AI Using Python Projects: Od Teorije Do Praktične Primjene

Table of Contents

1. Ključne stavke
2. Uvod
3. Zašto je Python temelj za AI projekte
4. Projekt 1: Pametni rezime e-mailova koristeći transformatore
5. Projekt 2: Personalni asistent za finansije i klasifikaciju troškova
6. Projekt 3: Generisanje opisa slika (Image Captioning)
7. Projekt 4: Glasovni asistent sa prepoznavanjem govora
8. Projekt 5: Inteligentni sistem za odgovaranje na pitanja iz dokumenata (RAG)
9. Ograničenja, etika i odgovornost
10. Kada potražiti stručnjaka
11. Put ka majstorstvu: Od početnika do AI kreatora
12. Česta pitanja

Ključne stavke

• Python je postao primarni jezik za razvoj vještačke inteligencije zahvaljujući svojoj jednostavnosti i bogatom ekosistemu biblioteka koje omogućavaju prelazak sa ideje na prototip u rekordnom vremenu.
• Praktični projekti, poput inteligentnih rezimea e-mailova ili personalizovanih finansijskih asistenata, predstavljaju najbolji način za premošćivanje jaza između teoretskog znanja i stvarne poslovne vrijednosti.
• Odgovorna primjena AI tehnologija zahtijeva razumijevanje ograničenja modela, zaštitu privatnosti podataka i stalni ljudski nadzor, posebno u kritičnim sektorima poput finansija i prava.

Uvod

Zamislimo marketing menadžericu u jednoj sarajevskoj agenciji koja svakog jutra provede dva sata čitajući desetine izvještaja i stotine e-mailova kako bi izvukla ključne informacije za svoj tim. Iako su joj dostupni razni moderni alati, ona se i dalje osjeća preplavljenom količinom podataka. S druge strane, programer početnik pokušava razumjeti kako se "mašinsko učenje (machine learning)" zapravo primjenjuje izvan akademskih primjera. Oboje se nalaze pred istim izazovom: kako transformisati vještačku inteligenciju iz apstraktnog koncepta u alat koji rješava stvarne, svakodnevne probleme na našem tržištu.

Vještačka inteligencija više nije rezervisana samo za istraživačke laboratorije u Silicijumskoj dolini. Zahvaljujući Pythonu, ona je postala dostupna svakom entuzijasti i profesionalcu u Bosni i Hercegovini koji je spreman uložiti vrijeme u učenje. U AI Academy vjerujemo da put do majstorstva ne vodi kroz beskonačno gledanje video tutorijala, već kroz proces izgradnje konkretnih rješenja. Ovaj tekst je namijenjen programerima koji žele obogatiti svoj portfolio, profesionalcima koji traže načine za automatizaciju dosadnih zadataka, te vlasnicima malih biznisa koji žele razumjeti šta AI zaista može donijeti njihovom poslovanju.

Kroz ovaj vodič proći ćemo put od potpunog razumijevanja osnova, preko definisanja jasnih ciljeva i etičkih provjera, pa sve do praktične primjene pet konkretnih projekata. Fokus nam je na "učenju kroz rad", jer smatramo da jedan funkcionalan skript vrijedi više od stotinu pročitanih stranica teorije. Važno je naglasiti da AI nije magično rješenje koje će raditi umjesto vas, već moćan asistent koji, uz pravilno usmjeravanje, može desetostruko povećati vašu produktivnost i kreativnost.

Zašto je Python temelj za AI projekte

Prije nego što pređemo na konkretne projekte, moramo razumjeti zašto je upravo Python postao standard u svijetu vještačke inteligencije. Njegova sintaksa je vrlo bliska engleskom jeziku, što smanjuje kognitivno opterećenje prilikom učenja. Umjesto da se borite sa kompleksnim pravilima upravljanja memorijom ili teškom sintaksom, Python vam omogućava da se fokusirate na logiku problema koji rješavate.

