Kako Izgraditi Portfolio uz AI Data Science Projects

Table of Contents

1. Ključne stavke
2. Uvod
3. Razumijevanje životnog ciklusa projekta
4. Početni nivo: Temelji manipulacije i vizualizacije
5. Srednji nivo: Prediktivno modeliranje i rješavanje problema
6. Napredni nivo: Duboko učenje i procesiranje prirodnog jezika
7. Etika, odgovornost i granice tehnologije
8. Kako efikasno prezentovati svoj rad
9. Specifični scenariji primjene AI-a
10. Budućnost AI Data Science projekata
11. Put ka profesionalnoj primjeni
12. Česta pitanja

Ključne stavke

• Praktični AI data science projekti su najefikasniji način za prelazak iz teorijskog razumijevanja algoritama u rješavanje stvarnih poslovnih problema i osiguravanje zaposlenja u industriji.
• Kvalitetan portfolio zahtijeva balans između tehničke stručnosti u alatima kao što su Python i TensorFlow, te dubokog razumijevanja etičke odgovornosti i ograničenja vještačke inteligencije.
• Uspjeh u oblasti podataka ne dolazi samo od pisanja koda, već od sposobnosti definisanja jasnih ciljeva, kritičkog razmišljanja o podacima i aktivnog dijeljenja znanja sa zajednicom.

Uvod

Zamislite programera u Sarajevu ili marketinšku analitičarku u Banjoj Luci koji su proveli mjesece gledajući online tutorijale o vještačkoj inteligenciji. Imaju certifikate, poznaju osnove Pythona i razumiju šta je neuronska mreža (neural network). Međutim, kada sjednu pred prazan ekran ili dobiju zadatak od klijenta da predvide potražnju za proizvodima, nastupa blokada. Problem nije u nedostatku teorije, već u nedostatku iskustva sa stvarnim podacima koji su često neuredni, nepotpuni i kontradiktorni. Na našem regionalnom tržištu rada, kompanije više ne traže samo ljude koji "znaju o AI-u", već one koji mogu pokazati konkretne rezultate.

U AI Academy vjerujemo da je jedini put ka istinskoj stručnosti onaj koji vodi kroz praktičan rad. Vještačka inteligencija nije magični štapić, već vještina koja se kali kroz pokušaje, promašaje i uspješne implementacije. Ovaj članak je dizajniran da vas vodi kroz proces selekcije, razvoja i prezentacije projekata koji će vaš portfolio izdvojiti iz mase. Bilo da ste apsolutni početnik koji tek instalira svoj prvi Jupyter Notebook ili iskusniji profesionalac koji želi produbiti svoje znanje u oblasti dubokog učenja (deep learning), ključ je u strukturiranom pristupu.

Fokusiraćemo se na putanju koju promovišemo u našem centru: prvo razumijevanje suštine problema, zatim definisanje jasnog cilja, obavezna provjera etičke odgovornosti, te na kraju praktična primjena i dijeljenje sa zajednicom. Kroz naredne sekcije, istražit ćemo različite nivoe projekata, od analize trendova na platformama poput Netflixa do složenih sistema za detekciju bolesti, dajući vam jasan putokaz kako da gradite svoju karijeru u svijetu podataka. Ako želite praktičnu podršku i učestvovati na radionicama, pogledajte našu stranicu događaja za najavljene radionice i meetupe.

Razumijevanje životnog ciklusa projekta

Prije nego što uopšte otvorite razvojno okruženje, morate razumjeti da se svaki uspješan projekt vještačke inteligencije (artificial intelligence) sastoji od faza koje prethode samom programiranju. Prva faza je razumijevanje domena. Ako pravite model za predviđanje cijena nekretnina, morate razumjeti faktore koji utiču na tržište u Bosni i Hercegovini, a ne samo učitati nasumičan set podataka iz Amerike. AI alati su moćni u prepoznavanju obrazaca, ali oni ne posjeduju zdrav razum. Bez vašeg usmjeravanja, model može pronaći korelacije koje su potpuno besmislene u stvarnom svijetu.

