Razvoj Generative AI Based Projects i Praktična Primjena

Table of Contents

1. Ključne stavke
2. Uvod
3. Razumijevanje Generativne AI Arhitekture
4. Definisanje Cilja i Odabir Projekta
5. Provjera Odgovornosti i Etički Okviri
6. Praktična Implementacija: Projekat Chat sa PDF-ovima
7. AI Agenti: Sljedeći Nivo Automatizacije
8. Specifični Primjeri Projekata za Praksu
9. Šta AI Ne Može (I Gdje Ste Vi Potrebni)
10. Ponavljanje i Dijeljenje: Snaga Zajednice
11. Zaključak
12. Česta pitanja

Ključne stavke

• Uspješni generativni AI projekti zahtijevaju prelazak sa jednostavnog upita (prompting) na strukturirane arhitekture poput proširenog generisanja izvlačenjem (Retrieval Augmented Generation - RAG) i agentskih radnih tokova.
• Sigurnost podataka, etička odgovornost i razumijevanje ograničenja modela, poput halucinacija, ključni su faktori za prelazak iz prototipa u produkcijsko rješenje koje donosi stvarnu vrijednost.
• Lokalna zajednica i besplatna edukacija kroz AI Academy pružaju neophodan okvir za savladavanje alata kao što su LangChain, LlamaIndex i različiti open-source modeli za rješavanje specifičnih problema.

Uvod

Zamislimo softverskog inženjera u Sarajevu ili marketing menadžera u Tuzli koji provodi sate pokušavajući sistematizovati hiljade stranica tehničke dokumentacije ili povratnih informacija klijenata. Tradicionalni alati pretrage daju rezultate na osnovu ključnih riječi, ali ne razumiju kontekst niti mogu sintetizovati odgovor. Frustracija raste jer znamo da tehnologija postoji, ali nas preplavljuju marketinški hajp i komplikovani engleski termini. Upravo ovdje na scenu stupaju generativni AI projekti (generative ai based projects) koji nisu samo igračke za generisanje pjesama, već moćni alati za transformaciju poslovanja i lične produktivnosti.

U AI Academy vjerujemo da vještačka inteligencija ne smije biti rezervisana samo za globalne tehnološke gigante. Naša misija je osnažiti vas, profesionalce i entuzijaste iz Bosne i Hercegovine i regiona, da razumijete suštinu ovih sistema i primijenite ih u stvarnom radu. Ovaj članak je napisan za programere koji žele izgraditi svoj prvi ozbiljan model, biznis lidere koji žele automatizaciju i kreativce koji traže nove načine izražavanja.

Proći ćemo put od razumijevanja osnovnih arhitektura, definisanja konkretnih ciljeva, pa sve do provjere odgovornosti i praktične implementacije. Vidjet ćemo kako se gradi sistem koji "razgovara" sa vašim PDF dokumentima, kako automatizovati analizu biografija (resume parsing) i kako kreirati AI agente koji samostalno rješavaju kompleksne zadatke. Naš cilj nije samo da koristite tuđe alate, već da naučite graditi vlastite unutar sigurne i podržavajuće zajednice.

Razumijevanje Generativne AI Arhitekture

Prije nego što povučemo prvi red koda ili otvorimo neki od popularnih API-ja, moramo razumjeti šta se dešava "ispod haube". Generativna vještačka inteligencija (Generative AI) zasniva se na modelima koji su trenirani na ogromnim količinama podataka kako bi predvidjeli sljedeći element u nizu — bilo da je to riječ, piksel ili zvučni val. Međutim, za ozbiljne projekte, puko predviđanje nije dovoljno.

Temeljni modeli i fino podešavanje (Fine-tuning)

Većina modernih projekata počinje sa velikim jezičkim modelima (Large Language Models - LLM). To su modeli poput GPT-4, Llama 3 ili Mistral-a. Oni posjeduju opšte znanje o svijetu, ali ne znaju ništa o vašim internim poslovnim procesima ili privatnim podacima. Ovdje imamo dva puta: fino podešavanje (fine-tuning) i in-context learning.

