AI Projects To Add In Resume
Table of Contents
- Ključne stavke
- Uvod
- Zašto vaš portfolij treba transformaciju u 2025. godini
- Projekat 1: Multimodalni RAG sistem za inteligentnu obradu dokumenata
- Projekat 2: Detekcija prevara u stvarnom vremenu uz MLOps principe
- Projekat 3: Kompjuterski vid za industrijsku kontrolu kvaliteta
- Projekat 4: Predviđanje vremenskih serija sa kvantifikacijom nesigurnosti
- Projekat 5: Personalizacijski engine sa kontinuiranim učenjem
- AI projekti za netehničke uloge: Marketing, finansije i menadžment
- Odgovornost i etika: Granice vještačke inteligencije
- Kada potražiti stručnjaka ili dodatne resurse
- Kako prezentirati projekte na intervjuu za posao
- Zaključak
- Česta pitanja
Ključne stavke
- Projekti koji rješavaju stvarne poslovne probleme, poput multimodalnih RAG sistema ili detekcije prevara u stvarnom vremenu, imaju znatno veću težinu na tržištu rada od generičkih primjera iz tutorijala.
- Uspješan AI portfolij u 2025. godini mora demonstrirati ne samo poznavanje algoritama, već i sposobnost implementacije end-to-end rješenja, uključujući MLOps principe i razumijevanje troškova inferencije.
- Integracija etičkih principa, provjera pristrasnosti modela i zaštita privatnosti podataka postali su nezaobilazni standardi koje poslodavci traže od AI stručnjaka svih nivoa.
Uvod
Zamislite da sjedite u jednom od sarajevskih coworking prostora ili u kancelariji tehnološke kompanije na Marijin Dvoru, gledajući u svoj CV koji je pun certifikata, ali mu nedostaje ono što regruteri nazivaju „dokazom borbe“. Česta je situacija na našem tržištu da kandidati posjeduju teorijsko znanje o neuronskim mrežama (neural networks) ili obradi prirodnog jezika (natural language processing), ali kada ih se pita kako bi to znanje primijenili na optimizaciju logistike lokalne dostavne službe ili analizu sentimenta kupaca na bh. e-commerce platformama, nastaje tišina. U AI Academy, vođeni vizijom 10x.ai, svakodnevno svjedočimo ovoj razlici između poznavanja definicije i sposobnosti kreiranja vrijednosti. Saznajte više o misiji i aktivnostima naše organizacije. (aiacademy.ba)
Vještačka inteligencija (AI) više nije rezervisana samo za istraživačke laboratorije u Silicijskoj dolini. Ona je postala vještina koja se očekuje od modernih profesionalaca u Sarajevu, Banja Luci, Mostaru i šire. Međutim, uključivanje zastarjelih projekata poput predviđanja preživjelih na Titaniku ili klasifikacije cvjetova irisa u vaš portfolij danas može imati kontraefekat. Regruteri traže dokaz da razumijete kompleksnost modernih AI cjevovoda (pipelines), da znate raditi s multimodalnim podacima i da ste svjesni poslovnih implikacija modela koje gradite.
Ovaj članak je namijenjen svima koji žele premostiti jaz između učenja i profesionalnog angažmana — bilo da ste student koji traži prvu praksu, iskusan programer koji se želi prebaciti u AI vode ili menadžer koji želi razumjeti šta je zapravo izvodivo. Proći ćemo kroz pet ključnih arhitektura projekata koje će vas izdvojiti, objasniti kako ih graditi odgovorno i kako ih predstaviti tako da vaša prijava ne završi u korpi za smeće. Naš pristup u AI Academy je uvijek isti: prvo razumijemo suštinu, zatim definišemo cilj, provjeravamo odgovornost, primjenjujemo naučeno u praksi i na kraju dijelimo znanje sa zajednicom. Ako želite praktičnu podršku dok gradite svoj portfolij, prijavite se za jedan od naših događaja i radionica. (aiacademy.ba)
Zašto vaš portfolij treba transformaciju u 2025. godini
Prije nego što pređemo na konkretne projekte, moramo razumjeti realnost trenutnog tržišta rada. AI pismenost postaje osnovna vještina u svim industrijama. Marketing stručnjaci koriste generativni AI (generative AI) za automatizaciju kampanja, finansijski analitičari za predviđanje rizika, a pravnici za brzo pretraživanje hiljada stranica sudske prakse. U takvom okruženju, puko posjedovanje certifikata o završenom kursu ne govori mnogo o vašoj sposobnosti da riješite problem.
