AI Projekti Za Studente Završnih Godina: Put Do Karijere

Table of Contents

1. Ključne stavke
2. Uvod
3. Zašto Su AI Projekti Ključni Za Vaš Portfolio
4. Kako Odabrati Pravu Temu Za Završni Projekat
5. Pregled Inovativnih AI Projekata Po Oblastima
6. Koraci U Implementaciji AI Projekta
7. Šta Vještačka Inteligencija Može, A Šta Ne Može
8. Etika, Odgovornost I Privatnost Podataka
9. Kada Potražiti Pomoć Stručnjaka
10. Kako AI Academy Može Pomoći Vašem Putu
11. Planiranje Vašeg Sljedećeg Koraka
12. Česta pitanja

Ključne stavke

• Praktični AI projekti transformišu teoretsko znanje u mjerljive vještine koje poslodavci na tržištu Bosne i Hercegovine i regiona aktivno traže kod junior developera i inženjera mašinskog učenja.
• Uspješan završni rad zahtijeva jasan put od razumijevanja problema i etičkih implikacija podataka, preko tehničke implementacije, do finalne validacije rezultata u stvarnom okruženju.
• Fokus na projekte sa društvenim ili poslovnim uticajem — poput pametne poljoprivrede, personalizovanog učenja ili automatizacije lokalnih radnih procesa — izdvaja studente u konkurentnom okruženju vještačke inteligencije.

Uvod

Zamislimo studenta završne godine IT fakulteta u Sarajevu, Banjoj Luci ili Mostaru. Iza njega su stotine sati predavanja, bezbroj položenih ispita i teoretsko razumijevanje algoritama. Međutim, kada otvori oglase za posao, suočava se sa paradoksom: traži se praktično iskustvo koje se ne stiče u amfiteatru. U AI Academy često viđamo ovu prazninu. Teorija je temelj, ali vještačka inteligencija (artificial intelligence - AI) se uči kroz rješavanje stvarnih problema, "prljave" podatke i iterativne modele koji u početku ne daju savršene rezultate.

Završni rad nije samo formalnost za dobijanje diplome; to je prilika da izgradite svoj profesionalni identitet. Izbor prave teme za ai projects for final year students može biti presudan faktor koji će vas lansirati direktno u radnu stolicu neke od vodećih tehnoloških kompanija. Naš cilj u AI Academy je da tu tranziciju učinimo što lakšom, pružajući vam uvid u to kako se AI primjenjuje u realnom sektoru, od automatizacije dosadnih zadataka do rješavanja kompleksnih društvenih izazova. Ako želite pratiti naše nadolazeće radionice i događaje, pogledajte listu na stranici naše organizacije posvećenoj događajima: stranica događaja AI Academy.

Ovaj članak je vodič namijenjen studentima, entuzijastima i budućim AI profesionalcima koji žele razumjeti kako odabrati, planirati i realizovati AI projekat koji ima težinu. Proći ćemo kroz faze koje mi zagovaramo: duboko razumijevanje tehnologije, definisanje jasnog cilja, provjeru etičke odgovornosti, praktičnu primjenu i, na kraju, dijeljenje znanja sa zajednicom. Vještačka inteligencija nije magija, već vještina koja se brusi radom.

Zašto Su AI Projekti Ključni Za Vaš Portfolio

Na globalnom, ali i lokalnom tržištu rada, certifikat o završenom kursu ili diploma fakulteta često su samo ulaznica za intervju. Ono što vas zapošljava je dokaz da znate uzeti sirovi skup podataka (dataset), očistiti ga, odabrati odgovarajuću arhitekturu modela i servirati rješenje koje radi. GitHub profil popunjen projektima koji rješavaju konkretne probleme vrijedi više od desetine teorijskih certifikata.

Poslodavci danas cijene sposobnost snalaženja u "neredu". Realni podaci su nepotpuni, šumni i često pristrasni. Student koji kroz svoj projekat pokaže kako je prevazišao ove prepreke demonstrira kritičko razmišljanje i inženjersku zrelost. Osim toga, rad na AI projektu vas uči kako upravljati vremenom i resursima, što su ključne meke vještine (soft skills) u svakom razvojnom timu.