Druga faza je prikupljanje i čišćenje podataka. U industriji se često kaže da podaci naučnika (data scientists) troše 80% svog vremena na pripremu podataka, a samo 20% na izgradnju modela. To je surova istina. Podaci koje nađete na internetu su rijetko spremni za upotrebu. Morat ćete se nositi sa nedostajućim vrijednostima, duplikatima i pogrešnim formatima. Tek nakon što su podaci "čisti", možete preći na eksplorativnu analizu podataka (exploratory data analysis - EDA), gdje vizualizacijama pokušavate otkriti skrivene trendove prije nego što uključite mašinsko učenje (machine learning).

Zadnja faza je evaluacija i komunikacija. Napraviti model koji ima 95% tačnosti je beskorisno ako ne možete objasniti menadžmentu ili klijentu šta taj rezultat znači i kako će on uštedjeti novac ili poboljšati uslugu. Upravo ovdje mnogi tehnički potkovani ljudi griješe – zaboravljaju da je AI alat za rješavanje problema, a ne cilj sam po sebi. Razvijanje sposobnosti da objasnite kompleksne algoritme običnim jezikom je ono što razlikuje vrhunske stručnjake od prosječnih. Za smjernice o etičkom pristupu i odgovornom korištenju AI, preporučujemo čitanje naših članaka o odgovornom AI koji detaljno razrađuju pristrasnost i privatnost.

Važno upozorenje: Automatizacija lošeg procesa pomoću vještačke inteligencije samo dovodi do bržeg stvaranja loših rezultata. Prije primjene AI modela, uvijek se zapitajte da li je sam proces koji pokušavate unaprijediti logičan i održiv.

Početni nivo: Temelji manipulacije i vizualizacije

Za nekoga ko tek ulazi u svijet podataka, prvi AI data science projects ne bi trebali biti previše kompleksni. Fokus treba biti na savladavanju biblioteka kao što su Pandas za manipulaciju podacima i Matplotlib ili Seaborn za vizualizaciju. Dobar primjer za početak je analiza podataka o filmovima na streaming platformama poput Netflixa. Ovaj projekt vam omogućava da vježbate učitavanje velikih CSV fajlova, filtriranje podataka po žanrovima, godinama izlaska i ocjenama, te kreiranje grafikona koji pokazuju kako se industrija zabave mijenjala kroz decenije.

Analiza mentalnog zdravlja studenata

Drugi izvrstan početnički projekt fokusira se na društveno odgovorne teme, poput analize mentalnog zdravlja studenata. Korištenjem anonimiziranih anketa, možete istražiti kako faktori poput opterećenja ispitima, društvenog života i fizičke aktivnosti utiču na opšte blagostanje. Ovdje ćete naučiti kako raditi sa kategorijalnim podacima i kako koristiti statističke testove da provjerite jesu li uočene razlike značajne ili su plod slučajnosti. Ovaj tip projekta pokazuje poslodavcima da niste samo "koder", već osoba koja razmišlja o ljudskom faktoru u podacima.

Istraživanje putnih mreža i javnog prevoza

Rad sa vremenskim serijama je ključna vještina. Analiza podataka o javnom prevozu, poput onih iz Londona ili Sarajeva, pruža priliku za učenje o sezonalnosti i trendovima. Možete istražiti u koje doba dana je gužva najveća, kako vremenske prilike utiču na kašnjenja i koji su dijelovi grada najslabije povezani. Ovaj projekt vas priprema za rad u urbanom planiranju ili logistici, gdje su precizni podaci o kretanju od ključne važnosti za efikasnost sistema.

Šta uraditi sljedeće u ovoj fazi

• Savladajte osnove biblioteke Pandas kroz rad sa DataFrame objektima.
• Kreirajte barem tri različita tipa vizualizacija (histogrami, scatter plotovi, box plotovi) za svaki projekt.
• Zapišite tri ključna zaključka koja ste izvukli iz podataka, a koja nisu očigledna na prvi pogled.

Ako želite učiti kroz strukturirane lekcije i radionice, provjerite naše teme poput Core Machine Learning & Deep Learning i seriju o prompt inženjeringu koja pomaže u oblikovanju eksperimenata.