Projekti su most između učenja i karijere. Oni pokazuju da ste sposobni preuzeti ideju od koncepta do realizacije, savladati nepredviđene tehničke prepreke i kritički razmišljati o rezultatima. Kvalitetan projekt demonstrira tri ključna faktora. Prvi je poslovna relevantnost, što znači da projekt rješava problem koji je prepoznatljiv kompanijama. Drugi je tehnička sofisticiranost kroz korištenje modernih alata i metodologija. Treći je end-to-end implementacija, gdje pokazujete da vaš model ne živi samo u Jupyter Notebook-u, već je spreman za integraciju u stvarni sistem.
Kada gradite portfolij, fokusirajte se na dubinu umjesto na širinu. Bolje je imati dva vrhunski dokumentovana projekta koji rade u stvarnom vremenu nego deset površnih primjera kopiranih sa interneta. U narednim sekcijama istražit ćemo projekte koji ciljaju upravo te visoke standarde, prilagođene različitim domenama vještačke inteligencije.
Projekat 1: Multimodalni RAG sistem za inteligentnu obradu dokumenata
Eksplozija velikih jezičkih modela (large language models - LLM) donijela je potrebu za sistemima koji mogu precizno odgovarati na pitanja na osnovu internih podataka kompanije. RAG (Retrieval-Augmented Generation / pronalaženjem potkrijepljeno generisanje) postao je standardna tehnika za smanjenje halucinacija modela i osiguravanje tačnosti. Međutim, većina osnovnih sistema radi samo sa čistim tekstom. Pravi izazov, i ono što će oduševiti poslodavce, jeste multimodalni sistem koji može procesuirati PDF-ove, slike, tabele i grafikone.
Razumijevanje arhitekture sistema
Prvi korak je razumijevanje kako podaci putuju kroz sistem. Umjesto da samo proslijedite dokument modelu, vi ga prvo razbijate na manje dijelove (chunks). U multimodalnom pristupu, koristite alate za optičko prepoznavanje znakova (OCR - optical character recognition) kako biste izvukli tekst iz slika ili skeniranih dokumenata. Zatim te dijelove pretvarate u vektorske zapise (embeddings) koristeći modele poput OpenAI embeddinga ili otvorenih rješenja sa platforme Hugging Face. Ti vektori se pohranjuju u vektorsku bazu podataka (vector database) kao što su Pinecone, Chroma ili Weaviate.
Implementacija i tehnički alati
Kada pređete na izgradnju, Python će biti vaš primarni alat, zajedno sa bibliotekama poput LangChain-a ili LlamaIndex-a koje olakšavaju orkestraciju. Za obradu dokumenata možete koristiti PyPDF2 ili Unstructured biblioteku koja je izvrsna za kompleksne formate. Vaša uloga je da kreirate cjevovod koji, kada korisnik postavi pitanje, pretražuje bazu podataka, pronalazi najrelevantnije vizuelne i tekstualne informacije te ih šalje LLM-u (npr. GPT-4 ili Claude) da formuliše konačan odgovor. Ako želite dublje naučiti o prompt inženjeringu i kako formulirati upite za LLM, pogledajte naš vodič o prompt inženjeringu. (aiacademy.ba)
Poslovni uticaj i prezentacija
U svom CV-u istaknite kako ovaj sistem može smanjiti vrijeme potrebno za analizu pravnih ugovora ili tehničke dokumentacije za značajan procenat. Naglasite da ste dizajnirali sistem koji ne samo da citira izvore, već razumije i tabele unutar slika, što je ključno za industrije poput osiguranja ili inženjeringa. Dodavanje cost-benefit analize, odnosno objašnjenja koliko košta svaki upit i kako ste optimizovali troškove tokena, pokazat će vašu zrelost kao inženjera.
