AI Projects For Undergraduates: Izgradnja AI Portfolija

Table of Contents

1. Ključne stavke
2. Uvod
3. Zašto su praktični projekti važniji od sertifikata
4. Temeljni projekti za početnike
5. Srednji nivo projekata: Kompjuterski vid i automatizacija
6. Napredni projekti: Generativni AI i agenti
7. Okvir za donošenje odluka: Kako odabrati pravi projekat
8. Šta AI alati mogu, a šta ne mogu učiniti
9. Ograničenja, etika i sigurnost podataka
10. Kada potražiti stručnjaka ili dodatne resurse
11. Put ka zaposlenju: Kako predstaviti projekte poslodavcima
12. AI Academy kao vaša polazna tačka
13. Sažetak ključnih misli
14. Česta pitanja

Ključne stavke

• Praktični AI projekti su ključni za prelazak sa teorijskog znanja na stvarnu primjenu, omogućavajući studentima da demonstriraju konkretne vještine poslodavcima kroz mjerljive rezultate.
• Uspješan portfolio zahtijeva balans između jednostavnih modela mašinskog učenja i naprednih rješenja poput generativne vještačke inteligencije, uz strogo poštovanje etičkih principa i privatnosti podataka.
• Lokalno tržište u Bosni i Hercegovini i regionu sve više cijeni kandidate koji razumiju cjelokupan životni ciklus AI projekta, od pripreme podataka do implementacije u stvarnom okruženju.

Uvod

Zamislimo studenta treće godine informacionih tehnologija u Sarajevu koji je upravo položio ispit iz algoritama i struktura podataka sa desetkom. Iako poznaje teoriju iza neuronskih mreža, on se suočava sa zidom kada otvori oglase za posao: većina kompanija traži „iskustvo u radu sa stvarnim podacima“ ili „dokazan portfolio u oblasti mašinskog učenja“. Ovo je klasičan problem jaza između akademskog obrazovanja i industrijskih potreba na našem tržištu. Teorija je temelj, ali u svijetu vještačke inteligencije, kod koji radi i model koji donosi precizna predviđanja su jedina prava valuta.

U AI Academy vjerujemo da vještačka inteligencija ne smije biti rezervisana samo za istraživačke laboratorije velikih svjetskih sila. Naša misija je osnažiti vas, studente i entuzijaste, da preuzmete inicijativu i počnete graditi rješenja koja rješavaju stvarne probleme — bilo da je riječ o optimizaciji prodaje u lokalnoj trgovini ili analizi sentimenta na domaćim portalima. AI nije magični štapić, već alat koji zahtijeva disciplinu, etičku odgovornost i kontinuirano vježbanje.

Ovaj tekst je osmišljen kao putokaz za sve koji žele izgraditi karijeru u ovoj dinamičnoj oblasti. Fokusiraćemo se na to kako odabrati prave projekte, koje tehnologije koristiti i kako svaku fazu rada dokumentovati tako da vaš GitHub profil postane vaš najbolji CV. Kroz proces razumijevanja, definisanja ciljeva i praktične primjene, naučićete kako da postanete graditelji, a ne samo posmatrači tehnološke revolucije.

Zašto su praktični projekti važniji od sertifikata

Kada regruter u tech kompaniji pregleda vaš profil, sertifikat o završenom kursu mu govori da ste imali strpljenja da odgledate video materijale. Međutim, AI projekat na GitHub-u mu pokazuje kako razmišljate kada podaci nisu savršeni, kako rješavate greške u kodu (debugging) i na koji način interpretirate rezultate modela. U 2026. godini, potražnja za AI stručnjacima raste, ali raste i konkurencija. Razlikovaćete se po tome što imate rješenje koje se može pokrenuti i testirati.