Srednji nivo: Prediktivno modeliranje i rješavanje problema

Kada se osjećate ugodno sa istraživanjem podataka, vrijeme je da pređete na predikcije. Srednji nivo AI data science projects podrazumijeva korištenje nadgledanog učenja (supervised learning) za predviđanje budućih ishoda. Jedan od najpraktičnijih primjera je prediktivno modeliranje u poljoprivredi. Korištenjem podataka o sastavu zemljišta, vlažnosti i temperaturi, možete izgraditi model koji farmerima preporučuje koju kulturu da zasade kako bi maksimizirali prinos. Ovaj projekt zahtijeva korištenje biblioteke Scikit-learn i razumijevanje algoritama poput nasumičnih šuma (random forests) ili stabala odlučivanja (decision trees).

Analiza kriminala i urbana sigurnost

Analiza podataka o kriminalu u velikim gradovima omogućava vam da radite sa prostornim podacima (geospatial data). Mapiranjem mjesta gdje se najčešće dešavaju određeni incidenti, možete pomoći u boljoj distribuciji resursa sigurnosnih agencija. Ovo nije samo vježba iz programiranja, već duboko razumijevanje etike – kako osigurati da vaš model ne pojačava postojeće predrasude (bias) prema određenim naseljima ili grupama ljudi. Ovdje učite o važnosti fer-pleja u algoritmima i odgovornosti koju nosite kao kreator sistema.

Predviđanje cijena nekretnina i churn analiza

U poslovnom svijetu, predviđanje cijena nekretnina i analiza odlaska korisnika (customer churn analysis) su među najtraženijim vještinama. Kod cijena nekretnina učite o regresiji i rješavanju problema multikolinearnosti (kada su dvije varijable previše povezane). Kod churn analize, pomažete kompanijama da identifikuju koji će korisnici vjerovatno prestati koristiti njihove usluge na osnovu njihovog ponašanja. Ovo su direktno primjenjivi projekti koji imaju jasnu finansijsku vrijednost za svaku firmu, što ih čini idealnim za vaš portfolio.

Šta uraditi sljedeće u ovoj fazi

• Implementirajte proces unakrsne validacije (cross-validation) kako biste bili sigurni da vaš model nije previše prilagođen podacima (overfitting).
• Uporedite performanse barem tri različita algoritma na istom setu podataka.
• Dokumentujte proces odabira karakteristika (feature selection) – objasnite zašto ste određene podatke zadržali, a druge odbacili.

Zaključak faze: Predikcija bez razumijevanja uzročnosti je opasna. Uvijek provjerite da li vaš model donosi odluke na osnovu relevantnih faktora ili na osnovu buke u podacima koja može dovesti do netačnih zaključaka.

Ako želite istražiti praktične primjere i studije slučaja iz industrije, pogledajte sekciju "Local AI" i studije na AI Case Studies & Innovation.

Napredni nivo: Duboko učenje i procesiranje prirodnog jezika

Najuzbudljiviji dio savremenog AI-a su oblasti koje simuliraju ljudsku percepciju – vid i jezik. Napredni AI data science projects često uključuju neuronske mreže (neural networks) i biblioteke poput TensorFlow ili PyTorch. Jedan od najrelevantnijih projekata danas je detekcija lažnih vijesti (fake news detection). Korištenjem procesiranja prirodnog jezika (natural language processing - NLP), možete istrenirati model da prepozna obrasce govora, senzacionalizam i nedostatak izvora koji su karakteristični za dezinformacije. Ovo je projekt koji ima direktan uticaj na digitalnu higijenu našeg društva.

Klasifikacija medicinskih slika

U zdravstvu, AI se koristi za analizu MRI snimaka ili rendgena kako bi se rano otkrili tumori ili druge anomalije. Iako AI nikada ne smije zamijeniti ljekara, on može služiti kao moćan asistent koji skreće pažnju na sumnjive zone koje ljudsko oko može previdjeti usljed umora. Rad na ovakvim projektima zahtijeva poznavanje konvolucionih neuronskih mreža (convolutional neural networks - CNN). Ovdje je odgovornost na najvišem nivou – greška u modelu može imati ozbiljne posljedice, stoga je rigorozno testiranje apsolutno neophodno.

Razvoj inteligentnih chatbotova i agenata

Sa pojavom velikih jezičkih modela (large language models - LLM), izgradnja chatbotova je postala mnogo više od jednostavnog grananja odgovora. Danas možemo graditi agente koji razumiju kontekst, emociju i namjeru korisnika. Projekt koji uključuje fino podešavanje modela (fine-tuning) na specifičnom skupu podataka, npr. za korisničku podršku lokalne e-commerce platforme, pokazuje da pratite najnovije trendove. Ovdje učite o tehnikama poput RAG-a (retrieval-augmented generation), gdje AI model pretražuje vašu bazu znanja prije nego što generiše odgovor, čime se drastično smanjuju šanse za halucinacije podataka.