Fino podešavanje modela (fine-tuning) podrazumijeva dodatno treniranje postojećeg modela na specifičnom, manjem skupu podataka. Ovo je korisno kada želite da model usvoji specifičan stil govora (npr. pravni ili medicinski žargon) ili da postane stručnjak za vrlo usku oblast. Međutim, ovaj proces je skup, zahtijeva značajne računarske resurse i podaci postaju "zastarjeli" čim se trening završi.

Revolucija kroz RAG arhitekturu

Za većinu praktičnih primjena u biznisu, bolji pristup je prošireno generisanje izvlačenjem (Retrieval Augmented Generation - RAG). Umjesto da pokušavamo ugurati svo znanje u "mozak" modela, mi mu dajemo "biblioteku" kojoj može pristupiti. Kada postavite pitanje, sistem prvo pretraži vaše dokumente, pronađe najrelevantnije dijelove i onda ih pošalje modelu kao kontekst uz vaše pitanje.

Ovaj pristup drastično smanjuje halucinacije (pojavu gdje AI samouvjereno iznosi netačne informacije) jer model mora bazirati svoj odgovor na priloženom tekstu. Također, privatnost je lakše kontrolisati jer dokumenti ostaju u vašoj bazi, a modelu šaljete samo male fragmente neophodne za odgovor.

Ključni zaključak: Razumijevanje razlike između "znanja modela" i "konteksta koji mu dajemo" je prvi korak ka izgradnji pouzdanih sistema. Uvijek preferirajte RAG arhitekturu za podatke koji se često mijenjaju ili zahtijevaju visoku tačnost.

Definisanje Cilja i Odabir Projekta

Najveća greška koju vidimo u praksi je pokušaj korištenja AI tehnologije tamo gdje ona nije potrebna. AI alat dolazi tek nakon što jasno definišete problem, a ne obrnuto. U AI Academy naglašavamo važnost postavljanja specifičnih ciljeva prije bilo kakve investicije u razvoj.

Identifikacija bolnih tačaka u radnom procesu

Ako vi ili vaš tim provodite sate na ručnoj obradi e-mailova, prvo mapirajte ponavljajuće zadatke. Automatizacija lošeg i neorganizovanog procesa samo će rezultirati bržim stvaranjem haosa. Razmislite o sljedećim kategorijama projekata koji su se pokazali najkorisnijim:

Prva kategorija su sistemi za upravljanje znanjem. To su aplikacije koje omogućavaju zaposlenicima da postavljaju pitanja nad internim bazama znanja, pravilnicima ili tehničkim uputstvima. Umjesto listanja PDF-ova od 200 stranica, korisnik dobija direktan odgovor sa referencom na stranicu dokumenta.

Druga kategorija je automatizacija korisničke podrške i operacija. Ovdje AI ne zamjenjuje čovjeka, već filtrira trivijalne upite, kategoriše tikete i priprema nacrte odgovora koje agenti samo trebaju odobriti. Ovo oslobađa ljudski kapacitet za rješavanje kompleksnih problema koji zahtijevaju empatiju i kritičko razmišljanje.

Odabir tehnološkog stoka

Kada definišete cilj, birate alate. Naš savjet je da počnete sa Python programskim jezikom jer on ima najbogatiji ekosistem za vještačku inteligenciju. Okviri (frameworks) kao što su LangChain ili LlamaIndex postali su standard jer omogućavaju lako povezivanje modela sa bazama podataka i eksternim alatima.

Za korisnički interfejs, Streamlit je fantastičan izbor za brzu izradu prototipa (prototyping). Omogućava vam da pretvorite Python skriptu u interaktivnu web aplikaciju za nekoliko minuta, što je idealno za demonstraciju projekta klijentima ili menadžmentu bez potrebe za dubokim znanjem front-end razvoja.

Šta uraditi sljedeće:

• Identifikujte jedan zadatak koji se ponavlja i oduzima više od 3 sata sedmično.
• Provjerite da li su podaci potrebni za taj zadatak dostupni u digitalnom formatu (tekst, tabele, PDF).
• Skicirajte proces: šta ulazi u sistem, šta se obrađuje i kakav izlaz očekujete.