Druga ključna prednost je ekosistem. Biblioteke kao što su "Pandas" za manipulaciju podacima, "Scikit-learn" za klasično mašinsko učenje, te "PyTorch" i "TensorFlow" za duboko učenje (deep learning), čine osnovu skoro svakog modernog AI sistema. Ovi alati su plod rada hiljada programera širom svijeta i dostupni su potpuno besplatno, što se savršeno uklapa u viziju slobodnog znanja koju promovišemo u AI Academy.

Međutim, moć Pythona ne leži samo u bibliotekama, već u zajednici. Kada naiđete na grešku u kodu (bug), velika je vjerovatnoća da je neko drugi već imao isti problem i objavio rješenje. Za profesionalce u regionu, ovo znači da mogu brzo razvijati rješenja koja su konkurentna na globalnom nivou, koristeći iste alate kao i najveće tehnološke kompanije. Ako želite produbiti teorijske osnove prije praktičnog rada, pogledajte našu wiki stranicu o tome šta je mašinsko učenje. (https://aiacademy.ba/blogs/wiki/sta-je-masinsko-ucenje)

Razumijevanje procesu: Od ideje do koda

Izgradnja AI projekta nije samo pisanje koda. To je proces koji počinje dubokim razumijevanjem problema. Prije nego što napišete prvu liniju u svom editoru, morate se zapitati: koji problem pokušavam riješiti? Da li imam dovoljno podataka? Da li je AI uopšte potreban za ovo, ili je dovoljna jednostavna automatizacija zasnovana na pravilima?

U AI Academy uvijek naglašavamo da automatizacija lošeg procesa samo brže proizvodi loše rezultate. Zato je prvi korak uvijek mapiranje ljudskog toka rada. Ako želite automatizovati obradu faktura, prvo morate znati kako to radite ručno. Tek kada razumijete proces, možete uvesti model koji će prepoznavati entitete, kao što su iznosi ili datumi, koristeći Python.

Postavljanje ciljeva i mjerenje uspjeha

Uspješan projekt mora imati mjerljive rezultate. Ako gradite pametni rezime e-mailova, cilj može biti ušteda od 30 minuta dnevno. Ako razvijate alat za klasifikaciju troškova, cilj je tačnost od preko 90%. Definisanje ovih parametara na početku pomaže vam da ostanete fokusirani i da znate kada je vaš projekt "gotov" za prvu verziju. Iteracija je ključ – nemojte težiti savršenstvu iz prvog pokušaja. Napravite minimalno održiv proizvod (MVP), testirajte ga, pa ga tek onda nadograđujte.

AI modeli su moćni, ali nisu nepogrešivi. Svaki rezultat koji generiše vaš Python skript mora proći kroz filter ljudske logike i provjere, posebno u početnim fazama implementacije.

Projekt 1: Pametni rezime e-mailova koristeći transformatore

Informacijsko preopterećenje je stvaran problem. Prosječan zaposlenik primi desetine e-mailova dnevno, a mnogi od njih su predugi i puni nepotrebnih detalja. Koristeći Python i biblioteku "Transformers" koju razvija Hugging Face, možete izgraditi alat koji automatski izvlači suštinu iz bilo kojeg teksta.

Kako funkcioniše model za sažimanje

Za ovaj projekt koristit ćemo unaprijed obučene modele (pre-trained models). To znači da nećemo morati trošiti sedmice na obučavanje vještačke inteligencije; umjesto toga, koristit ćemo model koji je već "pročitao" ogromne količine teksta i naučio kako sažeti informacije. Specifično, modeli kao što je BART (Bidirectional and Auto-Regressive Transformers) su izuzetno efikasni u generisanju sažetaka koji zvuče prirodno.

U Pythonu, proces je iznenađujuće jednostavan. Potrebno je učitati model, pripremiti tekst (tokenizacija) i zatražiti od modela da generiše rezime. Rezultat je kratak pasus koji sadrži samo najbitnije informacije, što vam omogućava da brzo odlučite da li e-mail zahtijeva vašu hitnu pažnju.