Važno upozorenje: RAG sistemi su podložni curenju privatnih informacija ako se ne postave pravilno. Uvijek naglasite da ste implementirali mehanizme za filtriranje osjetljivih podataka prije nego što se oni pošalju javnim API servisima.
Projekat 2: Detekcija prevara u stvarnom vremenu uz MLOps principe
Finansijski sektor je jedan od najvećih korisnika vještačke inteligencije, a detekcija prevara (fraud detection) je kritična funkcija. Ovaj projekt se razlikuje od ostalih jer zahtijeva rad sa podacima koji se stalno mijenjaju i zahtijeva izuzetno nisku latenciju (brzinu odziva). On pokazuje regruterima da razumijete ne samo matematiku iza modela, već i inženjerske izazove održavanja sistema u produkciji.
Inženjering karakteristika u stvarnom vremenu
Osnova ovog projekta je feature engineering (inženjering karakteristika). Kod detekcije prevara nije dovoljno znati iznos transakcije; važno je znati koliko je transakcija korisnik napravio u posljednjih sat vremena ili da li je trenutna lokacija neuobičajena. Za ovo ćete morati koristiti klizne prozore (sliding windows) i baze podataka u memoriji poput Redis-a kako biste te podatke dohvatili u milisekundama. Demonstracija ove logike u kodu pokazuje da razmišljate izvan statičnih CSV datoteka.
Izgradnja MLOps cjevovoda
Ovdje na scenu stupa MLOps (machine learning operations). Umjesto da jednom istrenirate model, kreirajte sistem koji prati performanse u produkciji. Koristite MLflow za praćenje eksperimenata i Evidently AI za detekciju pomaka u podacima (data drift). Ako se obrasci prevara promijene (što se u stvarnosti dešava stalno), vaš sistem bi trebao upozoriti inženjera ili čak pokrenuti proces ponovnog treniranja.
Povezivanje sa stvarnim radom
U opisu projekta navedite specifične metrike poput preciznosti (precision) i odziva (recall). U detekciji prevara, previše lažnih uzbuna (false positives) frustrira korisnike, dok propuštene prevare koštaju novac. Objasnite kako ste balansirali ove dvije metrike koristeći prilagođene funkcije gubitka (loss functions). Ovaj projekt je idealan za one koji ciljaju na pozicije u fintech kompanijama, bankama ili velikim retail lancima u regionu.
Projekat 3: Kompjuterski vid za industrijsku kontrolu kvaliteta
Proizvodni sektor u BiH i regiji ima ogroman potencijal za primjenu kompjuterskog vida (computer vision). Projekt koji se fokusira na automatsku detekciju defekata na proizvodnoj traci pokazuje vašu sposobnost da AI primijenite u fizičkom svijetu. Ovo nije samo klasifikacija slika mačaka i pasa; ovo je rješavanje problema koji direktno utiče na profitabilnost fabrike.
Odabir modela i obrada podataka
Za ovaj projekt idealno je koristiti YOLO (You Only Look Once) arhitekturu, tačnije verziju YOLOv8, koja je poznata po svojoj brzini i preciznosti u detekciji objekata u stvarnom vremenu. Prvi izazov bit će prikupljanje i označavanje podataka. Možete koristiti javne setove podataka za industrijske defekte, ali prava vrijednost leži u tome kako ste riješili problem neuravnoteženosti klasa (imbalanced classes) — situaciju u kojoj imate hiljade slika ispravnih proizvoda, a samo nekoliko desetina slika sa defektima.
Implementacija na rubnim uređajima
Industrijski sistemi često moraju raditi bez pristupa internetu ili na hardveru sa ograničenim resursima (edge computing). Objasnite kako ste optimizovali svoj model koristeći TensorRT ili ONNX formate kako bi mogao raditi na uređajima poput Raspberry Pi ili NVIDIA Jetson. To pokazuje da razumijete hardverska ograničenja i da ne pretpostavljate da ćete uvijek imati neograničene cloud resurse na raspolaganju.