Ako želite pratiti događaje i radionice gdje se ove teme obrađuju praktično, pogledajte našu stranicu događaja za najavljene radionice i meetupe.

Provjera Odgovornosti i Etički Okviri

Kada gradimo projekte bazirane na generativnoj AI (generative ai based projects), etika i sigurnost nisu samo "usputne teme" — one su temelj povjerenja. Kao profesionalci, moramo biti svjesni rizika koji dolaze sa ovom moćnom tehnologijom.

Privatnost podataka i javni modeli

Kada koristite besplatne verzije popularnih chatbotova, vaši podaci se često koriste za dalje treniranje modela. To znači da nikada ne smijete unositi osjetljive poslovne podatke, lozinke, medicinske kartone ili privatne informacije o klijentima u javne alate bez prethodne provjere politike privatnosti.

Za profesionalne projekte, preporučujemo korištenje API ključeva sa poslovnim ugovorima koji garantuju da se podaci ne koriste za trening, ili još bolje, pokretanje open-source modela na vlastitoj infrastrukturi (lokalno ili na privatnom cloudu). Alati poput Ollama-e omogućavaju vam da pokrenete moćne modele poput Mistral-a ili Llama-e direktno na vašem računaru, osiguravajući da podaci nikada ne napuste vašu mrežu.

Pristrasnost i halucinacije

Svaki AI model je odraz podataka na kojima je treniran. Ako su podaci pristrasni (biased), i izlaz modela će biti takav. To je posebno opasno u projektima za zapošljavanje ili finansijsku procjenu. Uvijek testirajte svoj sistem na različitim grupama podataka kako biste uočili potencijalnu diskriminaciju.

Također, halucinacije su inherentna osobina vjerovatnoćnih modela. AI ne "zna" istinu; on predviđa najvjerovatniji sljedeći token. Zbog toga je ljudska provjera (human-in-the-loop) neophodna u svim procesima koji nose visok rizik. AI može generisati prvi nacrt pravnog dokumenta, ali kvalifikovan advokat mora biti taj koji će ga potpisati.

Upozorenje: Nikada nemojte prezentovati AI kao nepogrešiv autoritet. Jasno naglasite korisnicima da su rezultati generisani vještačkom inteligencijom i da zahtijevaju ljudsku validaciju, posebno u oblastima zdravstva, prava i finansija.

Ako vam treba vodič o etičkim pitanjima i sigurnosti, pogledajte naše članke u kategoriji Etički AI za dublje primjere i studije slučaja.

Praktična Implementacija: Projekat Chat sa PDF-ovima

Jedan od najpopularnijih projekata za početnike i profesionalce je kreiranje aplikacije koja omogućava razgovor sa više PDF dokumenata odjednom. Ovo je savršen primjer RAG arhitekture u praksi.

Učitavanje i obrada dokumenata

Prvi korak je pretvaranje PDF dokumenata u format koji računar može razumjeti. Koristimo biblioteke kao što su PyPDF2 ili LangChain Document Loaders. Tekst iz dokumenata se ne šalje odjednom u AI model jer postoji ograničenje u broju tokena (dužina konteksta). Umjesto toga, tekst dijelimo na manje dijelove (chunks), obično od 500 do 1000 karaktera.

Važno je osigurati da se dijelovi preklapaju. Ako prepolovimo rečenicu na pola, model može izgubiti smisao. Preklapanje od 10-15% osigurava da se sačuva kontekst između dva susjedna dijela teksta.

Vektorski ugrađaji (Embeddings) i baze podataka

Nakon što smo podijelili tekst, svaki dio pretvaramo u numerički niz koji nazivamo vektorski ugraďaj (embedding). Ovi brojevi predstavljaju značenje teksta u višedimenzionalnom prostoru. Riječi "automobil" i "vozilo" će u tom prostoru biti blizu jedna drugoj, iako se pišu potpuno drugačije.

Ove vektore pohranjujemo u specijalizovane vektorske baze podataka (vector databases) kao što su FAISS, ChromaDB ili Pinecone. One omogućavaju munjevitu pretragu po sličnosti. Kada korisnik postavi pitanje, sistem i to pitanje pretvori u vektor i traži najsličnije dijelove teksta u bazi.