Projekti vam omogućavaju da osjetite „prljavu“ stranu podataka. U udžbenicima su podaci obično očišćeni i spremni za model. U stvarnosti, provešćete osamdeset posto vremena na čišćenju podataka (data cleaning) i inženjerstvu karakteristika (feature engineering). Upravo ta borba sa nedostajućim vrijednostima i nepravilnim formatima gradi vašu inženjersku intuiciju koju nijedno predavanje ne može zamijeniti.

Razvijanje inženjerskog načina razmišljanja

Rad na sopstvenim projektima primorava vas da definišete problem prije nego što napišete prvu liniju koda. Često vidimo početnike kako skaču na najkomplikovanije modele dubokog učenja (deep learning) bez razumijevanja samog problema. Kroz praktičan rad, naučićete da je jednostavna linearna regresija ponekad bolja i interpretabilnija od kompleksne neuronske mreže.

Izgradnja vidljivosti u zajednici

Dijeljenje koda, pisanje dokumentacije i objašnjavanje vaših odluka u README datoteci na GitHubu gradi vaš autoritet. Kada vaš projekat pomogne drugom studentu da razumije koncept, vi ne samo da učite, već i doprinosite zajednici. To je duh koji mi u AI Academy podstičemo: znanje se množi dijeljenjem. Ako želite testirati svoje ideje u praksi i umrežiti se, pogledajte našu stranicu sa aktuelnim događajima i radionicama kako biste pronašli naredni meetup ili hands-on radionicu.

Ključna lekcija svakog AI inženjera: Bolje je imati jedan završen, dokumentovan i funkcionalan projekat koji rješava stvaran problem, nego deset započetih projekata koji koriste generičke tutorijale bez ikakve modifikacije.

Temeljni projekti za početnike

Ako tek ulazite u svijet vještačke inteligencije, vaš cilj je savladati osnove mašinskog učenja (machine learning). Ovi projekti se fokusiraju na klasične algoritme i rad sa tabelarnim podacima. Oni su idealni za razumijevanje procesa evaluacije modela, kao što su preciznost (accuracy), odziv (recall) i F1 mjera.

Klasifikator neželjene e-pošte (Email Spam Classifier)

Ovo je savršen prvi korak u obradi prirodnog jezika (natural language processing - NLP). Cilj je napraviti model koji može razlikovati legitimne poruke od onih nepoželjnih. Koristeći biblioteke kao što je scikit-learn i algoritme poput Naive Bayes-a, naučićete kako pretvoriti tekst u brojeve koje računar razumije pomoću tehnika kao što je TF-IDF (term frequency-inverse document frequency).

Predviđanje cijena nekretnina

Regresija je jedan od najčešće korištenih alata u poslovanju. Projekat predviđanja cijena stanova na osnovu kvadrature, lokacije i broja soba uči vas kako tretirati kategoričke i numeričke podatke. Ovdje možete koristiti podatke sa lokalnih oglasnika (uz poštovanje uslova korištenja) kako biste modelu dali lokalni kontekst, što je uvijek impresivno za domaće poslodavce.

Analiza sentimenta na društvenim mrežama

Razumijevanje emocija iza teksta je ključno za marketing i korisničku podršku. Izgradnjom alata koji analizira da li je recenzija za neki proizvod pozitivna ili negativna, ulazite u srž analitike podataka. Možete koristiti NLTK ili TextBlob biblioteke za početak, a zatim preći na naprednije modele.

Srednji nivo projekata: Kompjuterski vid i automatizacija

Nakon što savladate rad sa tabelama i jednostavnim tekstom, vrijeme je za složenije podatke poput slika. Ovdje ulazimo u domen dubokog učenja (deep learning) i neuronskih mreža. Ovi projekti zahtijevaju više procesorske snage, ali donose vizuelno impresivne rezultate koji su odlični za prezentaciju.

Prepoznavanje objekata u realnom vremenu (Object Detection)

Korištenjem modela kao što je YOLO (You Only Look Once), možete napraviti aplikaciju koja preko web kamere prepoznaje predmete u vašoj sobi. Ovaj projekat vas uči kako raditi sa video strimovima i OpenCV bibliotekom. Razumijevanje okvira za detekciju (bounding boxes) i nivoa pouzdanosti modela (confidence scores) je ključna vještina za industriju autonomnih vozila i nadzornih sistema.