Šta uraditi sljedeće u ovoj fazi

• Istražite rad sa pre-treniranim modelima (transfer learning) kako biste uštedjeli vrijeme i resurse.
• Naučite kako da koristite GPU ubrzanje za treniranje kompleksnih modela.
• Fokusirajte se na interpretabilnost modela – pokušajte objasniti zašto je neuronska mreža donijela baš tu odluku koristeći alate kao što je SHAP ili LIME.

Za resurse o generativnoj AI i alatima, pogledajte naš vodič o Osnovnim sastojcima generativne AI i članke u Wiki sekciji koji objašnjavaju praktične alate.

Etika, odgovornost i granice tehnologije

Kao stručnjaci okupljeni oko AI Academy, neprestano naglašavamo da tehnologija bez etičkog kompasa može nanijeti štetu. Svaki projekt koji radite mora proći kroz filter odgovornosti. Prvi izazov su halucinacije modela – situacije u kojima AI sa potpunom samouvjerenošću iznosi netačne činjenice. Ovo je posebno opasno u pravnim ili medicinskim projektima. Vaša je dužnost da u portfoliju navedete kako ste se borili protiv ovog fenomena i koje ste zaštitne mehanizme ugradili.

Pristrasnost i privatnost podataka

Podaci često nose historijske nepravde. Ako trenirate model za odobravanje kredita na podacima koji su pristrasni prema određenom spolu ili etničkoj grupi, vaš AI će tu nepravdu automatizovati. Identifikacija i eliminacija pristrasnosti (bias) je jedan od najtežih, ali i najvažnijih zadataka modernog data scientist-a. Također, privatnost podataka je neprikosnovena. Nikada nemojte koristiti osjetljive lične podatke građana BiH ili bilo kojeg drugog regiona u javnim alatima bez jasne anonimizacije i usklađenosti sa zakonima o zaštiti podataka.

Kada potražiti stručnjaka

Vještačka inteligencija može pružiti uvid, ali ključne odluke koje utiču na zdravlje, finansijsku stabilnost ili pravni status pojedinca uvijek moraju biti potvrđene od strane kvalifikovanog stručnjaka. Ako vaš projekt daje medicinske preporuke, obavezno navedite da je on namijenjen isključivo u istraživačke svrhe i da se korisnici moraju obratiti ljekaru. Naša uloga je da osnažimo ljude tehnologijom, a ne da je predstavljamo kao nepogrešivi autoritet.

Upozorenje o privatnosti: Unošenje povjerljivih poslovnih ugovora ili privatnih zdravstvenih kartona u javne modele kao što je ChatGPT bez odgovarajućih sigurnosnih postavki može dovesti do trajnog curenja informacija. Uvijek provjerite politiku privatnosti alata koji koristite.

Za dublje čitanje o halucinacijama i etici, posjetite naš članak o razumijevanju AI halucinacija i Wiki sekciju za praktične preporuke.

Kako efikasno prezentovati svoj rad

Izgradnja projekta je samo pola posla; druga polovina je njegova prezentacija. Vaš GitHub profil treba biti vaša digitalna vizit karta. Svaki projekt mora imati kvalitetan README fajl koji objašnjava koji problem rješavate, koji su podaci korišteni, koju ste metodologiju primijenili i, što je najvažnije, kakvi su rezultati postignuti. Umjesto da samo okačite kod, napišite kratku studiju slučaja. Objasnite izazove na koje ste naišli i kako ste ih prevazišli – to poslodavcima govori više o vama nego sam kod koji radi bez greške.

Korištenje interaktivnih dashboarda

Za projekte vizualizacije, razmislite o korištenju alata kao što su Streamlit ili Tableau. Omogućiti korisniku ili potencijalnom poslodavcu da se "igra" sa vašim podacima, mijenja parametre i uživo vidi promjene na grafikonima je izuzetno moćno. To pokazuje da razumijete korisničko iskustvo i da znate kako da podatke učinite dostupnim ljudima koji nisu programeri. U AI Academy često ističemo da je vještačka inteligencija najkorisnija kada je inkluzivna i razumljiva svima.

