Category: Edukacija

Dana 21. oktobra 2026. godine, kandidatkinja Sara Kovačević uspješno je odbranila master rad pod nazivom „Generisanje i evaluacija kvaliteta ispitnih pitanja pomoću velikih jezičkih modela i HPC infrastrukture“ na Fakultetu za informacione sisteme i tehnologije Univerziteta Donja Gorica (UDG), u okviru master programa Vještačka inteligencija. Mentor rada bio je prof. dr Tomo Popović. Istraživanje je dijelom realizovano uz podršku NCC Montenegro u okviru projekta EuroCC3, uključujući korišćenje HPC infrastrukture i podršku eksperimentalnom radu. Rad demonstrira mogućnosti kombinovanja generativne vještačke inteligencije i računarstva visokih performansi za pripremu i evaluaciju obrazovnih materijala, sa posebnim osvrtom na crnogorski jezik.

APSTRAKT – U okviru master rada razvijen je i evaluiran automatizovani sistem za generisanje ispitnih pitanja iz video predavanja primjenom velikih jezičkih modela (LLM). Sistem obuhvata automatsku transkripciju predavanja, izdvajanje ključnih pojmova, generisanje pitanja višestrukog izbora i kratkih odgovora, kao i automatizovanu evaluaciju njihovog kvaliteta. Istraživanje je obuhvatilo devet konfiguracija LLM modela na engleskom i crnogorskom jeziku, uz korišćenje lokalnih računarskih resursa, HPC klastera UDG-a i API servisa za inferenciju.

Evaluacija je kombinovala jezičke i strukturne metrike, Bloomovu taksonomiju i LLM-as-Judge pristup za procjenu kvaliteta generisanih pitanja. Rezultati su ukazali na izazove primjene manjih jezičkih modela pri generisanju obrazovnog sadržaja na crnogorskom jeziku, dok su veći modeli ostvarili konzistentnije rezultate. Eksperimenti na HPC klasteru UDG-a pokazali su ubrzanje GPU inferencije od 17,9 puta u odnosu na CPU za isti model.

Istraživanje ukazuje na potencijal primjene AI i HPC tehnologija kao podrške nastavnicima u pripremi materijala za provjeru znanja, uz naglašenu potrebu za nastavničkom kontrolom kvaliteta i dodatnom pedagoškom validacijom prije praktične primjene.

Dana 21. oktobra 2026. godine, kandidatkinja Sanja Lazić uspješno je odbranila master rad pod naslovom „Interpretabilni modeli mašinskog i dubokog učenja za predikciju rizika od dijabetesa tipa 2 na osnovu bihejvioralnih i kliničkih indikatora“, na master studijskom programu Vještačka inteligencija Fakulteta za informacione sisteme i tehnologije Univerziteta Donja Gorica, pod mentorstvom prof. dr Toma Popovića.

Istraživački i eksperimentalni dio rada djelimično je realizovan uz podršku Nacionalnog centra kompetencija za visokoperformansno računarstvo Crne Gore (NCC Montenegro), kroz HPC infrastrukturu i ekspertizu u okviru projekta EuroCC3, uz dodatnu istraživačku podršku projekta AI-AGE. Kroz podršku akademskim istraživanjima, mentorstvu i razvoju kompetencija, NCC Montenegro doprinosi jačanju primjene naprednih AI i HPC tehnologija u zdravstvu i drugim naučnim oblastima.

Master rad istražuje primjenu mašinskog i dubokog učenja, kao i metoda objašnjive vještačke inteligencije, u procjeni rizika od dijabetesa tipa 2, sa posebnim osvrtom na prediktivne performanse, pouzdanost i interpretabilnost modela. Istraživanje takođe demonstrira mogućnosti primjene AI modela u preventivnoj zdravstvenoj zaštiti, kroz procjenu rizika zasnovanu na podacima prikupljenim putem upitnika, bez potrebe za laboratorijskim analizama.

APSTRAKT – U radu je predstavljen razvoj i sistematska evaluacija modela mašinskog i dubokog učenja za procjenu rizika od dijabetesa tipa 2 na osnovu bihejvioralnih, kliničkih i demografskih indikatora. Istraživanje je obuhvatilo 253.680 zapisa i poređenje pet modela: logističke regresije, Random Forest, XGBoost, LightGBM i duboke neuronske mreže. Performanse su analizirane kroz diskriminativnost, kalibraciju procijenjenih vjerovatnoća i interpretabilnost. Duboka neuronska mreža ostvarila je najveću ROC-AUC vrijednost (0,7728), dok je LightGBM pokazao najuravnoteženije ukupne performanse. Za objašnjenje predikcija primijenjene su metode TreeSHAP, integrisani gradijenti i DeepLIFT SHAP. Razvijen je i prototip web aplikacije koji demonstrira prikaz procijenjenog rizika i faktora koji su doprinijeli pojedinačnim predikcijama.