Kroz rad na projektima, vi ne učite samo kôd. Učite o procesima kao što su mašinsko učenje (machine learning), duboko učenje (deep learning) i obrada prirodnog jezika (natural language processing - NLP). Postajete svjesni ograničenja hardvera i važnosti optimizacije modela za rad na rubnim uređajima (edge devices) ili u oblaku (cloud).

Ako želite dodatnu literaturu i praktične vodiče o razvoju karijere u AI, pregledajte našu kolekciju članaka u sekciji posvećenoj karijeri: kategorija AI Career & Skill-Up.

Kako Odabrati Pravu Temu Za Završni Projekat

Izbor teme ne bi trebao biti slučajan. Mnogi studenti prave grešku birajući previše ambiciozne projekte koje ne mogu završiti u predviđenom roku, ili previše jednostavne koji ne pokazuju njihovu punu sposobnost. Prvi korak je usklađivanje projekta sa vašim interesovanjima i trenutnim nivoom znanja, ali uz blagi izlazak iz zone komfora.

Analiza Tržišnih Potreba I Ličnih Interesa

Razmislite o problemima koji vas okružuju. Da li postoji proces u lokalnoj firmi koji se može automatizovati? Može li se AI iskoristiti za poboljšanje zdravstvenih usluga ili zaštitu okoliša u vašem gradu? Projekat koji rješava lokalni problem ima veću šansu da dobije pažnju i podršku. Ako vas zanima finansijski sektor, fokusirajte se na prediktivne modele; ako volite vizualne umjetnosti, istražite generativne modele.

Dostupnost Podataka Kao Odlučujući Faktor

AI model je dobar onoliko koliko su dobri podaci na kojima se trenira. Prije nego što se odlučite za temu, provjerite postoje li javno dostupni skupovi podataka na platformama kao što su Kaggle ili Google Dataset Search. Ako planirate sami prikupljati podatke, budite svjesni vremena koje je potrebno za anotaciju i čišćenje. Bez kvalitetnih podataka, vaš projekat će ostati samo teorijski koncept.

Tehnička Izvodljivost I Resursi

Budite realni u pogledu hardvera koji vam je dostupan. Treniranje velikih jezičkih modela (large language models - LLM) od nule zahtijeva ogromne računske resurse koje većina studenata nema. Umjesto toga, fokusirajte se na fino podešavanje (fine-tuning) postojećih modela ili na primjenu arhitektura koje mogu raditi na standardnim grafičkim karticama. Korištenje besplatnih resursa poput Google Colab-a može vam pomoći, ali uvijek imajte plan B.

Upozorenje: Izbjegavajte projekte koji su previše generički, poput prepoznavanja rukom pisanih cifara (MNIST), osim ako ne planirate uvesti značajnu inovaciju u samu arhitekturu mreže. Takvi projekti se često smatraju "školskim" i ne ističu vas u moru drugih kandidata.

Ako želite poboljšati svoje vještine u oblasti prompt engineeringa — korisne za rad s LLM modelima — preporučujemo naš vodič o prompt inženjeringu: kategorija i vodiči o prompt engineeringu.

Pregled Inovativnih AI Projekata Po Oblastima

U nastavku ćemo detaljno proći kroz konkretne ideje za projekte, podijeljene po industrijama i kompleksnosti. Svaka od ovih ideja može se prilagoditi vašim specifičnim interesovanjima.

AI U Zdravstvu I Medicinskoj Dijagnostici

Zdravstveni sektor je jedno od najuzbudljivijih područja za primjenu vještačke inteligencije. Ovdje AI ne zamjenjuje ljekare, već služi kao alat za bržu i precizniju trijažu.

Sistem Za Analizu Medicinskih Snimaka

Cilj ovog projekta je razvoj modela koji koristi konvolucijske neuronske mreže (convolutional neural networks - CNN) za detekciju patologija na rentgenskim snimcima, MRI ili CT skenovima. Možete se fokusirati na specifičnu bolest, poput upale pluća ili tumora mozga. Korištenjem biblioteka kao što su TensorFlow ili PyTorch, možete trenirati model koji prepoznaje sumnjive regije na snimku. Poseban akcenat stavite na "objašnjivost" (explainable AI), gdje model vizualno markira dijelove slike na osnovu kojih je donio odluku, što je ključno za povjerenje medicinskih stručnjaka.