Implementacija u stvarnom radnom okruženju

Ovaj alat se može integrisati direktno u vaš radni tok. Možete napisati skript koji se povezuje sa vašim e-mail klijentom, čita nepročitane poruke i šalje vam kratak izvještaj na Slack ili Microsoft Teams svako jutro. Ovakva primjena pokazuje suštinu onoga što učimo u AI Academy: korištenje napredne tehnologije za rješavanje prizemnih, ali iscrpljujućih zadataka.

Kada razvijate ovaj alat, važno je obratiti pažnju na dužinu ulaznog teksta. Većina modela ima ograničenje u broju riječi koje mogu procesirati odjednom. Ako je vaš e-mail veoma dug, morat ćete ga podijeliti na manje dijelove, sažeti svaki dio posebno, a zatim te sažetke spojiti u jedan finalni dokument. Ovo je odlična prilika da naučite o "manipulaciji tekstualnim podacima" u Pythonu.

Šta sljedeće za rezime teksta

• Eksperimentišite sa različitim modelima na Hugging Face platformi kako biste pronašli onaj koji najbolje razumije naš jezik.
• Dodajte funkciju koja automatski prepoznaje "akcione stavke" (zadaci koje trebate obaviti) unutar e-maila.
• Napravite jednostavno korisničko sučelje koristeći biblioteku "Streamlit" kako bi i vaše kolege koje ne znaju programirati mogle koristiti alat.

Ako želite raditi praktično kroz radionicu i brzo implementirati ovakav alat, pratite naše najave i prijavite se na jednu od naših radionica na stranici događaja AI Academy. (https://aiacademy.ba/)

Projekt 2: Personalni asistent za finansije i klasifikaciju troškova

Upravljanje novcem je vještina, ali praćenje svakog troška je naporan posao. Većina banaka nudi izvoz transakcija u CSV formatu, ali te liste su često nepregledne. Korištenjem Pythona i mašinskog učenja, možete napraviti sistem koji automatski uči kako da kategorizuje vaše troškove – od kirije i režija do jutarnje kafe.

Klasifikacija teksta pomoću mašinskog učenja

Osnova ovog projekta je "obrada prirodnog jezika (natural language processing - NLP)". Svaki opis transakcije nosi određene ključne riječi koje ukazuju na kategoriju. Na primjer, transakcija koja sadrži riječ "Bingo" ili "Merkator" vjerovatno spada u namirnice. Koristeći biblioteku "Scikit-learn", možete obučiti jednostavan model koji će na osnovu vaših prošlih, ručno kategorisanih troškova, naučiti kako da automatski obradi nove transakcije.

Proces počinje "vektorizacijom", što je stručni termin za pretvaranje teksta u brojeve koje računar može razumjeti. Nakon toga, primjenjuje se algoritam poput logističke regresije ili nasumičnih šuma (random forests) koji pronalazi obrasce u podacima. Ono što ovaj projekt čini posebnim je to što on postaje pametniji što ga više koristite.

Vizuelizacija i uvid u podatke

Nakon što su troškovi kategorisani, Python vam omogućava da kreirate prelijepe vizuelne izvještaje koristeći biblioteke kao što su "Matplotlib" ili "Seaborn". Možete vidjeti trendove potrošnje kroz mjesece, identifikovati nepotrebne pretplate ili postaviti upozorenja kada pređete određeni budžet. Ovo nije samo vježba programiranja; ovo je alat koji vam pomaže da donosite bolje finansijske odluke.

Za vlasnike malih biznisa u Sarajevu ili bilo gdje u regiji, ovakav sistem može dramatično smanjiti vrijeme potrebno za pripremu dokumentacije za knjigovodstvo. Umjesto sakupljanja računa, AI asistent može pripremiti preliminarnu listu troškova spremnu za pregled.

