Month: October 2025

Posted on

NCC Montenegro jača saradnju kroz mentorstvo i twinning sesije sa NCC Letonijom i NCC Španijom

U okviru kontinuirane EuroCC2 saradnje, NCC Montenegro je učestvovala u dvije online sesije mentorstva/twinninga sa partnerskim NCC centrima radi razmjene znanja i najboljih praksi u cilju unapređenja internih procesa za efikasnu interakciju u okviru nacionalnog HPC/AI ekosistema.

Prva sesija, održana sa predatavnicima NCC Letonije 22. oktobra 2025. godine, bila je fokusirana na alate za upravljanje odnosima sa klijentima (CRM) i efikasne prakse za projektni menedžment, praćenje korisničkih interakcija, iteracija i podataka. Predstavnici NCC Letonije su pružili praktičnu demonstraciju CRM procesa, nudeći korisne uvide i pristupe za optimizaciju internih procesa i praćenje korisničkih aktivnosti.

Druga sesija, organizovana sa predstavnicima NCC Španije 31. oktobra 2025. godine, bila je fokusirana na newsletter strategije s ciljem unapređenja vidljivosti usluga i proširenja mreže korisnika. Razmatrani su alati za digitalnu komunikaciju/ marketing, tehnike kreiranja sadržaja, balansiranje informacija o predstojećim aktivnostima i demonstriranim rezultatima, segmentacija/targetiranje relevantnih korisnika, kao i analitika podataka.

Navedene mentoring/twinning sesije doprinose kontinuiranim naporima NCC Montenegro u efikasnom pružanju usluga podrške HPC korisnicima i jačanju kapaciteta za komunikaciju i koordinaciju s ključnim stejkholderima.

Posted on

Vještačka inteligencija i internet stvari – EdgeAI

Ovaj kratki kurs bavi se primjenom vještačke inteligencije (AI) u sistemima Interneta stvari (IoT), sa posebnim naglaskom na tzv. „edge AI“ – pokretanje modela mašinskog učenja direktno na uređajima, blizu mjesta gdje se podaci stvaraju. Učesnici će naučiti kako da osmisle AIoT tokove obrade podataka, kada je bolje obradu vršiti na samom uređaju, a kada u oblaku, kao i kako da postave lagane modele mašinskog učenja na hardveru sa ograničenim resursima. Program je namijenjen studentima, istraživačima i stručnjacima koji žele da unaprijede svoja znanja i naprave korak od „povezanih uređaja“ ka zaista inteligentnim uređajima.

Datum kursa: 05.11.2025. u 13:30
Mjesto održavanja: S34, UDG
Prijava: obavezna
Link za prijavu: https://forms.gle/2DktEUqf5KZosFth7

Namijenjeno za: studente, istraživače i profesionalce zainteresovane za AI, IoT, edge computing i primijenjeni ML.

Pregled sadržaja kursa

Sesija 1 — teorijski okvir (AI + IoT)

  • konvergencija AI–IoT: od senzora do inteligentnog djelovanja
  • edge vs. cloud vs. fog: latencija, protok, privatnost, cijena
  • edge AI pipeline: uređaj → pretprocesiranje → inferenca → akcija
  • lagani/ugrađeni ML (TinyML, kvantizacija, pruning)
  • platforme i primjene (Raspberry Pi, Jetson, pametna poljoprivreda, industrija)

Sesija 2 — praktična radionica (hands-on edge/AI)

  • priprema edge/IoT okruženja i izvora podataka (senzor/kamera/mock)
  • postavljanje malog ML modela na uređaj
  • lokalno pokretanje inferenci i slanje rezultata ka backendu/obliku
  • praćenje i osnovne performanse
  • kako ovo skalirati na realne sisteme

Ishodi učenja

Po završetku kursa, polaznici će moći da:

  • objasne odnos između AI, IoT i edge computinga
  • odluče kada inferencu raditi na uređaju, a kada u oblaku
  • postave lagan ML model na IoT/edge okruženje
  • osmisle end-to-end AIoT rješenje za svoju oblast (npr. poljoprivreda, pametni grad, industrija).
Posted on

Predavanje NCC Montenegro za studente završne godine UDG

U okviru kursa Digitalna transformacija, predstavnici Nacionalnog centra za kompetencije za računarstvo visokih performansi – NCC Crna Gora, gđa Sanja Nikolić i dr Luka Filipović, održali su gostujuće predavanje studentima završne godine osnovnih studija Fakulteta za informacione sisteme i tehnologije (FIST) i Fakulteta primijenjenih nauka Univerziteta Donja Gorica. Sesija je istakla rastući strateški značaj računarstva visokih performansi (HPC) u istraživanju, inovacijama i poslovnoj konkurentnosti.