Predviđanje Rizika Od Hroničnih Bolesti

Koristeći anonimizirane podatke o pacijentima (poput krvnog pritiska, nivoa šećera, istorije bolesti i životnih navika), možete razviti model koji predviđa vjerovatnoću razvoja dijabetesa ili kardiovaskularnih oboljenja. Ovdje je ključno rukovanje nedostajućim podacima i balansiranje klasa, jer u medicinskim podacima često ima mnogo više zdravih nego bolesnih pacijenata.

AI U Poljoprivredi (AgriTech)

S obzirom na značaj poljoprivrede u našem regionu, projekti u ovoj oblasti imaju ogroman potencijal za praktičnu primjenu.

Detekcija Bolesti Biljaka Putem Mobilne Aplikacije

Razvijte sistem koji poljoprivrednicima omogućava da fotografišu list biljke i odmah dobiju dijagnozu bolesti. Koristeći transferno učenje (transfer learning) sa modelima poput ResNet ili MobileNet, možete postići visoku preciznost čak i sa manjim brojem slika. Ovaj projekat možete proširiti kreiranjem lagane mobilne aplikacije (koristeći Flutter ili React Native) koja komunicira sa AI modelom u oblaku ili direktno na telefonu pomoću TensorFlow Lite-a.

Optimizacija Navodnjavanja Pomoću IoT Senzora

Kombinujte senzore vlažnosti zemljišta sa vremenskom prognozom i istorijskim podacima. AI model može predvidjeti optimalno vrijeme i količinu vode za navodnjavanje, čime se štede resursi i povećava prinos. Ovo je odličan primjer projekta koji spaja hardver (Internet stvari - IoT) i vještačku inteligenciju.

Finansije I Sigurnost Podataka

Finansijski sektor prvi usvaja AI rješenja zbog direktne ekonomske koristi od smanjenja rizika i automatizacije.

Sistem Za Detekciju Prevara U Bankarstvu

Razvijte model koji analizira transakcije u realnom vremenu i identifikuje one koje odstupaju od uobičajenog ponašanja korisnika. Koristite algoritme za detekciju anomalija (anomaly detection) poput Isolation Forest ili Autoenkodera. Izazov ovdje leži u radu sa visoko neuravnoteženim podacima (imbalanced datasets), jer je broj prevara zanemariv u odnosu na regularne transakcije.

Predviđanje Kretanja Na Tržištu Kapitala

Iako je predviđanje cijena dionica izuzetno teško, možete kreirati model koji analizira sentiment vijesti i društvenih mreža (sentiment analysis) u kombinaciji sa istorijskim cijenama. Koristite rekurentne neuronske mreže (recurrent neural networks - RNN), specifičnije LSTM (Long Short-Term Memory) mreže, koje su pogodne za rad sa vremenskim serijama podataka.

Generativna AI I Jezički Modeli

Sa usponom ChatGPT-a i sličnih alata, generativna vještačka inteligencija (generative AI) postala je najtraženija oblast.

RAG Sistem Za Tehničku Dokumentaciju

RAG (Retrieval-Augmented Generation) je tehnika koja omogućava AI modelu da odgovara na pitanja koristeći specifičnu bazu znanja, umjesto da se oslanja samo na svoje inicijalno treniranje. Možete kreirati chatbot koji pomaže studentima ili zaposlenicima u nekoj firmi da brzo pronađu informacije u hiljadama stranica internih dokumenata. Alati kao što su LangChain, Pinecone (vektorska baza podataka) i OpenAI API (ili lokalni modeli poput Llama 3) čine osnovu ovog projekta.

Automatizovano Rezimiranje Sadržaja Na Lokalnim Jezicima

Većina LLM modela najbolje radi na engleskom. Vaš projekat može biti fokusiran na fino podešavanje modela za specifične potrebe našeg govornog područja (bosanski/hrvatski/srpski jezik). Kreirajte alat koji automatski generiše sažetke vijesti ili pravnih dokumenata, pazeći na gramatičku ispravnost i očuvanje konteksta.

Ako vas zanima dublje istraživanje vještina koje najviše vrijede na tržištu, pogledajte naš članak o ključnim AI vještinama: devet vještina umjetne inteligencije s najvećim potencijalom prihoda.