AI čitač rezimea (Resume Parser)

Ovo je praktičan alat koji može pomoći HR odjelima u filtriranju stotina prijava za posao. Koristeći biblioteke kao što je spaCy, možete izdvojiti ključne vještine, nivo obrazovanja i radno iskustvo iz PDF dokumenata. Ovaj projekat pokazuje vašu sposobnost da kreirate alat koji direktno štedi vrijeme i novac nekoj organizaciji.

Detekcija bolesti usjeva u poljoprivredi

S obzirom na značaj poljoprivrede u našem regionu, projekat koji klasifikuje slike listova biljaka kao „zdrave“ ili „bolesne“ ima veliku društvenu vrijednost. Korištenjem konvolucijskih neuronskih mreža (CNN), možete trenirati model koji prepoznaje specifične parazite ili nedostatke minerala. Ovo je odličan primjer AI rješenja koje ima direktnu primjenu u stvarnom svijetu.

Upozorenje o podacima: Prilikom prikupljanja slika za svoje projekte, uvijek provjerite licencu izvora podataka. Korištenje tuđih privatnih fotografija bez dozvole nije samo neetički, već može imati i pravne posljedice.

Napredni projekti: Generativni AI i agenti

Danas se vještačka inteligencija kreće ka autonomnim sistemima koji ne samo da klasifikuju, već i stvaraju sadržaj i donose odluke. Ovo je najmoderniji segment AI-a koji uključuje velike jezičke modele (large language models - LLM).

Sistem za odgovaranje na pitanja zasnovan na dokumentima (RAG)

Retrieval-Augmented Generation (prošireno generisanje pretraživanjem - RAG) je trenutno jedna od najtraženijih tehnika u industriji. Umjesto da LLM odgovara iz svoje „opšte“ memorije, vi ga povezujete sa specifičnom bazom podataka (npr. internim pravilnicima firme ili bazom znanja sa fakulteta). Korištenjem LangChain okvira i vektorskih baza podataka (vector databases), kreiraćete sistem koji daje tačne odgovore zasnovane isključivo na vašim izvorima, čime se drastično smanjuju halucinacije modela. Ako želite uvježbati ove tehnike, preporučujemo sekciju naše kategorije Prompt Inžinjering gdje možete pronaći praktične primjere i savjete.

Multi-agentski sistemi za automatizaciju radnih tokova

Budućnost rada su AI agenti koji sarađuju. Možete izgraditi sistem koristeći CrewAI ili AutoGPT gdje jedan agent pretražuje internet za vijestima o tehnologiji, drugi piše sažetak, a treći kreira objavu za društvene mreže. Ovaj projekat demonstrira vaše razumijevanje orkestracije AI modela i kompleksne logike donošenja odluka. Više o ovim pristupima možete pročitati u našoj temi o Workflow automatizaciji i AI agentima.

Fino podešavanje modela (Fine-tuning)

Iako su modeli poput Llama ili GPT-4 moćni, ponekad im je potrebna dodatna obuka na specifičnom domenu (npr. pravni termini na bosanskom jeziku). Učenje procesa finog podešavanja modela (fine-tuning) koristeći tehnike kao što je QLoRA pokazuje da razumijete kako optimizovati težine modela bez potrebe za ogromnim hardverskim resursima.

Okvir za donošenje odluka: Kako odabrati pravi projekat

Nije svaki projekat dobar za svakoga. Vaš izbor bi trebao zavisiti od vašeg trenutnog znanja, slobodnog vremena i ciljeva u karijeri. U AI Academy preporučujemo sljedeći pristup od pet koraka kako biste osigurali da vaš trud rezultira kvalitetnim radom.