Šta sljedeće za finansijskog asistenta

• Povežite skript sa Google Sheets API-jem kako biste automatski ažurirali svoje tabele.
• Dodajte detekciju anomalija koja će vas obavijestiti ako se pojavi neuobičajeno visok trošak u kategoriji koja je obično stabilna.
• Pokušajte implementirati sistem koji predviđa vašu potrošnju za naredni mjesec na osnovu istorijskih podataka.

Ako tražite dodatne vodiče i resurse za učenje praktičnih alata, pogledajte našu kolekciju besplatnih resursa za učenje. (https://aiacademy.ba/blogs/wiki/besplatni-resursi-za-ucenje-vestacke-inteligencije-vas-put-od-pocetnika-do-strucnjaka)

Privatnost podataka u finansijskim projektima je apsolutni prioritet. Nikada ne unosite svoje lozinke za bankovne račune u skripte i osigurajte da se svi podaci obrađuju lokalno na vašem računaru kad god je to moguće.

Projekt 3: Generisanje opisa slika (Image Captioning)

Svijet vještačke inteligencije nije ograničen samo na tekst. "Multimodalni AI" se odnosi na modele koji mogu razumjeti i povezati različite vrste podataka, poput slika i teksta. Projekt koji generiše opise slika je savršen način da uđete u svijet "računarskog vida (computer vision)".

Spajanje digitalnih očiju i jezika

Ovaj projekt koristi dva moćna sistema: jedan koji "vidi" (obično konvoluciona neuronska mreža ili Vision Transformer) i jedan koji "govori" (jezički model). Kada modelu date sliku, on prvo izdvaja ključne vizuelne karakteristike, kao što su oblici, boje i objekti. Zatim te karakteristike šalje jezičkom modelu koji sastavlja rečenicu koja opisuje ono što se nalazi na slici.

Koristeći Python biblioteke kao što je "Pillow" za rad sa slikama i "Transformers" za modele, možete napraviti alat koji za sliku psa u parku kaže: "Smeđi pas trči po zelenoj travi pod sunčanim nebom." Iako zvuči kao naučna fantastika, moderni modeli poput BLIP-a (Bootstrapping Language-Image Pre-training) omogućavaju da ovo postignete sa manje od dvadeset linija koda.

Praktična primjena i inkluzivnost

Osim što je impresivan za portfolio, ovaj alat ima duboku praktičnu vrijednost. Može se koristiti za automatsko generisanje "alt-teksta" na web stranicama, što značajno poboljšava pristupačnost interneta za slijepe i slabovide osobe. Takođe, firme koje se bave e-trgovinom mogu koristiti ovo za automatsko katalogiziranje hiljada fotografija proizvoda, štedeći stotine sati manuelnog rada.

U kontekstu AI Academy, ovakvi projekti nam pokazuju kako tehnologija može biti inkluzivna. Razumijevanje načina na koji AI interpretira vizuelni svijet ključno je za razvoj naprednijih sistema, kao što su autonomna vozila ili sistemi za medicinsku dijagnostiku, mada ovi potonji zahtijevaju mnogo viši nivo preciznosti i nadzora.

Šta sljedeće za obradu slika

• Isprobajte modele koji ne samo da opisuju sliku, već mogu i odgovoriti na pitanja o njoj (Visual Question Answering).
• Implementirajte sistem koji može prepoznati specifične brendove ili logotipe na fotografijama sa društvenih mreža.
• Istražite kako se ovi modeli mogu optimizovati da rade na mobilnim uređajima koristeći "Lite" verzije modela.

Ako želite proširiti znanje o radu sa multimodalnim modelima i AI agentima, pročitajte naš članak o automatizacijama i AI agentima. (https://aiacademy.ba/blogs/ai-workflows-automations-agents)

Projekt 4: Glasovni asistent sa prepoznavanjem govora

Svi smo koristili Siri ili Google Assistant, ali izgradnja sopstvene, makar i jednostavnije verzije, pruža nevjerovatan uvid u to kako mašine procesiraju ljudski glas. Ovaj projekt kombinuje "prepoznavanje govora (speech recognition)" i "sintezu govora (text-to-speech)".