Koraci U Implementaciji AI Projekta

Kada odaberete ideju, vrijeme je za sistematičan rad. Mi u AI Academy vjerujemo u strukturiran pristup koji minimizira rizik od neuspjeha.

Definisanje Problema I Ciljeva

Prvo se zapitajte: Koji problem tačno rješavam? Nemojte samo reći "pravim AI za poljoprivredu". Recite "pravim model koji sa 90% preciznosti identifikuje tri najčešće bolesti paradajza u staklenicima". Jasno definisan cilj vam pomaže da odaberete prave metriku uspjeha (npr. preciznost, odziv ili F1 skor).

Prikupljanje I Priprema Podataka

Ovo je faza u kojoj ćete provesti 70-80% vremena. Podaci se moraju očistiti od duplikata, ekstremnih vrijednosti (outliers) i grešaka. Ako radite sa slikama, morat ćete ih normalizovati i eventualno primijeniti augmentaciju (nasumično rotiranje, zumiranje, promjena osvjetljenja) kako biste povećali raznolikost skupa za trening.

Izbor Arhitekture I Trening Modela

Počnite sa jednostavnim modelom kao baznom linijom (baseline). Ako radite regresiju, probajte linearnu regresiju prije nego što pređete na neuronske mreže. Kada uspostavite osnovu, uvodite kompleksnije arhitekture. Pratite proces treninga pomoću alata kao što su TensorBoard ili Weights & Biases kako biste uočili preveliko prilagođavanje (overfitting) — situaciju u kojoj model odlično radi na podacima za trening, ali loše na novim podacima.

Evaluacija I Validacija

Testirajte model na podacima koje nikada ranije nije "vidio" (test set). Analizirajte greške. Da li model griješi u specifičnim slučajevima? Ako detektuje bolesti biljaka, da li griješi samo pri lošem osvjetljenju? Ova analiza vam govori šta treba popraviti u sljedećoj iteraciji.

Dokumentacija I Prezentacija

Kôd koji niko ne može razumjeti nema vrijednost. Dokumentujte svaku funkciju, napišite jasan README fajl na GitHubu i objasnite zašto ste donijeli određene odluke. Snimite kratki video demo vašeg projekta. To je ono što će privući pažnju regrutera.

Zaključak faze: Ne težite savršenstvu od prvog dana. Prvo napravite nešto što radi (Minimum Viable Product - MVP), a zatim ga postepeno poboljšavajte. AI razvoj je maraton, a ne sprint.

Ako vam zatrebe mentorska pomoć ili želite organizovati radionicu o implementaciji projekta, možete nas kontaktirati putem stranice za kontakt AI Academy ili razmotriti mogućnost da podijelite svoje znanje i postanete instruktor — saznajte više kroz naše članke o tome kako postati predavač i uključiti se u zajednicu: saznaj kako postati predavač.

Šta Vještačka Inteligencija Može, A Šta Ne Može

Važno je imati realna očekivanja od tehnologije. AI je moćan alat, ali nije svemoguć.

Snage AI Modela

AI je fenomenalan u prepoznavanju kompleksnih obrazaca u ogromnim količinama podataka koje ljudski mozak ne može procesirati. Može automatizovati dosadne, repetitivne zadatke (poput unosa podataka ili klasifikacije hiljada slika) sa nevjerovatnom brzinom. Takođe, AI može pružiti uvide bazirane na vjerovatnoći koji pomažu ljudima da donesu bolje informisane odluke u nauci, biznisu i medicini.

Ograničenja I Izazovi

S druge strane, AI modeli nemaju "zdrav razum". Oni operišu isključivo na osnovu statističkih korelacija u podacima. Ako model nikada nije vidio određenu situaciju, on će nagađati, što često dovodi do "halucinacija" — generisanja informacija koje zvuče uvjerljivo, ali su potpuno netačne. AI takođe ne razumije uzročnost (zašto se nešto dešava), već samo povezanost.

Takođe, AI modeli su "crne kutije". Često je teško objasniti zašto je kompleksna duboka neuronska mreža donijela određenu odluku. U kritičnim oblastima poput prava ili hitne medicine, ovo netransparentno odlučivanje predstavlja ogroman rizik.

Etika, Odgovornost I Privatnost Podataka

Kao budući AI stručnjaci, nosite odgovornost za sisteme koje kreirate. Etika u vještačkoj inteligenciji nije samo teoretska diskusija, već praktična nužnost.