Razumijevanje osnova prije implementacije

Prije nego što preuzmete gotov kod sa interneta, zapitajte se: „Da li razumijem matematiku iza ovog algoritma?“. Ako gradite klasifikator, morate znati šta je funkcija gubitka (loss function) i kako model uči iz grešaka. Bez ovog razumijevanja, bićete samo korisnik alata, a ne inženjer koji može otkloniti kvar kada sistem prestane raditi. Za strukturirane vodiče o mašinskom učenju pogledajte našu temu Machine Learning & Deep Learning.

Definisanje jasnog i mjerljivog cilja

Cilj projekta ne smije biti „nešto sa AI“. Umjesto toga, definišite cilj kao: „Izgraditi model koji predviđa kašnjenje javnog prevoza u Sarajevu sa greškom manjom od dva minuta“. Jasni ciljevi vam pomažu da ostanete fokusirani i omogućavaju vam da na kraju projekta kažete da li ste uspjeli ili ne.

Provjera etike i odgovornosti

Vještačka inteligencija može nenamjerno pojačati ljudske pristrasnosti. Ako pravite model za odobravanje kredita, provjerite da li on diskriminiše određene grupe ljudi na osnovu lokacije ili pola. Privatnost podataka je nepregovorljiva — nikada nemojte unositi lične podatke svojih kolega ili osjetljive poslovne informacije u javne AI modele.

Praktična primjena i iteracija

Počnite sa najjednostavnijom mogućom verzijom (Minimum Viable Product - MVP). Prvo napravite model koji radi, a zatim ga postepeno komplikujte dodavanjem novih funkcionalnosti. AI razvoj je iterativan proces; vaša prva verzija će vjerovatno imati slabu preciznost, i to je u redu. Analizirajte greške i poboljšajte model u sljedećem krugu.

Dijeljenje i povratne informacije

Pokažite svoj rad kolegama, mentorima u AI Academy ili zajednici na LinkedInu. Povratne informacije od ljudi koji su iskusniji od vas su najbrži način da napredujete. Često će vam neko ukazati na problem u vašim podacima koji niste primijetili ili vam predložiti bolji algoritam. Ako želite dobiti direktnu podršku i podijeliti svoje rezultate sa stručnjacima, saznajte kako da postanete predavač i podijelite svoje znanje — često tražimo nove govornike i mentore.

Šta AI alati mogu, a šta ne mogu učiniti

Kao budući stručnjaci, morate biti svjesni granica tehnologije kojom se bavite. Prevelika očekivanja često vode do razočaranja i neuspjeha projekata u poslovnom okruženju.

Vještačka inteligencija je izvrsna u:

• Prepoznavanju složenih obrazaca u ogromnim količinama podataka.
• Automatizaciji ponavljajućih i dosadnih zadataka koji zamaraju ljude.
• Generisanju ideja i nacrta sadržaja koji služe kao početna tačka za kreativni rad.
• Analizi podataka u realnom vremenu brzinom koju ljudski mozak ne može pratiti.

Međutim, AI sistemi imaju značajna ograničenja:

• Ne posjeduju stvarnu ljudsku intuiciju niti razumiju širi društveni kontekst.
• Mogu generisati potpuno netačne informacije (halucinacije) sa velikim stepenom samouvjerenosti.
• Zavise isključivo od kvaliteta podataka na kojima su obučeni; ako su podaci pristrasni, i model će biti pristrasan.
• Ne mogu preuzeti moralnu i pravnu odgovornost za kritične odluke u zdravstvu ili pravosuđu.

Ograničenja, etika i sigurnost podataka

Kada radite na projektima, vaša je obaveza da zaštitite integritet korisnika. To nije samo etičko pitanje, već i pitanje profesionalne reputacije. Halucinacije modela su stvaran tehnički problem — uvijek naglasite u svojoj dokumentaciji da izlazi modela moraju biti verifikovani od strane čovjeka, posebno u osjetljivim aplikacijama.