Vizualizacija i objašnjivost
Jedan od ključnih aspekata u industriji je povjerenje. Ako AI kaže da je proizvod defektan, operater želi znati zašto. Implementirajte tehnike poput Grad-CAM-a koje vizuelno ističu dijelove slike na osnovu kojih je model donio odluku. Takva transparentnost je ono što razlikuje amaterski projekt od profesionalnog rješenja spremnog za implementaciju u stvarnoj fabrici.
Šta uraditi nakon ove faze
- Objavite kod na GitHub-u sa detaljnim README fajlom koji objašnjava poslovni problem.
- Snimite kratki video demo (do 60 sekundi) koji pokazuje model u akciji.
- Napišite kratak blog post na LinkedIn-u o tome šta ste naučili tokom rješavanja specifičnog tehničkog izazova.
Projekat 4: Predviđanje vremenskih serija sa kvantifikacijom nesigurnosti
Svaki biznis želi znati šta će se desiti sutra, bilo da se radi o prodaji, potrošnji električne energije ili broju posjeta web stranici. Međutim, većina AI modela daje samo jedan broj (point prediction), što može biti opasno za planiranje. Projekt koji uključuje predviđanje vremenskih serija (time series forecasting) sa jasnim intervalima povjerenja (confidence intervals) demonstrira napredno statističko razumijevanje.
Metodologija i sezonalnost
U ovom projektu trebate pokazati kako rukujete kompleksnim faktorima poput sezonalnosti, praznika i eksternih uticaja (npr. vremenske prilike). Možete koristiti modele poput Prophet-a, NeuralProphet-a ili čak modernih transformera prilagođenih za vremenske serije. Ključno je pokazati kako ste validirali model koristeći tehniku "vremenskog hoda" (time series cross-validation), umjesto običnog nasumičnog dijeljenja podataka koji bi u ovom slučaju rezultirao curenjem informacija iz budućnosti u prošlost.
Kvantifikacija nesigurnosti
Ono što će vas izdvojiti je korištenje tehnika poput kvantilne regresije (quantile regression) ili konformalnog predviđanja (conformal prediction). Umjesto da kažete "prodaćemo 100 jedinica", vaš model treba reći "sa 90% sigurnosti možemo očekivati prodaju između 85 i 115 jedinica". Ovo omogućava menadžerima da donose odluke zasnovane na riziku, što je neprocjenjivo u logistici i finansijskom planiranju.
Praktična primjena u lokalnom kontekstu
Možete analizirati javno dostupne podatke o potrošnji energije u BiH ili prodajne trendove na globalnim datasetovima, ali ih interpretirajte kroz prizmu lokalnog poslovanja. Na primjer, kako predviđanje potražnje može pomoći malom trgovačkom lancu da smanji otpad hrane. Takvo povezivanje tehnologije sa društvenom i ekonomskom odgovornošću je srž misije AI Academy.
Projekat 5: Personalizacijski engine sa kontinuiranim učenjem
Svi smo navikli na preporuke na Netflix-u ili Amazon-u, ali kako zapravo ti sistemi rade kada se novi korisnik prijavi (cold start problem) ili kada se trendovi brzo mijenjaju? Izgradnja naprednog sistema za preporuke (recommendation system) koji uči u stvarnom vremenu pokazuje da vladate naprednim strukturama podataka i algoritmima.
Hibridni pristup preporukama
Umjesto oslanjanja samo na jednu tehniku, kreirajte hibridni sistem koji kombinuje kolaborativno filtriranje (collaborative filtering) i filtriranje zasnovano na sadržaju (content-based filtering). To omogućava sistemu da daje preporuke čak i kada ima malo podataka o novom korisniku. Koristite biblioteke poput Surprise ili LightFM, ali budite spremni objasniti kako ste skalirali sistem koristeći matričnu faktorizaciju.