Od zvučnog talasa do teksta

Prvi izazov u ovom projektu je pretvaranje analognog zvučnog signala u digitalni format koji Python može analizirati. Biblioteka "SpeechRecognition" omogućava povezivanje sa različitim servisima koji obavljaju ovaj težak posao. Kada izgovorite komandu, skript snima zvuk, šalje ga na obradu i vraća tekstualni niz.

Nakon što dobijete tekst, koristite logiku (ili čak mali AI model) da odlučite šta uraditi. Ako kažete "kakvo je vrijeme u Sarajevu", skript može pozvati API za vremensku prognozu i dobiti podatke. Završni korak je vraćanje te informacije korisniku u obliku govora koristeći biblioteke kao što je "pyttsx3".

Prilagođavanje lokalnim potrebama

Jedan od problema sa globalnim asistentima je taj što često ne razumiju lokalne specifičnosti ili naš jezik onako dobro kako bismo željeli. Gradeći sopstveni asistent, možete ga obučiti da prepoznaje specifične termine ili da komunicira na način koji vama najviše odgovara. Možete ga povezati sa vašim pametnim domom ili ga koristiti za diktiranje bilješki dok vozite.

Važno je napomenuti da rad sa zvukom nosi izazove poput pozadinske buke. Učenje kako da "očistite" zvučni signal prije slanja na prepoznavanje je vrijedna vještina koja se primjenjuje u mnogim granama inženjerstva.

Šta sljedeće za glasovnog asistenta

• Integrišite OpenAI API ili sličan model kako bi vaš asistent mogao voditi smislenije razgovore umjesto da samo izvršava fiksne komande.
• Dodajte podršku za više jezika i testirajte koliko dobro sistem prepoznaje različite akcente iz naše regije.
• Napravite sistem koji može prepoznati ko govori na osnovu "otiska glasa" (voice fingerprinting).

Projekt 5: Inteligentni sistem za odgovaranje na pitanja iz dokumenata (RAG)

Ovo je trenutno jedan od najtraženijih projekata u industriji. "Generisanje prošireno pretraživanjem (Retrieval-Augmented Generation - RAG)" omogućava vam da kreirate AI koji "čita" vaše privatne dokumente (PDF-ove, Word fajlove, bilješke) i odgovara na pitanja isključivo na osnovu njih.

Kako funkcioniše RAG sistem

Tradicionalni AI modeli su ograničeni na podatke na kojima su obučeni. RAG to mijenja tako što dodaje korak pretraživanja. Kada postavite pitanje, sistem prvo pretražuje vašu bazu dokumenata za najrelevantnije pasuse. Zatim te pasuse šalje jezičkom modelu kao kontekst, govoreći mu: "Na osnovu ovog teksta, odgovori na korisnikovo pitanje."

Za ovaj projekt u Pythonu koristimo "LangChain" ili "LlamaIndex" – okvire koji su dizajnirani upravo za povezivanje LLM-ova (Large Language Models) sa eksternim podacima. Takođe će vam trebati "vektorska baza podataka (vector database)" poput FAISS-a ili Chrome, koja omogućava munjevito pretraživanje sličnosti među hiljadama stranica teksta.

Primjena u poslovanju i edukaciji

Zamislite da ste student koji ima stotine stranica skripti. Umjesto da ručno tražite definiciju, možete pitati svoj AI asistent: "Šta ovaj autor kaže o ekonomskoj krizi 2008. godine?" i dobiti tačan odgovor sa referencom na stranicu. U poslovnom svijetu, ovo se koristi za pretraživanje internih baza znanja, pravnih ugovora ili tehničke dokumentacije.

Ovo je vrhunac praktične primjene AI-a danas, jer rješava jedan od najvećih problema modela: halucinacije (generisanje netačnih informacija). Pošto je model ograničen na vaš tekst, šansa da izmisli podatak je svedena na minimum.