Pristrasnost (bias) u podacima je često nevidljiva. Na primjer, ako obučavate model za prepoznavanje govora samo na engleskom jeziku, on će loše raditi za ljude sa našeg podneblja. Kao istraživači, trudite se da vaši setovi podataka budu raznovrsni.

Sigurnost je kritična. Javni alati poput ChatGPT-a ili besplatnih online prevodilaca često zadržavaju vaše unose kako bi dodatno obučavali svoje modele. Nikada nemojte dijeliti lozinke, API ključeve ili povjerljive dokumente kroz ove platforme bez prethodne provjere politike privatnosti.

Ako vam treba direktna pomoć ili imate konkretno pitanje o projektu, slobodno nas kontaktirajte putem naše kontakt stranice i naši mentori će vas uputiti na sljedeće korake.

Kada potražiti stručnjaka ili dodatne resurse

AI je timski sport. Iako možete mnogo toga naučiti sami, postoje situacije kada je pomoć mentora neophodna. Ako razvijate aplikaciju koja ima direktan uticaj na nečije zdravlje, finansije ili pravni status, obavezno se konsultujte sa kvalifikovanim stručnjacima iz tih oblasti. AI model može biti samo podrška u odlučivanju, nikada jedini donosilac odluka.

Za dublji razvoj vještina, preporučujemo povezivanje sa lokalnom zajednicom. U AI Academy organizujemo besplatne radionice i predavanja stručnjaka iz industrije koji vam mogu pomoći da prebrodite specifične tehničke prepreke. Biti dio zajednice znači imati pristup resursima koji ubrzavaju vaše učenje i otvaraju vrata za prve poslovne prilike. Pogledajte našu bazu znanja i Wiki teme za vodiče i tutorijale koji pokrivaju korake od osnova do naprednih tehnika.

Šta uraditi nakon čitanja ovog članka

• Odaberite jednu temu (npr. klasifikacija slika ili NLP) koja vas najviše inspiriše.
• Pronađite relevantan set podataka na platformama kao što je Kaggle ili kreirajte sopstveni manji set.
• Zakažite barem jedan sat dnevno za rad na kodu; dosljednost je važnija od intenziteta.
• Dokumentujte svaki korak i grešku — to je ono što poslodavci žele vidjeti.

Zapamtite: AI tehnologija se mijenja svake sedmice, ali principi rješavanja problema i kritičko razmišljanje ostaju vječni. Vaša sposobnost prilagođavanja je vaša najveća snaga.

Put ka zaposlenju: Kako predstaviti projekte poslodavcima

Jednom kada imate gotove projekte, morate ih znati „prodati“. Vaš GitHub profil ne bi trebao biti samo gomila .py datoteka. Svaki projekat mora imati jasan README.md koji sadrži opis problema, tehnologije koje ste koristili, uputstvo za pokretanje i, što je najvažnije, vizuelne rezultate (grafikone, screenshotove ili demo video).

Na intervjuu za posao, nemojte samo reći: „Napravio sam model“. Recite: „Prepoznao sam problem niske preciznosti u prepoznavanju lica pri slabom osvjetljenju, pa sam primijenio specifičnu tehniku augmentacije slika što je podiglo preciznost za 15%“. Takav pristup pokazuje da razumijete proces poboljšanja, a ne samo osnovno korištenje biblioteka.

Povezivanje sa lokalnim kompanijama

U Bosni i Hercegovini postoji mnogo IT firmi koje polako formiraju svoje AI timove. Pratite njihove aktivnosti, javite im se sa svojim portfoliom i pokažite proaktivnost. Mnogi poslodavci će cijeniti studenta koji je samoinicijativno riješio neki lokalni problem koristeći AI, čak i ako rješenje nije savršeno.