Pisanje blog postova i dijeljenje u zajednici

Dijeljenje znanja je najbolji način da sami naučite još više. Pišite blog postove o svojim projektima na platformama kao što su Medium ili LinkedIn. Objasnite koncepte poput linearne regresije ili neuronskih mreža na primjerima iz svog rada. Kada objasnite nešto drugima, to znanje postaje trajno vaše. Također, aktivno učestvovanje u lokalnim AI zajednicama u Sarajevu i šire otvara vrata za saradnju, mentorstva i nove poslovne prilike. Mi u Sarajevu gradimo scenu koja je povezana s globalnim trendovima, ali duboko svjesna lokalnih potreba.

Ako želite podijeliti svoje iskustvo kao predavač ili voditelj radionice, prijavite se na stranicu "Postani predavač" i pomozite nam da gradimo kvalitetne događaje. Za informacije o alatima i wiki resursima koje možete koristiti u prezentacijama, pogledajte našu Bazu znanja (Wiki).

Šta uraditi sljedeće za portfolio

• Očistite svoj GitHub profil od nedovršenih i loše dokumentovanih repozitorija.
• Snimite kratki video demo (do 2 minute) koji prikazuje kako vaš AI model funkcioniše u praksi.
• Povežite se sa drugim entuzijastima na LinkedInu i podijelite svoj najnoviji rad tražeći povratne informacije.

Ako želite ličnu podršku ili imate pitanja o objavljivanju rada na našim događajima, kontaktirajte nas putem kontakt forme.

Specifični scenariji primjene AI-a

Da bismo dodatno konkretizovali važnost odabira pravog puta, razmotrimo nekoliko stvarnih scenarija. Ako radite u marketingu i želite primijeniti AI, nemojte početi sa kompleksnim algoritmima za prepoznavanje lica. Počnite sa analizom segmentacije kupaca. Koristite K-means klastering da grupišete korisnike prema njihovim navikama kupovine. To će vam omogućiti da kreirate personalizovane kampanje koje imaju mnogo veću stopu uspjeha. Alat dolazi tek nakon što ste jasno definisali poslovni problem.

U svijetu razvoja softvera, ako želite uvesti AI u svoj workflow (tok rada), počnite sa automatizacijom rutinskih zadataka. Kreirajte skripte koje automatski testiraju vaš kod ili koriste NLP za generisanje dokumentacije iz vaših komentara. To se danas često naziva "vibe coding" – osjećaj gdje razvojni alati postaju produžetak vaše misli, ali vi i dalje držite kormilo. Ne dozvolite da AI piše sav kod umjesto vas; koristite ga da ubrzate procese kako biste se mogli fokusirati na arhitekturu i logiku sistema.

Vlasnici malih biznisa u regiji često misle da je AI preskup ili prekomplikovan. To je zabluda. Korištenje gotovih modela za predviđanje zaliha ili optimizaciju cijena može se implementirati sa vrlo malo ulaganja uz pomoć besplatnih resursa koje nudi zajednica. Ključ je u postepenom uvođenju: počnite jednostavno, mjerite rezultate, pa tek onda investirajte u složenija rješenja. AI Academy je tu da pruži podršku upravo u tom procesu tranzicije — pridružite nam se na nekom od naših događaja kako biste praktično isprobali metode.

Budućnost AI Data Science projekata

Tehnologija se razvija brže nego ikada prije. Ono što je prošle godine bio vrhunac istraživanja, danas je dostupno kao biblioteka koju svako može instalirati. U budućnosti će se fokus još više pomjeriti sa same izgradnje modela na upravljanje podacima i osiguravanje kvaliteta (data-centric AI). To znači da će vaša sposobnost da procijenite kvalitet izvora informacija biti važnija od toga koliko algoritama znate napamet.

Agenturalni AI (AI agents) postaje sljedeća velika stvar. Umjesto jednog modela koji odgovara na pitanja, gradićemo sisteme gdje više specijalizovanih agenata sarađuje na rješavanju kompleksnog zadatka. Zamislite sistem gdje jedan agent analizira finansijske izvještaje, drugi prati vijesti sa tržišta, a treći sintetizuje te informacije u izvještaj za direktora. Izgradnja ovakvih multi-agentskih sistema je vrhunski projekt za svakoga ko želi biti na samom rubu tehnološkog napretka — za resurse o agentima pogledajte našu temu o Workflow Automations & AI agents.