Online učenje i povratna sprega
Moderni sistemi ne čekaju kraj dana da bi se osvježili. Implementirajte mehanizam online učenja gdje model ažurira svoje težine nakon svake interakcije korisnika. Ovo zahtijeva pažljivo upravljanje povratnim sprengama kako biste izbjegli stvaranje "eho komora" (filter bubbles) gdje se korisniku stalno nudi ista vrsta sadržaja, što je čest etički problem u AI sistemima.
Objašnjivost i korisničko iskustvo
Uključite komponentu koja objašnjava zašto je određena preporuka data (npr. "Preporučeno jer ste gledali X"). Ovo ne samo da povećava povjerenje korisnika, već pokazuje regruterima da razmišljate o finalnom proizvodu i interakciji čovjeka i mašine. Ovaj projekt je izuzetno privlačan za e-commerce kompanije i medijske kuće koje pokušavaju zadržati pažnju korisnika.
AI projekti za netehničke uloge: Marketing, finansije i menadžment
Vještačka inteligencija nije rezervisana samo za inženjere. Ako dolazite iz svijeta marketinga ili biznisa, vaši AI projekti bi trebali demonstrirati kako koristite dostupne alate za rješavanje operativnih problema. Možete kreirati sistem za automatizaciju sadržaja koji uzima dugi blog post i pretvara ga u seriju objava za LinkedIn, Instagram i Twitter, pazeći na ton komunikacije i specifičnosti svake platforme. Alati poput Zapier-a ili Make-a u kombinaciji sa OpenAI API-jem omogućavaju vam da izgradite ove sisteme bez dubokog poznavanja kodiranja.
U finansijskom sektoru, možete kreirati automatizovani sistem za analizu izvještaja o zaradi. Sistem bi mogao preuzimati PDF izvještaje, koristiti LLM za izvlačenje ključnih finansijskih pokazatelja i sentimenta uprave, te generisati sažetak u Slack-u ili putem e-maila. Ovakvi projekti pokazuju da ste "AI-native" profesionalac koji razumije kako tehnologija može transformisati svakodnevne radne tokove (workflows) i povećati produktivnost tima.
Još jedna izvrsna ideja je sistem za trijažu korisničkih upita. Koristeći klasifikaciju teksta, možete automatski prepoznati hitnost i temu poruke korisnika te je proslijediti pravom odjelu uz predložen nacrt odgovora. Ovo pokazuje razumijevanje procesa podrške korisnicima i sposobnost implementacije AI rješenja koja imaju direktan utjecaj na zadovoljstvo klijenata. Ključno je da svaki od ovih projekata prati jasnu dokumentaciju o tome koji je problem riješen i kolika je ušteda vremena postignuta.
Odgovornost i etika: Granice vještačke inteligencije
Prije nego što bilo koji AI projekt proglasite završenim, morate proći kroz filter odgovornosti. AI nije magija; to je statistički alat koji nasljeđuje ljudske pristrasnosti. Ako vaš model za selekciju biografija diskriminiše određene grupe jer su podaci na kojima je treniran bili pristrasni, vaš projekt je neuspješan bez obzira na visoku preciznost. U AI Academy insistiramo na tome da svaki projekt mora imati sekciju o ograničenjima. Ako trebate dodatne resurse o etičkoj upotrebi GenAI, pogledajte naše tekstove iz baze znanja o generativnoj AI. (aiacademy.ba)
Razumijevanje halucinacija i netačnosti
Veliki jezički modeli su skloni halucinacijama — generisanju informacija koje zvuče uvjerljivo, ali su potpuno netačne. U svom projektu, objasnite koje ste korake poduzeli da to spriječite. Da li ste koristili RAG? Da li ste implementirali provjeru činjenica putem eksternih API-ja? Jasno navedite da AI ne smije donositi konačne odluke u kritičnim područjima poput zdravstva ili prava bez ljudskog nadzora.