AI Academy kao vaša polazna tačka

U AI Academy razumijemo da je put od početnika do profesionalca izazovan. Zato smo kreirali okruženje u Sarajevu koje je otvoreno za sve, bez obzira na predznanje. Naše besplatne radionice su fokusirane na praktične vještine — od prompt engineering-a do razvoja kompleksnih AI agenata. Ako želite saznati više o temama i vodičima koje nudimo, posjetite AI Hub znanja gdje su grupisane sve relevantne kategorije.

Mi ne prodajemo obećanja o lakom uspjehu; mi nudimo prostor, resurse i zajednicu koja će vas podržati dok radite na sebi. Bilo da želite unaprijediti svoju produktivnost kao marketinški stručnjak ili razviti napredne modele kao softverski inženjer, ovdje ćete pronaći ljude sličnih interesovanja.

Naša vizija zajednice

Vjerujemo da Sarajevo može i treba postati regionalni centar za razvoj vještačke inteligencije. To ćemo postići samo ako svako od vas doprinese svojim znanjem i projektima. Vaš „ai project for undergraduates“ danas može postati uspješan startup ili revolucionarno rješenje sutra.

Kako se uključiti

• Posjetite naš centar i pridružite se nekoj od besplatnih obuka.
• Podijelite svoje AI projekte sa nama i dobijte povratne informacije od stručnjaka.
• Učestvujte na hakatona i takmičenjima koje organizujemo sa partnerima.
• Budite aktivni u razmjeni znanja — vaša perspektiva je vrijedna.

U svijetu koji se brzo mijenja, jedina sigurna investicija je ona u vlastite vještine. Vještačka inteligencija vam daje supermoć da transformišete podatke u znanje, a probleme u rješenja. Počnite već danas, jedan po jedan projekat.

Sažetak ključnih misli

• Praktični rad je jedini način da se istinski razumiju mogućnosti i ograničenja AI tehnologija.
• Dobro dokumentovan GitHub profil sa fokusom na rješavanje problema vrijedi više od bilo kojeg papirnog sertifikata.
• Uvijek krećite od jednostavnog razumijevanja algoritama prije nego što pređete na kompleksne generativne sisteme.
• Etička odgovornost i zaštita privatnosti moraju biti ugrađeni u svaki projekat od prve linije koda.

Put do AI stručnjaka nije sprint, već maraton učenja, eksperimentisanja i dijeljenja. Budite strpljivi prema sebi, ali dosljedni u radu. Svaka greška u kodu je lekcija koja vas približava cilju.

Česta pitanja

Pitanje: Da li mi je potreban skup hardver da bih radio na AI projektima za studente?

Odgovor: Ne nužno. Mnogi početni i srednji projekti mogu se pokrenuti na standardnim laptopima. Za zahtjevnije zadatke dubokog učenja možete koristiti besplatne servise poput Google Colab-a ili Kaggle Kernels-a koji nude besplatan pristup moćnim grafičkim procesorima (GPU).

Pitanje: Koji programski jezik je najbolje učiti za vještačku inteligenciju?

Odgovor: Python je apsolutni standard u AI industriji zbog svoje jednostavnosti i ogromnog broja biblioteka kao što su TensorFlow, PyTorch i scikit-learn. Učenje Pythona će vam otvoriti vrata ka najvećem broju resursa i zajednica širom svijeta.

Pitanje: Odakle da nabavim podatke za svoje projekte ako ne želim koristiti generičke setove?

Odgovor: Možete koristiti tehniku "web scraping" za prikupljanje podataka sa javnih portala (uz poštovanje zakona), koristiti otvorene podatke koje objavljuju vladine institucije ili kreirati sopstvene setove kroz ankete i mjerenja. Ključno je osigurati da imate pravo na korištenje tih podataka.

Pitanje: Koliko predznanja matematike mi je zaista potrebno?

Odgovor: Za početak vam je potrebno osnovno poznavanje linearne algebre, statistike i vjerovatnoće. Ne morate biti matematičar da biste koristili AI alate, ali dublje razumijevanje matematike će vam pomoći da bolje optimizujete modele i razumijete zašto se ponašaju na određeni način u specifičnim situacijama.