Rezultati ukazuju na potencijal objašnjive vještačke inteligencije za podršku neinvazivnoj procjeni rizika i preventivnom skriningu, uz naglašavanje značaja pouzdanosti i transparentnosti modela, kao i potrebe za dodatnom validacijom prije njihove kliničke primjene.

Dana 29. juna 2026. godine, kandidat Nikola Kavarić uspješno je odbranio master rad pod nazivom „Sinergija računarske vizije i obrade prirodnog jezika u dijagnostici i edukaciji o tuberkulozi“, u okviru master programa Vještačka inteligencija na Univerzitetu Donja Gorica. Kroz podršku programu, mentorski rad i razvoj kompetencija u oblastima vještačke inteligencije i računarstva visokih performansi, NCC Montenegro doprinosi osposobljavanju mladih istraživača za razvoj interdisciplinarnih AI rješenja u medicini. Rad istražuje kombinovanje računarske vizije i Retrieval-Augmented Generation pristupa za detekciju znakova tuberkuloze i edukativno objašnjenje medicinskih nalaza.

APSTRAKT – Cilj ovog rada je razvoj i evaluacija sistema koji kombinuje računarsku viziju i Retrieval-Augmented Generation (RAG) modele u svrhu automatske detekcije znakova tuberkuloze na rendgenskim snimcima pluća i edukativnog objašnjenja nalaza. Polazna hipoteza bila je da je moguće razviti funkcionalan prototip koji prepoznaje patološke promjene na snimcima i generiše informativne odgovore korisniku zasnovane na medicinskoj literaturi. U okviru istraživanja razvijeni su i evaluirani CNN model za binarnu klasifikaciju i YOLO modeli za lokalizaciju patoloških promjena. CNN model postigao je tačnost od 97% na testnom skupu, što predstavlja solidan i mjerljiv doprinos. YOLO modeli su adekvatno demonstrirali koncept lokalizacije, uz određena ograničenja vezana za veličinu i neravnotežu skupa podataka. Pored vizuelnog modula, implementiran je i RAG prototip koji koristi lokalnu bazu medicinskih dokumenata za generisanje odgovora na korisničke upite. Integracija je realizovana na nivou prototipa, bez kliničke validacije. Na osnovu dobijenih rezultata, hipoteza je djelimično potvrđena — u značajnoj mjeri za CNN klasifikacionu komponentu u okviru korišćenog testnog skupa, dok YOLO i RAG komponente, zbog ograničenja skupa podataka i nedostatka ekspertski verifikovanih referentnih odgovora, treba tretirati kao demonstraciju koncepta. Rad pokazuje da modularna kombinacija ovih tehnologija može biti korisna osnova za razvoj edukativnih alata u oblasti medicinske dijagnostike.

Dana 29. juna 2026. godine, kandidatkinja Anesa Abazović uspješno je odbranila master rad pod nazivom „Mašinsko učenje i kreiranje AI modela za primjene u medicini“, u okviru master programa Vještačka inteligencija na Univerzitetu Donja Gorica. Kroz podršku programu, mentorski rad i razvoj kompetencija u oblastima vještačke inteligencije i računarstva visokih performansi, NCC Montenegro doprinosi osposobljavanju mladih istraživača za primjenu naprednih AI metoda u medicini i drugim oblastima od društvenog značaja. Rad istražuje primjenu mašinskog i dubokog učenja u analizi medicinskih slika i kliničkih podataka, uz razmatranje tehničkih, etičkih i praktičnih izazova primjene AI sistema u zdravstvu.

APSTRAKT – Ovaj rad istražuje mogućnosti primjene modela mašinskog (ML) i dubokog učenja (DL) u detekciji raka jajnika i predikciji pneumonije. U prvom dijelu korišćen je YOLO model za prepoznavanje tumorskih promjena na medicinskim slikama, dok su u drugom dijelu primijenjeni modeli XGBoost, Random Forest i neuronske mreže za klasifikaciju kliničkih podataka. Performanse modela procjenjivane su metrikama kao što su preciznost, osjetljivost, tačnost, specifičnost, F1-score, ROC-AUC, MCC, mAP50 i mAP50-95. Eksperimentalna analiza pokazala je da AI modeli mogu ostvariti obećavajuće performanse u oba klinička scenarija, uz određena ograničenja koja zahtijevaju dalju validaciju. Pored tehničkih aspekata, razmatrana su i etička pitanja povezana sa interpretabilnošću, privatnošću podataka i integracijom AI sistema u zdravstvene informacione sisteme. Zaključuje se da AI može predstavljati značajnu podršku savremenoj dijagnostici, uz potrebu za daljim unapređenjem i kliničkom validacijom.