HPC i poslovne prilike za digitalnu transformaciju

Studenti su upoznati sa načinom na koji HPC pokreće današnje AI sisteme, simulacije velikih razmjera i aplikacije koje intenzivno koriste podatke, te kako ova tehnološka konvergencija otvara nove karijerne i preduzetničke mogućnosti. Predavanje je također pokazalo kako HPC i AI postaju ključni pokretači za mala i srednja preduzeća i startupove, transformišući tradicionalne industrije i podržavajući napredna digitalna rješenja u poljoprivredi, energetici, finansijama i zdravstvu.

Gospođa Sanja Nikolić i dr. Luka Filipović održali su predavanje studentima završne godine.

Prezenteri su dali i pregled aktivnosti NCC Montenegro u okviru inicijative EuroCC/EuroCC4SEE – uključujući mogućnosti obuke, pristup evropskim superračunarima, podršku za uvođenje malih i srednjih preduzeća u posao i uključivanje studenata kroz istraživanje, master projekte i inovativno orijentisane probne koncepte. Predavanje je završeno otvorenim pozivom studentima da se uključe u predstojeće NCC HPC/AI programe, prakse i inicijative primijenjenih istraživanja.

Posted on

Kurs Dubokog učenja

Kurs Duboko učenje i računari visokih performansi (HPC) pruža sveobuhvatan uvod u osnovne i napredne koncepte dubokog učenja, sa posebnim fokusom na primjene u okruženju računara visokih performansi.

Učesnici će se upoznati sa neuronskim mrežama, optimizacijom funkcije gubitka, konvolucionim i transformer arhitekturama, kao i nesupervizovanim i generativnim modelima. Kroz kombinaciju predavanja i praktičnih vježbi, polaznici će steći teorijsko razumijevanje i praktično iskustvo u efikasnom treniranju i primjeni modela dubokog učenja na HPC sistemima.

Kurs je namijenjen studentima i istraživačima koji posjeduju osnovno znanje iz oblasti mašinskog učenja, programiranja u nekom jeziku, kao i iz određenih oblasti matematike (funkcije, izvodi, linearna algebra i statistika).

Kurs se organizuje u okviru EuroCC projekta na Univerzitetu Donja Gorica, u saradnji sa Centrom za računare visokih performansi i istraživačkim timom za vještačku inteligenciju. Nastava će biti organizovana na Univerzitetu Donja Gorica, počev od 31. oktobra 2025. godine, od 17:15 časova, u učionici S33 (3 sprat).

Link za registraciju: https://forms.gle/dKH5WMc6egcikaF99

Raspored kursa
Posted on

Magistarski rad o učenju međujezičkog transfera u velikim jezičkim modelima

G. Igor Ćulafić uspješno je odbranio svoj magistarski rad pod nazivom „Učenje međujezičkog transfera u velikim jezičkim modelima: Zakoni skaliranja i parametarski efikasno fino podešavanje za višejezične aplikacije“. Njegovo istraživanje pruža sveobuhvatnu studiju međujezičkog transfera za crnogorski jezik, kombinujući prilagođeni poluautomatski skener knjiga u obliku slova V, YOLOv11 + Tesseract OCR cjevovod i kreiranje 46.661 paralelnih parova paragrafa. Korištenjem LoRA finog podešavanja na Qwen2.5-7B i Qwen3-30B – izvršenog na superračunaru Leonardo EuroHPC – rad demonstrira parametarski efikasnu adaptaciju (samo 1,05% parametara koji se mogu obučavati) i nudi uvid u ponašanje modela u kulturnom razumijevanju, miješanju pisama i analitičkom zaključivanju. Ovo istraživanje je podržao tim NCC Montenegro i koristilo je računarske resurse HPC klastera i EuroHPC JU.

V-shaped book scanner prototype used to create datasets

SAŽETAK – Ovaj rad predstavlja sveobuhvatno istraživanje međujezičkog transfernog učenja u velikim jezičkim modelima sa fokusom na parametarski efikasno fino podešavanje za crnogorski jezik. Istraživanje integriše razvoj prilagođenog polu-automatizovanog skenera knjiga sa V-oblik dizajnom i tok obrade kompjuterske vizije koji koristi YOLO v11 modele i Tesseract OCR za digitalizaciju 5000 knjiga na crnogorskom i 40000 knjiga na engleskom jeziku, iz javnog domena, rezultujući sa 46661 paralelnih paragrafskih parova. Implementacija LoRA finog podešavanja na Qwen2.5-7B i Qwen3-30B modelima sprovedena je na Leonardo HPC superračunaru, postižući memorijsku efikasnost sa samo 1.05% trainable parametara. Komparativna analiza kroz strukturirani benchmark od deset progresivno složenijih pitanja otkriva ograničene ali pozitivne efekte finog podešavanja, pri čemu veći modeli pokazuju bolje performanse u razumijevanju opšteg znanja i analitičkim zadacima, dok sistemska analiza identifikuje specifične probleme poput miješanja pisma i kulturnih nepreciznosti koji zahtijevaju specijalizovane pristupe.