Generisanje odgovora pomoću LLM-a

Pronađeni najrelevantniji dijelovi teksta šalju se modelu (npr. Google Gemini Pro ili Llama 3) uz instrukciju: "Koristeći samo sljedeće informacije, odgovori na pitanje korisnika. Ako odgovora nema u tekstu, reci da ne znaš."

Ovaj proces se može implementirati pomoću Streamlit okvira kako bi se dobio čist interfejs gdje korisnik učita dokumente na lijevoj strani ekrana, a desno dobije chat prozor. Ovakav projekat pokazuje vaše razumijevanje cijelog lanca obrade podataka — od sirovog fajla do smislenog dijaloga.

Šta uraditi sljedeće:

• Instalirajte Python i biblioteku LangChain.
• Prijavite se za besplatan API ključ (npr. Google AI Studio za Gemini modele).
• Pokušajte učitati jedan PDF i izvući najvažnije teze koristeći jednostavan skript.

Za praktične tutorijale i primjere koda koji pomažu u izradi ovakvog chat sistema pogledajte odjeljak Baza Znanja na našem sajtu.

AI Agenti: Sljedeći Nivo Automatizacije

Dok se RAG fokusira na izvlačenje informacija, AI agenti su sistemi koji mogu koristiti alate i donositi odluke o sljedećem koraku kako bi ispunili kompleksan cilj. Ako je RAG bibliotekar, agent je istraživač koji zna koristiti pretraživač, digitron i slati e-mailove.

Kako funkcionišu agenti

Agenti rade u ciklusu: razmišljanje -> djelovanje -> posmatranje. Na osnovu vašeg zahtjeva, agent planira korake. Na primjer, ako mu kažete: "Istraži trenutnu cijenu dionica kompanije Apple i uporedi je sa rastom inflacije u zadnjih godinu dana, pa mi pošalji sažetak na mail", agent će prepoznati da treba:

1. Pristupiti finansijskom API-ju za cijenu dionica.
2. Pretražiti internet za podatke o inflaciji.
3. Izvršiti matematički proračun.
4. Formulisati tekst i koristiti alat za slanje pošte.

Alati za razvoj agenata

Okviri kao što su CrewAI ili AutoGen omogućavaju vam da definišete više agenata sa različitim ulogama (npr. jedan je analitičar, drugi je pisac, treći je kritičar) koji međusobno komuniciraju. Ovo simulira rad pravog tima i drastično povećava kvalitet konačnog rezultata.

U AI Academy istražujemo kako ovi agenti mogu pomoći lokalnim biznisima. Zamislite agenta koji automatski prati tendere na web stranicama, analizira uslove i javlja vam samo za one koji odgovaraju vašem profilu firme. To nije naučna fantastika; to je projekt koji možete razviti koristeći trenutno dostupne tehnologije.

Ako vas zanima karijera u razvoju agenata i srodnim ulogama, pogledajte našu kategoriju za karijere u AI za savjete o vještinama i praksi.

Ključni zaključak: Agenti su moćni, ali zahtijevaju pažljivo definisane "ograde". Uvijek postavite maksimalan broj koraka ili trošak koji agent smije napraviti kako biste izbjegli beskonačne petlje i neočekivane račune za API servise.

Specifični Primjeri Projekata za Praksu

Da biste postali konkurentni na tržištu rada ili unaprijedili svoj biznis, preporučujemo razvoj projekata koji rješavaju konkretne probleme. Evo nekoliko ideja inspirisanih stvarnim potrebama industrije.

Automatizacija HR procesa (Resume ATS Tracking)

Velike firme primaju stotine biografija za svaku poziciju. Projekt koji koristi LLM za ekstrakciju ključnih vještina, nivoa iskustva i obrazovanja iz biografija može uštedjeti dane rada. Umjesto prostog traženja ključnih riječi, AI može procijeniti da li kandidat koji piše da je "iskusan u razvoju web aplikacija" zaista odgovara vašem tech stacku na osnovu opisa projekata na kojima je radio.