Šta sljedeće za RAG sisteme

• Povežite sistem sa bazom podataka vaših e-mailova kako biste mogli pretraživati korespondenciju prirodnim jezikom.
• Implementirajte "citiranje izvora" tako da AI uvijek navede iz kojeg dokumenta i sa kojeg pasusa je izvukao informaciju.
• Istražite tehnike "fino podešavanja modela (fine-tuning)" za specifične industrijske termine ako radite u vrlo usko stručnom polju.

Ako vas zanima kako RAG i srodne tehnike utiču na obrazovanje i nastavu, pročitajte naše članke o Core Machine Learning & Deep Learning. (https://aiacademy.ba/blogs/core-machine-learning-deep-learning)

Ograničenja, etika i odgovornost

Dok gradite ove projekte, lako je pasti pod uticaj entuzijazma i zaboraviti da AI ima svoje tamne strane. U AI Academy insistiramo na odgovornom pristupu. Prvo i najvažnije: AI modeli griješe. Oni ne "razmišljaju" u ljudskom smislu; oni predviđaju sljedeći najvjerovatniji simbol u nizu. To znači da mogu biti vrlo uvjerljivi čak i kada su potpuno u krivu.

Pristrasnost (bias) je još jedan ogroman izazov. Ako je model obučen na podacima koji sadrže stereotipe, on će te stereotipe ponavljati. Ovo je posebno opasno u sistemima koji se koriste za zapošljavanje ili procjenu kreditne sposobnosti. Kao programer, vaša je dužnost da kritički posmatrate izlaze svog modela.

Privatnost podataka je tema o kojoj se ne smije pregovarati. Kada koristite besplatne online API-je, često pristajete na to da se vaši podaci koriste za dalje obučavanje modela. Nikada nemojte slati povjerljive klijentske ugovore ili lične zdravstvene podatke na javne servise. Za takve slučajeve, Python vam omogućava da koristite "lokalne modeli" koji nikada ne napuštaju vaš računar ili internu mrežu vaše firme.

Autorska prava su takođe u sivoj zoni koja se tek pravno definiše. Budite svjesni da sadržaj generisan vještačkom inteligencijom može nositi pravne rizike, zavisno od toga kako i gdje ga koristite. Uvijek budite transparentni prema klijentima i korisnicima kada koristite AI u svojim proizvodima.

Za praktične smjernice o odgovornoj primjeni AI pročitajte naš vodič o odgovornom AI u praksi. (https://aiacademy.ba/blogs/ethical-ai)

Kada potražiti stručnjaka

Iako ovi projekti omogućavaju da postignete mnogo sami, postoje situacije u kojima je neophodna stručna pomoć ili validacija.

Ako razvijate rješenje koje utiče na zdravlje ljudi (npr. dijagnostički alat), na njihovu pravnu poziciju (npr. automatska analiza ugovora sa pravnim posljedicama) ili na njihovu finansijsku sigurnost (npr. sistemi za automatizovano trgovanje dionicama), obavezno konsultujte kvalifikovane stručnjake iz tih oblasti. AI je tu da pomogne stručnjaku, a ne da ga zamijeni bez nadzora.

Za dublji razvoj vještina i rješavanje kompleksnih arhitektonskih problema, zajednice poput naše u AI Academy nude prostor za umrežavanje sa ljudima koji su već prošli kroz slične izazove. Učenje u grupi i razmjena iskustava sa ljudima iz industrije često su brži put do uspjeha nego pokušaji da sve riješite sami zatvoreni u sobi.

Ako želite aktivno doprinositi zajednici kao govornik ili voditi radionicu, saznajte kako da postanete predavač i prijavite svoju temu kroz naše kanale za uključivanje u zajednicu. (https://aiacademy.ba/blogs/ai-career-path)

Put ka majstorstvu: Od početnika do AI kreatora

Izgradnja projekata koje smo opisali samo je početak vašeg putovanja. Prava vještina se stiče kroz ponavljanje, griješenje i stalno učenje. AI polje se mijenja nevjerovatnom brzinom – ono što je danas standard, sutra može biti zastarjelo. Zato je najvažnija vještina koju možete steći zapravo "učenje kako učiti".