Bez obzira na to koliko tehnologija napredovala, srž ostaje ista: rješavanje ljudskih problema. AI Academy ostaje posvećena viziji 10x.ai – osnaživanju pojedinaca da postanu deset puta produktivniji i kreativniji uz pomoć vještačke inteligencije. Naša vrata u Sarajevu su otvorena za sve koji žele učiti, dijeliti i graditi budućnost u kojoj tehnologija služi čovjeku, a ne obrnuto. Više o našoj misiji i timu pročitajte na stranici O nama.

Put ka profesionalnoj primjeni

Kroz ovaj dugi put istraživanja AI data science projekata, vidjeli smo da put od početnika do stručnjaka nije linearan, ali je itekako ostvariv. On zahtijeva disciplinu, kontinuirano učenje i hrabrost da se uhvatite u koštac sa stvarnim podacima. AI nije samo profesija; to je način razmišljanja koji traži rješenja tamo gdje drugi vide samo buku i haos.

Podsjetimo se ključnih koraka našeg procesa:

• Razumijevanje: Prije koda, shvatite suštinu problema i kontekst u kojem podaci nastaju.
• Cilj: Definišite šta tačno želite postići – uštedu vremena, veću tačnost ili nove uvide.
• Odgovornost: Uvijek provjerite etičke implikacije, pristrasnost i zaštitite privatnost.
• Primjena: Počnite sa jednostavnim alatima, gradite prototipe i postepeno ih usložnjavajte.
• Dijeljenje: Budite dio zajednice, tražite feedback i pomažite drugima u njihovom učenju.

Vaš put u vještačku inteligenciju počinje danas. Izaberite jedan projekt sa liste, preuzmite podatke i napravite prvi korak. U svijetu koji se mijenja svake sekunde, jedina konstanta je vaše znanje i sposobnost prilagođavanja. Vidimo se na nekoj od naših radionica ili u zajedničkom radnom prostoru, gdje zajedno gradimo regionalnu AI revoluciju.

Finalna misao: Najbolji projekt u vašem portfoliju je onaj koji ste završili do kraja, uprkos svim greškama i izazovima. Savršenstvo je neprijatelj progresa; gradite, griješite i učite.

Česta pitanja

Pitanje: Da li moram biti vrhunski matematičar da bih radio na AI data science projektima?

Odgovor: Ne morate imati diplomu iz matematike, ali je važno razumjeti osnovne koncepte statistike, vjerovatnoće i linearne algebre. Većina modernih biblioteka rješava kompleksne proračune umjesto vas, ali vi morate razumjeti logiku iza njih kako biste znali odabrati pravi model i interpretirati rezultate.

Pitanje: Koliko dugo traje izrada jednog kvalitetnog portfolija od nule?

Odgovor: To zavisi od vašeg trenutnog predznanja, ali obično je potrebno 3 do 6 mjeseci intenzivnog rada da biste izgradili 3-4 ozbiljna projekta koji pokrivaju različite oblasti (npr. EDA, mašinsko učenje i NLP). Kvalitet je uvijek važniji od kvantiteta; bolje je imati jedan duboko istražen projekt nego deset površnih.

Pitanje: Da li su besplatni podaci sa platformi kao što je Kaggle dovoljni za zaposlenje?

Odgovor: Oni su odlični za učenje osnova i vježbanje algoritama, ali poslodavci izuzetno cijene kada sami prikupite podatke (npr. putem web scrapinga ili javnih API-ja) i riješite problem koji nije već "prežvakan" u hiljadama tutorijala. Unikatnost projekta pokazuje vašu proaktivnost i snalažljivost.

Pitanje: Koje programske jezike trebam prioritetno naučiti za AI projekte?

Odgovor: Python je apsolutni standard u industriji zbog svoje jednostavnosti i ogromne podrške zajednice kroz biblioteke kao što su Pandas, Scikit-learn i TensorFlow. Iako se koriste i R, Julia ili C++, za 95% AI data science projekata Python će biti najbolji i najbrži izbor za učenje i implementaciju.