Privatnost podataka i sigurnost
Kada gradite projekte, nikada nemojte koristiti stvarne privatne podatke klijenata ili pacijenata bez eksplicitne dozvole i enkripcije. Ako koristite javne AI modele, imajte na umu da sve što unesete može postati dio seta za treniranje budućih modela. Dokumentujte kako ste anonimizovali podatke prije obrade. Ovo pokazuje vašu profesionalnu zrelost i poštovanje zakonskih okvira poput GDPR-a.
Autorska prava i etika generisanja
Svijet AI se brzo mijenja, a zakoni o autorskim pravima za generisani sadržaj su još uvijek u razvoju. Budite transparentni o tome koji dio projekta je generisao AI, a koji ste vi kreirali. Priznavanje alata koje ste koristili nije znak slabosti, već dokaz vaše sposobnosti da te alate kontrolišete. Etika u AI nije samo teoretska diskusija; to je praktični zahtjev koji štiti i vas i kompaniju za koju radite.
Ako želite da svoju priču podijelite pred našom zajednicom i postanete predavač, prijavite se na stranicu za prijavu predavača. (aiacademy.ba)
Kada potražiti stručnjaka ili dodatne resurse
Iako su ovi projekti odličan način za učenje, važno je prepoznati kada je potrebno dublje stručno znanje. Za odluke koje direktno utiču na ljudsko zdravlje, finansijsku stabilnost ili pravni status, AI modeli mogu služiti samo kao podrška, nikada kao zamjena za kvalifikovanog stručnjaka. Vještačka inteligencija može pogriješiti na suptilne načine koje je teško uočiti bez domenskog znanja.
Ako se nađete u situaciji da vaš projekt zahtijeva rad sa izuzetno osjetljivim podacima ili mora zadovoljiti rigorozne sigurnosne standarde, preporučujemo konsultacije sa stručnjacima iz zajednice. AI Academy u Sarajevu nudi prostor za takve diskusije, besplatne radionice i priliku da se povežete sa ljudima koji se godinama bave ovim temama u praksi. Učenje kroz zajednicu ubrzava vaš napredak i pomaže vam da izbjegnete skupe greške koje su drugi već napravili. Ako želite da dobijate obavijesti o narednim radionicama i događajima, pretplatite se na našu stranicu događaja. (aiacademy.ba)
Naš cilj je da osnažimo svakog pojedinca da postane kreator, a ne samo korisnik AI tehnologija. Međutim, odgovorno stvaranje znači i prepoznavanje sopstvenih granica i stalnu težnju ka usavršavanju. AI je polje koje se mijenja na sedmičnoj bazi, i ono što je danas standard, sutra može biti zastarjelo. Zato je pripadnost zajednici koja dijeli znanje najbolja investicija u vašu karijeru.
Kako prezentirati projekte na intervjuu za posao
Kada dobijete priliku da predstavite svoje projekte, vaš cilj je da ispričate priču (storytelling). Tehnički detalji su važni, ali oni dolaze tek nakon što objasnite "zašto". Počnite sa problemom. Na primjer: "Primijetio sam da lokalne firme gube sate na ručnu obradu reklamacija, pa sam odlučio izgraditi sistem koji automatizuje taj proces." To odmah postavlja kontekst koji menadžeri razumiju.
Zatim pređite na proces. Objasnite koje ste opcije razmatrali i zašto ste odabrali baš tu tehnologiju. Ako ste se dvoumili između dva algoritma, recite zašto je jedan bio bolji u vašem slučaju. To pokazuje vašu analitičnost. Ne bojte se pričati o neuspjesima — trenuci u kojima model nije radio i način na koji ste to popravili često su zanimljiviji od onoga što je radilo iz prve.
Na kraju, pokažite rezultate kroz metrike koje su važne za biznis. Umjesto "model ima 95% tačnosti", recite "ovaj sistem potencijalno štedi 10 radnih sati sedmično za prosječan tim korisničke podrške". Ponesite svoj laptop, pokažite živu demo verziju i budite spremni da odgovorite na pitanja o skalabilnosti i održavanju. Portfolij nije samo kolekcija koda; to je dokaz vaše sposobnosti da donosite vrijednost timu kojem se pridružujete.