Analiza finansijskih izvještaja

Korištenje alata kao što su CrewAI ili LangChain za analizu stock market podataka u realnom vremenu. Agent može pratiti vijesti, izvještaje o zaradi i kretanje cijena, te generisati dnevni izvještaj sa ključnim uvidima. Ovo je izuzetno korisno za male investitore ili finansijske savjetnike koji ne mogu pratiti hiljade izvora istovremeno.

Multimedijalni asistenti: Od slike do tona

Projekti koji pretvaraju sliku u priču (Image to Speech) ili sumiraju dugačke YouTube videe u kratke bilješke za učenje. Ovi alati koriste multimodalne modeli (Vision-Language Models) koji razumiju vizuelni sadržaj i mogu ga interpretirati kroz tekst. Za studente ili istraživače, summarizer koji pravi studijski materijal od transkripta predavanja može transformisati način učenja.

Sigurnost i detekcija napada

Posebno važna oblast je detekcija pokušaja manipulacije AI modelima (Prompt Injection Prevention). Razvoj sistema koji filtrira upite korisnika i sprječava ih da "natjeraju" vaš chatbot da oda povjerljive informacije ili se ponaša neprikladno. Ovo je ključna vještina za svakog developera koji planira izbaciti AI proizvod na javni internet.

Ako želite podijeliti svoje iskustvo i prezentovati ovakve projekte publici, prijavite se putem stranice Postani predavač i doprinesite zajednici.

Šta AI Ne Može (I Gdje Ste Vi Potrebni)

Uprkos impresivnim mogućnostima, važno je zadržati realna očekivanja. AI nije magični štapić koji će raditi bez nadzora. Razumijevanje granica je znak profesionalizma, a ne slabosti.

Nedostatak stvarne stručne prosudbe

AI može sintetisati informacije, ali nema "zdrav razum" niti moralni kompas. On ne razumije nijanse lokalnog tržišta, specifične kulturološke kontekste u Sarajevu ili duboke međuljudske odnose unutar tima. Odluke koje nose težinu — poput otpuštanja, zapošljavanja, medicinskih dijagnoza ili strateških investicija — moraju ostati u domenu ljudske prosudbe.

Problem tačnosti i konteksta

AI modeli su zatvoreni u "balon" podataka na kojima su trenirani. Ako se desi nešto novo danas, model to neće znati osim ako mu vi ne date te informacije kroz RAG ili pristup internetu. Čak i tada, interpretacija kompleksnih podataka može biti pogrešna ako je problem loše definisan. Ako AI-ju postavite nejasno pitanje, dobićete samouvjeren, ali beskoristan odgovor.

Kada potražiti stručnjaka

Ako vaš projekt utiče na zdravlje ljudi, njihovu slobodu, pravni status ili velika finansijska sredstva, AI koristite samo kao pomoćni alat. Za finalne odluke uvijek se obratite kvalifikovanom stručnjaku: ljekaru, advokatu ili finansijskom savjetniku. Također, za razvoj kompleksnih AI sistema u velikim organizacijama, preporučuje se saradnja sa iskusnim AI inženjerima koji razumiju arhitekturu, skalabilnost i sigurnost podataka na dubljem nivou.

Ponavljanje i Dijeljenje: Snaga Zajednice

AI se razvija brzinom koju nijedan pojedinac ne može pratiti sam. Jučerašnji "state-of-the-art" model danas je već prosjek. Zato je u AI Academy zajednica u samom srcu svega što radimo.

Učenje kroz rad (Learning by Doing)

Najbolji način da naučite graditi generative ai based projects je da zaprljate ruke kodom ili alatima. Nemojte samo čitati o tome — pokrenite skriptu, dobijte grešku, istražite zašto se desila i popravite je. To je jedini put ka stvarnom majstorstvu. Naše radionice su dizajnirane upravo tako: manje slajdova, više praktičnog rada.

