Category: Nauka

Posted on

Konferencijski rad: AI i HPC za učenje matrica pomoću inteligentnog četbota za podučavanje

Na INFOTEH konferenciji predstavljen je rad E. Trubljan, E. Taruha, S. Cakića, T. Popovića i L. Filipovića “Transforming Matrix Problem Solving with Intelligent Tutoring Systems” u izdanju IEEE Xplore. Istraživači iz UDG-a uz podršku HPC NCC Montenegro razvili su inovativni inteligentni sistem podučavanja koji koristi vještačku inteligenciju (AI) i računarstvo visokih performansi (HPC) kako bi se promijenio način na koji studenti uče matrične operacije. Ovo rješenje zasnovano na chatbot-u kombinuje optičko prepoznavanje znakova (EasyOCR) sa naprednim modelom obrade prirodnog jezika (Qwen2-Math-7B-Instruct) za tumačenje unosa teksta i slike, omogućavajući mu da izvodi matrične operacije kao što su transpozicija, sabiranje i množenje uz pružanje jasnih, korak po korak objašnjenja. Podržan univerzitetskom HPC infrastrukturom, sistem osigurava brzu obradu i povratne informacije u realnom vremenu, postižući do 99% tačnosti u prepoznavanju matrice iz visokokvalitetnih slika. Dizajniran imajući na umu obrazovanje, ovaj tutor sa AI-om poboljšava interaktivnost, razumijevanje i ishode učenja za učenike koji se bave složenim konceptima linearne algebre i postavlja teren za buduća poboljšanja kao što je prepoznavanje ručno pisanog unosa i podrška za naprednije operacije.

ABSTRACT – This paper presents the integration of optical character recognition (OCR) and advanced natural language processing (NLP) models for automated handling of matrices derived from images and textual inputs, all combined within an implemented chatbot. The motivation for choosing this topic arises from the practical experiences of the authors gained while working with groups of students who encounter the concept of matrices as part of their academic responsibilities. Through the analysis of their results and classroom interactions, it was observed that many students struggle with this area. This paper presents an innovative approach to enhancing matrix problem-solving by leveraging intelligent tutoring systems supported by High-Performance Computing, aiming to improve learning efficiency and student outcomes. By combining the EasyOCR framework and the Qwen2-Math-7B-Instruct model, operations such as transposition, addition, and multiplication of matrices are enabled. The system supports the input of one or two matrices, allowing the selection of operations through textual or image-based queries. The OCR component extracts numerical data from images, while the NLP model interprets user requests and executes operations accurately. The interface allows the addition of a second matrix image only when necessary, enhancing the system’s intuitiveness and efficiency. The results of the recognition accuracy of the OCR model of image input matrices of different dimensions show a high level of accuracy of 95%, while for 2×2 matrices they reach an accuracy of 99%. This work contributes to the development of AI-powered tools for mathematical operations and holds potential applications in education.

Klikni na sliku da se otvori rad
Posted on

EuroCC2/EuroCC4SEE projekat predstavljen na Danu Istraživanja 2025. na UDG-u

Dan Istraživanja, 13-ti po redu održan 4. aprila 2025. god na Univerzitetu Donja Gorica, ponovo je okupio istraživače, studenate i profesionalace posvećene unapređenju znanja, inovacija i istraživanja. Organizovan u saradnji sa Upravom za statistiku Crne Gore – MONSTAT i Agencijom za istraživanje javnog mijenja – DAMAR, događaj je bio dinamična platforma za razmjenu rezultata aktuelnih projekata i istraživačkih inicijativa.

Ovogodišnji fokus bio je na strateškoj upotrebi statističkih podataka, interdisciplinarnom pristupu istraživanju, digitalnim alatima i donošenju odluka zasnovanim na podacima. MONSTAT je prezentovao socio-ekonomsku analizu rezultata nedavno sprovedenog popisa u Crnoj Gori, dok je DAMAR-LAB projekat prikazao potencijal naprednih istraživanja u oblasti neuromarketinga, koristeći eye-tracking tehnologiju.

Među ključnim UDG istraživačkim aktivnostima, predstavljen je projekat EUROCC2/ EuroCC4SEE, koji je prikazao rastući značaj HPC i AI tehnologija za prediktivnu analitiku, kompleksne simulacije i modeliranje scenarija. Predstavnica HPC centra kompetencija u Crnoj Gori sumirala je rezultate u oblasti HPC/AI akademskih istraživanja, industrijske primjene, trening kapaciteta, kao i ključne nalaze HPC4SME tržišnog istraživanja.