Pristrasnost U Podacima (Bias)

Ako trenirate model za zapošljavanje na podacima iz prošlosti gdje su muškarci bili češće birani, vaš model će naučiti tu pristrasnost i diskriminisati žene. Vaša je dužnost da analizirate podatke i osigurate da su reprezentativni za sve grupe ljudi. Neprovjerena pristrasnost vodi ka nepravednim i štetnim sistemima.

Privatnost Korisnika

Nikada, ali nikada nemojte koristiti osjetljive lične podatke (JMBG, brojeve telefona, medicinske nalaze sa imenima) u javno dostupnim AI modelima ili ih postavljati na javne platforme. Čak i ako anonimizirate podatke, budite oprezni jer se određeni podaci mogu ponovo povezati sa identitetom korisnika (de-anonimizacija). Uvijek pročitajte uslove korištenja AI alata koje koristite za razvoj.

Intelektualno Vlasništvo I Autorska Prava

Pitanje ko posjeduje sadržaj koji generiše AI još uvijek je pravno sivo područje. Ako vaš projekat koristi generativne modele, jasno navedite izvore podataka i poštujte licence biblioteka koje koristite. Transparentnost u pogledu toga šta je stvorio čovjek, a šta AI, ključna je za integritet vašeg rada.

Kada Potražiti Pomoć Stručnjaka

AI projekti mogu brzo postati veoma kompleksni. Postoje situacije u kojima se ne trebate oslanjati isključivo na svoje znanje ili AI alate:

• Kada donosite odluke koje direktno utiču na ljudsko zdravlje ili sigurnost (uvijek konsultujte ljekara ili inženjera zaštite na radu).
• Kada radite sa kompleksnim pravnim ili finansijskim podacima (pravna i finansijska ekspertiza je nezamjenjiva).
• Kada naiđete na matematičke ili arhitektonske prepreke koje ne možete sami riješiti — tada je vrijeme da se obratite zajednici, mentorima ili stručnjacima na platformama poput one koju vodi AI Academy.

Ako želite aktivno doprinijeti zajednici kao govornik ili mentor, pročitajte kako to učiniti u našim resursima i prijavite se za učešće na događajima — informacije su dostupne na o nama stranici AI Academy gdje opisujemo našu misiju i načine uključivanja.

Kako AI Academy Može Pomoći Vašem Putu

Mi u AI Academy vjerujemo da niko ne bi trebao učiti vještačku inteligenciju u izolaciji. Naša zajednica u Sarajevu i šire pruža prostor za razmjenu ideja, kritiku kôda i zajedničko rješavanje problema.

Besplatne Radionice I Resursi

Nudimo različite obrazovne formate, od uvodnih predavanja do intenzivnih praktičnih radionica. Naš fokus je na "vibe codingu" i brzom prototipiranju, ali uz duboko razumijevanje onoga što se dešava ispod haube. Vjerujemo u učenje kroz rad (project-based learning) i potičemo studente da svoje završne radove razvijaju u sklopu naše zajednice.

Povezivanje Sa Industrijom

Kroz naše događaje, studenti imaju priliku upoznati stručnjake iz vodećih domaćih i međunarodnih kompanija. To je idealna prilika da saznate koji su AI projekti trenutno najrelevantniji na tržištu i kakve vještine firme traže. Vaš završni rad može postati vaša najbolja preporuka za posao ako je usklađen sa stvarnim potrebama industrije.

Kultura Dijeljenja Znanja

U AI Academy ne gradimo kult pojedinca, već snagu zajednice. Podstičemo vas da svoje projekte objavljujete, pišete o njima na blogovima i držite prezentacije kolegama. Kada nekome objasnite kako vaš model radi, vi zapravo učvršćujete svoje znanje. To je ciklus razumijevanja, primjene i dijeljenja koji je srž našeg postojanja.

Ako ste spremni da predložite temu za radionicu ili želite da nas kontaktirate radi suradnje, koristite formu za kontakt kako biste se uključili u rad zajednice.