Posted on

Master teza: Primjena objašnjive vještačke inteligencije u medicini

Gospođa Ivana Lalatović uspješno je odbranila svoj magistarski rad pod nazivom „Primjena objašnjive vještačke inteligencije u medicini“ na Fakultetu informacionih sistema i tehnologija Univerziteta Donja Gorica.

Odbrana je održana u oktobru 2025. godine, a teza je istraživala kako moderne XAI tehnike – poput SHAP-a i LIME-a – mogu poboljšati transparentnost i povjerenje u AI modele koji se koriste za analizu performansi i pouzdanosti medicinskih respiratora. Razvoj, obuka i testiranje radnih procesa mašinskog učenja i XAI-a podržani su resursima računarstva visokih performansi (HPC) obezbijeđenim kroz EuroCC inicijativu u Crnoj Gori, omogućavajući skalabilnu obradu podataka, brže eksperimentisanje i reproducibilnu analizu potrebnu za medicinske AI primjene. Njen rad pokazuje kako objašnjivost omogućena HPC-om može ojačati sigurnost, pouzdanost i etičku upotrebu AI u zdravstvenim okruženjima, doprinoseći rastućem ekosistemu naprednih istraživanja AI koje podržava NCC Crna Gora.

Korištenje SHAP-a

ABSTRAKT – The need for explainable intelligent systems is growing along with the increase in artificial intelligence products used in everyday life. Explainable artificial intelligence (XAI) has experienced significant growth in the last few years. The reason for this is the wide application of machine learning, as well as deep learning techniques, which have led to the development of highly accurate models. However, they lack explainability and interpretability. This study explores the application of XAI methods in medical applications, with a particular focus on interpreting model decisions. SHAP and LIME methods were applied to interpret the model’s predictions, enabling the identification of key features that have the greatest influence on the model’s decisions. The results of this research confirm the importance of explainable artificial intelligence in critical domains such as medicine, where trust in AI systems must be based on understanding and verifiability of their decisions.

Posted on

Kompjuterska vizija i konvolucione neuronske mreže

Ovaj fokusirani kratki kurs uvodi ključne koncepte kompjuterske vizije (CV) i savremenih konvolucionih neuronskih mreža (CNN), a zatim ih primjenjuje u praksi. Polaznici će razumjeti kako se slike pretvaraju u osobine, kako CNN modeli uče robusne reprezentacije i kako trenirati/ocjenjivati modele za stvarne zadatke. Namijenjen studentima, istraživačima i profesionalcima sa osnovnim znanjem Pythona, kurs spaja jasan teorijski okvir i hands-on radionicu koja isporučuje funkcionalan klasifikator slika i praktične savjete za povećanje tačnosti i robusnosti. Polaznici će imati priliku da svoje eksperimente pokrenu i na lokalnom HPC klasteru.

Datum kursa: 29.10.2025. u 13:30 (S32, UDG)
Prijava je obavezna putem linka https://forms.gle/1FkRDBGCxdrPx9fF6
Namijenjeno za: studente, istraživače i profesionalce

Kompjuterska vizija i konvolucione neuronske mreže

Pregled sadržaja

Sesija 1 — teorijski okvir

  • pikseli → osobine: konvolucije, padding/stride, receptivna polja
  • ključni blokovi: aktivacije, pooling, batchnorm, dropout, rezidualne veze
  • referentne arhitekture: LeNet → ResNet → EfficientNet
  • osnove treniranja: gubici, optimizatori, LR rasporedi, augmentacija, metrike
  • osnove transfer učenja

Sesija 2 — praktična radionica (hands-on)

  • postavljanje okruženja + dataset (CIFAR-10 ili mali prilagođeni), čisti splitovi, transformacije
  • bazni CNN: treniranje → evaluacija (accuracy/F1, konfuziona matrica)
  • fino podešavanje unaprijed istreniranog ResNet-a; zamrzavanje/odmrzavanje; early stopping
  • izvoz najboljeg modela (pth/onnx) i mali skript za inferencu

Ishodi učenja

Po završetku, polaznici će moći da:

  • objasne kako CNN izvlači hijerarhijske osobine i zašto su bitni ključni blokovi/arhitekture;
  • izgrade stabilan trening-pipeline uz korektne splitove, augmentaciju i metrike
  • Podese unaprijed istreniran model i dijagnostikuju greške alatima za interpretabilnost;
  • izvoze istreniran model za upotrebu u aplikacijama ili servisima.
Proudly powered by WordPress