Događaji poput ovog jačaju saradnju između akademije, industrije i javnih institucija – postavljajući temelje za pametne i održive ekosisteme istraživanja, razvoja i inovacija.

https://www.cdm.me/drustvo/povodom-dana-studenata-udg-monstat-i-damar-organizuju-trinaesti-dan-istrazivanja

https://www.gov.me/clanak/obiljezen-dan-istrazivanja-2025

Posted on

Budućnost uz AI: Radionica o chatbotovima i LLM u NCC Montenegro

U okviru tekuće H2020-MSCA TRACEWINDU inicijative za podsticanje digitalnih inovacija i transparentnosti u lancima vrijednosti, praktična radionica o razvoju chatbot-a korištenjem velikih jezičkih modela (LLM) i Azure platforme održana je u Nacionalnom centru kompetencija za računarstvo visokih performansi (NCC Montenegro), čiji je domaćin Univerzitet Donja Gorica (UDG).

Ova radionica je realizovana kao saradnja TRACEWINDU i EUROCC2/EUROCC4SEE projekata

Radionica je okupila živahnu grupu studenata doktorskih, magistarskih i osnovnih studija, zajedno sa AI i HPC istraživačima i mentorima iz UDG-a — ključnih partnera TRACEWINDU i EUROCC4SEE projekta — naglašavajući rastući interes i stručnost za najsavremenije AI tehnologije u različitim disciplinama.

Sesiju su vodile gospođa Daliborka Nedić i gospođa Senka Gajinov iz DunavNET-a, tehnološke kompanije vođene inovacijama i ključnog partnera u konzorcijumu TRACEWINDU. Njihovo stručno predavanje pružilo je polaznicima vrijedne uvide u svijet generativne umjetne inteligencije koji se brzo razvija i praktične smjernice za izgradnju inteligentnih rješenja za chat robote koristeći Microsoftove Azure OpenAI usluge.

Prisustvovalo je oko 20 ljudi, uglavnom doktoranata, magistranata i BSc istraživača zainteresovanih za AI i HPC

Radionica je obuhvatila ključne koncepte kao što su:

  • Osnove velikih jezičkih modela (LLM) i njihove primjene u razvoju chatbotova
  • Integracija LLM-a unutar Azure AI ekosistema
  • Najbolje prakse u brzom inženjeringu i utemeljenju znanja
  • Slučajevi korištenja u stvarnom životu usklađeni s transparentnošću, automatizacijom i angažmanom korisnika u lancima vrijednosti

Osim razvoja chatbot-a, diskusija se proširila na integraciju modela kompjuterskog vida—posebno onih koji imaju za cilj automatizaciju prikupljanja podataka u lancima vrijednosti—i korištenje HPC resursa za podršku njihovoj implementaciji. Učesnici su istraživali ideje za kombinovanje konverzacijskih AI interfejsa sa mogućnostima kompjuterskog vida u realnom vremenu, otvarajući mogućnosti za pametnije, interaktivnije sisteme u poljoprivredno-prehrambenim i drugim sektorima.

Ovo zajedničko razmišljanje postavilo je pozornicu za buduće zajedničke inicijative, gdje bi chat botovi mogli poslužiti kao intuitivan front-end za složene AI modele koji rade na računarskim infrastrukturama visokih performansi – premošćujući pristupačnost i računsku snagu za učinkovita rješenja. Ova radionica je dio šireg napora za izgradnju kapaciteta unutar TRACEWINDU-a i EUROCC4SEE, osmišljenog da osnaži mlade istraživače i profesionalce sa alatima i znanjem potrebnim za odgovorno inoviranje u doba AI TRACEWINDU nastavlja da premošćuje digitalne tehnologije i transformaciju lanca vrijednosti u stvarnom svijetu.

Daliborka Nedić i Senka Gajinov iz DNET-a UDG
Posted on

Crna Gora među pobjednicima FFplus HPC Inovation Call (statistika)

Projekat Fortissimo Plus (FFplus) nedavno je završio svoj prvi otvoreni poziv za poslovne eksperimente, čiji je cilj podsticanje malih i srednjih preduzeća (MSP) da usvoje tehnologije računarstva visokih performansi (HPC). Poziv koji je pokrenut 21. juna 2024. i zatvoren 4. septembra 2024. privukao je 126 prijedloga iz 220 organizacija iz 30 evropskih zemalja. Nakon rigoroznog procesa evaluacije, za finansiranje je odabrano 19 pod-projekata, koji uključuju 43 organizacije, uključujući 34 MSP, što pokazuje uspjeh inicijative u promoviranju usvajanja HPC-a među malim i srednjim preduzećima.