Planiranje Vašeg Sljedećeg Koraka

Ako ste student završne godine, nemojte čekati zadnji trenutak da počnete razmišljati o projektu. Proces bi trebao izgledati ovako:

Istraživanje I Konceptualizacija

Provedite prve dvije sedmice čitajući naučne radove i blogove o temama koje vas zanimaju. Identifikujte problem koji je dovoljno mali da bude izvodljiv, ali dovoljno velik da bude značajan.

Izgradnja Prototipa

Nemojte odmah graditi najkompleksniji model. Napravite "end-to-end" sistem koji uzima ulaz i daje bilo kakav izlaz. Kada to postignete, imate osnovu koju možete beskonačno poboljšavati.

Traženje Povratnih Informacija

Pokažite svoj rad kolegama, profesorima ili članovima zajednice u AI Academy. Svježa perspektiva može otkriti greške koje ste vi, zbog dugotrajnog rada, previdjeli.

Finalizacija I Prezentacija

Uložite trud u vizualizaciju rezultata. Grafikoni koji pokazuju kako se tačnost modela povećavala ili kako je model smanjio grešku govore više od hiljadu riječi. Vaš cilj je da ubijedite komisiju (i budućeg poslodavca) da razumijete proces, a ne samo da ste prepisali kôd sa interneta.

Zapamtite: Najbolji AI projekat nije onaj sa najkompleksnijim algoritmom, već onaj koji na najinteligentniji način rješava stvarni ljudski problem uz puno uvažavanje etike i odgovornosti.

Mi vjerujemo da je svaka linija kôda koju napišete u svom AI projektu korak ka digitalno pismenijem i naprednijem društvu. Iskoristite priliku koju vam nudi završna godina studija da ostavite trag.

Ako želite pratiti nadolazeće radionice ili prijaviti ideju za predavanje, posjetite našu početnu stranicu sa pregledom događaja i prethodnih meetup-a: pregled događaja i radionica.

Česta pitanja

Pitanje: Koliko mi je predznanja iz matematike potrebno da počnem sa AI projektom?

Odgovor: Osnovno poznavanje linearne algebre, vjerovatnoće i statistike je neophodno za razumijevanje kako algoritmi rade. Međutim, ne morate biti doktor matematike da biste uspješno implementirali AI projekt. Danas postoje mnoge biblioteke (kao što su Scikit-learn ili Keras) koje apstrahuju tešku matematiku, omogućavajući vam da se fokusirate na logiku i primjenu. Kako budete napredovali, prirodno ćete osjetiti potrebu da dublje istražite matematičku pozadinu specifičnih modela.

Pitanje: Da li moram imati skupu grafičku karticu za treniranje AI modela?

Odgovor: Ne nužno. Za početne i srednje zahtjevne projekte možete koristiti besplatne servise u oblaku kao što je Google Colab ili Kaggle Kernels, koji nude besplatan pristup GPU (Graphics Processing Unit) resursima. Tek za veoma kompleksne modele ili rad sa ogromnim količinama video podataka postaje neophodno imati sopstveni moćni hardver. Fokusirajte se na optimizaciju kôda i korištenje efikasnijih arhitektura modela prije nego što investirate u skupu opremu.

Pitanje: Šta ako moj AI model ne postigne visoku preciznost?

Odgovor: To je sastavni dio istraživačkog procesa. U stvarnom svijetu, "neuspjeh" modela da postigne očekivanu preciznost često pruža dragocjene uvide. Važno je da u svom radu dokumentujete zašto model nije radio kako je planirano — da li je problem u nedostatku podataka, pogrešno odabranoj arhitekturi ili šumu u labelama? Sposobnost da analizirate neuspjeh i predložite sljedeće korake poslodavci često cijene više od pukog postizanja visoke cifre preciznosti na nekom "očišćenom" datasetu.

Pitanje: Koliko vremena je realno potrebno za izradu kvalitetnog AI završnog rada?

Odgovor: Kvalitetan AI projekat za studenta završne godine obično traje između tri i šest mjeseci aktivnog rada. To uključuje fazu istraživanja, prikupljanja i čišćenja podataka (koja traje najduže), razvoj modela, testiranje i na kraju pisanje dokumentacije. Ključno je početi rano i redovno iterirati; mali, funkcionalni dijelovi projekta koji se postepeno spajaju u cjelinu mnogo su bolja strategija od pokušaja da se sve uradi u zadnjem mjesecu prije odbrane.