U AI Academy, naša filozofija je jasna:

1. Razumijevanje prvo: Nemojte samo kopirati kod. Pokušajte shvatiti zašto je određena biblioteka izabrana i kako model funkcioniše "ispod haube".
2. Definicija cilja: Uvijek gradite sa svrhom. Čak i mali projekt je vrijedniji ako rješava bar jedan vaš realni problem.
3. Provjera odgovornosti: Budite etični. Razmislite o uticaju vašeg koda na privatnost i sigurnost drugih.
4. Praktična primjena: Pišite kod svakodnevno. Testirajte ga sa stvarnim podacima. Ne bojte se grešaka; one su vaši najbolji učitelji.
5. Ponavljanje i dijeljenje: Kada nešto naučite, podijelite to sa zajednicom. Objasnite kolegi, napišite blog post ili objavite kod na GitHubu. Dijeljenje znanja učvršćuje vaše razumijevanje i pomaže cijeloj zajednici u Sarajevu i šire da napreduje.

Budućnost rada ne pripada onima koji znaju koristiti AI alate, već onima koji razumiju kako da ih izgrade, prilagode i odgovorno primijene u stvarnom svijetu.

Pridružite se našoj zajednici, pohađajte naše besplatne radionice i počnite graditi već danas. Sarajevo i cijela regija imaju ogroman potencijal da postanu čvorište za AI inovacije, a vi možete biti dio te priče. Vaš prvi Python AI projekt vas čeka – preuzmite kontrolu nad tehnologijom i učinite je svojim najjačim saveznikom.

Ako želite pratiti nadolazeće radionice, hakatone i meetupe, posjetite našu stranicu s najavama događaja. (https://aiacademy.ba/)

Česta pitanja

Pitanje: Da li mi je potrebno napredno znanje matematike da bih počeo sa AI projektima u Pythonu?

Odgovor: Za početak i izgradnju praktičnih projekata koristeći biblioteke i unaprijed obučene modele, nije vam potrebna napredna matematika. Dovoljno je poznavanje osnovne logike i osnova programiranja. Međutim, ako se odlučite za dublje istraživanje i razvoj novih algoritama ili optimizaciju neuronskih mreža, znanje linearne algebre, vjerovatnoće i kalkulusa će postati neophodno.

Pitanje: Koliko vremena je potrebno da se završi jedan od ovih projekata?

Odgovor: Većinu ovih projekata možete postaviti u osnovnoj verziji (MVP) za jedan do dva vikenda fokusiranog rada. Python biblioteke poput Hugging Face ili LangChain drastično skraćuju vrijeme potrebno za razvoj. Naravno, poliranje projekta, dodavanje korisničkog sučelja i optimizacija za stvarne podatke mogu trajati sedmicama, zavisno od vaših ambicija.

Pitanje: Da li su ovi projekti sigurni za korištenje sa poslovnim podacima moje firme?

Odgovor: Sigurnost zavisi od načina implementacije. Ako koristite javne API-je (poput OpenAI ili besplatnih online prevodilaca), vaši podaci mogu biti korišteni za dalje obučavanje modela. Za poslovne podatke preporučujemo korištenje "open-source" modela ili local-first pristupa i konsultovanje stručnjaka. Za savjete i podršku prilikom organizacije radionica ili specifičnih implementacija, kontaktirajte nas putem kontakt forme na sajtu AI Academy. (https://aiacademy.ba/)

Napomena: Ako želite da vas obavijestimo o narednom terminu radionice ili da predložite temu za predavanje, posjetite našu stranicu događaja ili saznajte kako postati predavač kroz stranice i resurse AI Academy. (https://aiacademy.ba/)