljedeći korak je otvaranje terminala, preuzimanje jednog skupa podataka i pokušaj da iz njega izvučete prvu informaciju. AI Academy je tu da vas podrži na tom putu kroz resurse, zajednicu i besplatno obrazovanje. Vidimo se u svijetu vještačke inteligencije!

Česta pitanja

Pitanje: Koliko mi je predznanja iz programiranja potrebno da započnem svoj prvi AI projekt?

Odgovor: Za početne projekte dovoljno je poznavanje osnova Pythona (varijable, petlje, funkcije) i osnovno razumijevanje rada sa podacima u biblioteci Pandas. Ne morate biti ekspert za softversku arhitekturu da biste istrenirali svoj prvi model, ali je važno da se osjećate ugodno pišući kod koji manipuliše podacima.

Pitanje: Da li su javno dostupni skupovi podataka (poput onih na Kaggle-u) dovoljni za izgradnju portfolija koji će privući poslodavce?

Odgovor: Oni su odlična polazna tačka za učenje, ali da biste se istakli, preporučuje se da projekt nadogradite. To možete učiniti tako što ćete prikupiti sopstvene podatke (web scraping), deployovati model kao funkcionalnu aplikaciju ili dodati duboku analizu o tome kako taj model rješava konkretan poslovni problem na lokalnom tržištu.

Pitanje: Kako da znam koji je AI model "najbolji" za moj konkretni problem?

Odgovor: Ne postoji univerzalno najbolji model. Najbolja praksa je početi sa jednostavnim "baseline" modelom (poput linearne regresije ili random forest-a), izmjeriti rezultate, a zatim postepeno isprobavati kompleksnije algoritme. Često se ispostavi da dobro inženjerstvo karakteristika donosi više poboljšanja nego sam prelazak na kompleksniji model.

Pitanje: Da li je sigurno unositi poslovne podatke moje firme u AI alate radi analize?

Odgovor: To zavisi od alata. Korištenje javnih, besplatnih verzija AI modela često podrazumijeva da se vaši podaci koriste za dalji trening modela, što nije sigurno za povjerljive informacije. Za poslovnu upotrebu uvijek koristite enterprise verzije alata sa jasnim ugovorima o privatnosti ili pokrećite modele lokalno na sopstvenoj infrastrukturi.

Ako želite započeti saradnju, prijaviti radionicu ili predavanje, ili saznati kako postati predavač u AI Academy, kontaktirajte nas putem forme za kontakt.