Važnost dijeljenja znanja

Kada napravite nešto korisno, podijelite to sa drugima. Pišite o svom iskustvu na LinkedIn-u, objavite kod na GitHub-u ili prezentujte svoj mali projekt na nekom od naših susreta. Dijeljenje znanja ne samo da pomaže drugima, već i vama pomaže da bolje sistematizujete ono što ste naučili. Kroz povratne informacije zajednice, vaš projekt će postati bolji, sigurniji i korisniji.

Gradimo kulturu u kojoj je "ne znam, ali ću istražiti" najpoželjniji odgovor. AI Academy je prostor gdje možete pitati "glupa" pitanja, jer iz njih često proizlaze najinovativnija rješenja. Povezivanje sa lokalnim stručnjacima i entuzijastima ubrzava napredak cijelog društva u ovoj novoj eri rada.

Ako želite saznati više o nama i našoj misiji, posjetite o nama i uključite se u zajednicu.

Zaključak

Put od entuzijaste do graditelja AI rješenja nije posut magijom, već razumijevanjem, radom i odgovornošću. Generativni AI projekti pružaju nam priliku da radimo pametnije, oslobađajući nas rutine i otvarajući prostor za kreativnost. Bez obzira na to da li želite optimizovati svoju firmu ili naučiti nove vještine za tržište rada, sada je pravo vrijeme za početak.

Slijedite fazni put koji smo zacrtali:

• Prvo duboko razumite kako tehnologija funkcioniše (bez hajpa).
• Definišite jasan i mjerljiv cilj koji rješava stvarni problem.
• Uvijek provjerite sigurnost i etičku ispravnost onoga što gradite.
• Krenite od jednostavne praktične primjene, pa postepeno dodajte kompleksnost.
• Ostanite povezani sa zajednicom, dijelite znanje i nastavite učiti svaki dan.

Zapamtite: Vještačka inteligencija neće zamijeniti ljude, ali će ljudi koji koriste vještačku inteligenciju zamijeniti one koji je ne koriste. Budite dio onih koji razumiju, grade i oblikuju budućnost u našoj zemlji i regionu.

AI Academy u Sarajevu stoji vam na raspolaganju kao resurs, prostor za učenje i zajednica koja vas podržava na tom putu. Pridružite nam se na besplatnim radionicama i predavanjima jer znanje o AI-ju treba pripadati svima nama. Za prijavu, pitanja ili prijedloge teme — kontaktirajte nas putem kontakt forme.

Česta pitanja

Pitanje: Da li mi je potrebno napredno znanje programiranja da bih počeo graditi generativne AI projekte?

Odgovor: Iako je poznavanje Pythona velika prednost, postoje mnogi "low-code" i "no-code" alati koji omogućavaju gradnju osnovnih sistema. Za naprednije i prilagođene projekte, osnove programiranja su neophodne, ali se mogu naučiti paralelno sa razvojem AI projekata.

Pitanje: Koliko košta pokretanje jednog ovakvog projekta za mali biznis?

Odgovor: Troškovi variraju. Korištenje open-source modela na lokalnoj mašini je praktično besplatno nakon početne investicije u hardver. Korištenje komercijalnih API-ja (poput OpenAI ili Google Gemini) plaća se po potrošnji (tokenima), što za male biznise često iznosi svega nekoliko dolara mjesečno za početne faze.

Pitanje: Da li je sigurno unositi PDF-ove sa ugovorima u AI aplikaciju za razgovor sa dokumentima?

Odgovor: Sigurno je samo ako koristite lokalni model koji ne šalje podatke na internet ili ako koristite enterprise verzije API-ja koje garantuju privatnost podataka. Uvijek pažljivo pročitajte uslove korištenja alata prije nego što u njega učitate bilo šta što nije javno dostupno.

Pitanje: Šta je to "halucinacija" u AI-ju i kako je mogu spriječiti u svom projektu?

Odgovor: Halucinacija je pojava kada AI model generiše netačne informacije koje zvuče uvjerljivo. Najbolji način za sprečavanje je korištenje RAG arhitekture, gdje model donosi zaključke isključivo na osnovu teksta koji ste mu vi obezbijedili, te postavljanje strogih sistemskih uputa (prompting) da prizna kada nema traženu informaciju.