Ako želite da vas povežemo sa mentorima ili da prezentujete svoj rad publici AI Academy zajednice, kontaktirajte nas putem naše kontakt stranice. (aiacademy.ba)
Zaključak
Izgradnja AI portfolija koji ostavlja utisak zahtijeva prelazak sa pasivnog učenja na aktivno rješavanje problema. Projekti koje smo obradili — od multimodalnih RAG sistema do inteligentne kontrole kvaliteta — predstavljaju vrhunac onoga što moderna vještačka inteligencija nudi u poslovnom svijetu. Svaki od njih je prilika da pokažete svoje tehničke vještine, ali i svoju sposobnost da razmišljate o etici, troškovima i krajnjem korisniku.
Zapamtite put kojim gradimo vještine u AI Academy: prvo duboko razumijemo tehnologiju, jasno definišemo cilj primjene, provjeravamo etičku odgovornost, praktično implementiramo rješenje i kontinuirano učimo kroz zajednicu. AI nije magični štapić, već moćan alat koji u pravim rukama može transformisati našu ekonomiju i društvo. Vaš CV treba odražavati tu ambiciju i ozbiljnost.
„Vještačka inteligencija nas ne zamjenjuje; zamjenjuju nas ljudi koji znaju kako koristiti AI za rješavanje stvarnih problema na odgovoran način.“
Pozivamo vas da ne stanete samo na čitanju. Odaberite jedan od ovih projekata, počnite sa malim koracima, griješite, učite i podijelite svoj napredak sa nama. Sarajevo i cijela regija trebaju ljude koji su spremni graditi budućnost, a ne samo o njoj sanjati. AI Academy je tu da vam u tom procesu pruži podršku, znanje i zajednicu. Ako imate stručnu priču koju želite podijeliti sa publikom, prijavite se kao predavač ili provjerite naše predstojeće događaje. (aiacademy.ba)
Česta pitanja
Pitanje: Da li mi je potreban jak računar za rad na ovim AI projektima?
Odgovor: Ne nužno. Većina modernih AI projekata može se razvijati koristeći besplatne resurse u oblaku (cloud) poput Google Colab-a ili Kaggle-a koji nude besplatan pristup grafičkim procesorima (GPU). Za složenije sisteme poput RAG-a, fokus je više na API pozivima ka servisima kao što su OpenAI ili Anthropic, što ne opterećuje vaš lokalni hardver.
Pitanje: Koliko je predznanja programiranja potrebno za početak izgradnje AI portfolija?
Odgovor: Osnovno poznavanje Python programskog jezika je preporučeno za većinu tehničkih projekata. Međutim, za uloge u marketingu ili menadžmentu, postoje no-code alati poput Zapier-a i Make-a koji omogućavaju izgradnju komplexnih AI automatizacija bez pisanja koda, fokusirajući se na logiku procesa i razumijevanje mogućnosti modela.
Pitanje: Kako da budem siguran da moj AI projekt nije pristrasan ili diskriminatoran?
Odgovor: Ključ je u pažljivoj analizi podataka na kojima trenirate model i redovnom testiranju rezultata na različitim grupama korisnika. Korištenje biblioteka za provjeru pristrasnosti (bias) i dokumentovanje ograničenja modela su obavezni koraci. Uvijek pretpostavite da AI može pogriješiti i dizajnirajte sistem tako da čovjek ima finalnu riječ u važnim odlukama.
Pitanje: Da li su AI projekti sigurni za poslovne podatke moje kompanije?
Odgovor: Sigurnost zavisi od načina implementacije. Ako koristite javne verzije alata poput ChatGPT-a, podaci koje unosite mogu biti korišteni za dalje treniranje modela. Za poslovne potrebe, preporučuje se korištenje Enterprise verzija ili API pristupa sa jasnim ugovorima o privatnosti (npr. Azure OpenAI ili lokalno hostovani open-source modeli) koji garantuju da se vaši podaci ne koriste za učenje opštih modela.
istaknuti članci