Sažetak rezultata FFPlus Open Call 1 (slika: FFPlus)

Među odabranim podprojektima je „Transformisanje poslovne kulture i zapošljavanje putem računarstva visokih performansi GenAI-HPC4WB“, zapažena inicijativa iz Crne Gore od strane startup komanije Recrewty. Ovaj projekat ima za cilj da revolucioniše procese zapošljavanja u regionu Balkana integracijom generativne veštačke inteligencije (AI), mašinskog učenja i HPC-a. Analizom psihometrijskih podataka, životopisa i intervjua koristeći AI modele prilagođene regionalnim jezicima – crnogorskom, srpskom, bosanskom i hrvatskom – projekat nastoji poboljšati tačnost i efikasnost zapošljavanja. Korišćenje HPC resursa omogućava obradu velikih skupova podataka, poboljšavajući skalabilnost i preciznost ovih procena vođenih veštačkom inteligencijom.

Inspirativno je vidjeti Crnu Goru na ovoj mapi (slika: FFPlus)

Uspjeh GenAI-HPC4WB projekta naglašava rastuću kompetenciju i inovativne kapacitete unutar crnogorske tehnološke zajednice. Tim HPC Crne Gore je odigrao ključnu ulogu u podršci razvoju prijedloga, odražavajući posvećenost zemlje unapređenju HPC aplikacija i podsticanju saradnje između akademske zajednice i industrije. Ovo postignuće ne samo da ističe aktivno učešće Crne Gore u evropskim HPC inicijativama, već i predstavlja presedan za buduće projekte koji imaju za cilj korištenje naprednih računarskih tehnologija za rješavanje regionalnih izazova.

Više informacija na web stranici FFPlus na [link].

Posted on

Uspješno prijavljivanje za HPC resurse, Prirodno-matematički fakultet UCG

Tim istraživača Centra za računarstvo Prirodno-matematičkog fakulteta, kroz projekat EuroCC2/EuroCC4SEE, uz podršku NCC tima Crne Gore, dobio je pristup resursima Leonardo HPC superkompjutera. Ovi resursi će se koristiti za efikasan razvoj sistema za automatsku segmentaciju 3D prikaza mehaničkih sklopova dobijenih korišćenjem 3D skenera. Identifikacija sklopljenih delova i njihovih relativnih pozicija važan je korak za reverzni inženjering, automatizaciju procesa demontaže, kontrolu kvaliteta, AR i VR, itd. Ove aktivnosti se sprovode u okviru projekta „AI segmentacija i inspekcija 3D skeniranjem“, u saradnji sa partnerima iz Francuske.

Uspješna aplikacija za HPC resurse u Leonardu (Benchmark poziv)

Pristup HPC resursima je omogućen na period od tri mjeseca, kroz uspješnu prijavu na Benchmark poziv. U ovom periodu cilj je pokazati sposobnost efikasnog korišćenja naprednih računarskih resursa, čime se stekne pravo prijave na Redovni poziv za HPC resurse

Posted on

Diplomska teza: Sistem za evidentiranje prisustva preko detekcije lica

Student Aleksandar Vesović je odbranio diplomsku tezu o korišćenju AI i HPC-a za razvoj rešenja za evidenciju pohađanja nastave u školama ili na univerzitetima. Mentori su mu bili Stevan Cakić i Tomo Popović. Tezu je odbranio u petak, 28. marta.

Diskusija je uklju;ila i pitanja integracije AI modela u web aplikaciju i HPC integraciju u rješenje

SAŽETAK – Ovaj rad se bavi problematikom evidentiranja prisustva studenata na predavanjima putem detekcije lica. Cilj istraživanja je razviti i implementirati sistem koji će omogućiti automatsko i precizno praćenje prisustva, čime se eliminišu tradicionalne metode k oje su često sklone greškama i manipulaciji. U okviru rada analizirane su najnovije tehnologije u oblasti vještačke inteligencije, mašinskog učenja i visokih performansi računarskih sistema (HPC), kako bi se postigla optimalna tačnost i efikasnost sistema. Implementacija je testirana na uzorku studenata i pokazala je visoku tačnost u prepoznavanju l ica i evidentiranju prisustva. Ovaj rad takođe razmatra etičke aspekte i pitanja zaštite privatnosti, s obzirom na osjetljivost podataka koja se prikuplja i obra đuje. Rezultati pokazuju da primjena tehnologije detekcije lica u obrazovnom okruženju može značajno unaprijediti administrativne procese, uz istovremeno očuvanje
sigurnosti i privatnosti studenata. Na kraju, diskutovane su moguće buduće primjene i preporuke za dalje usavršavanje sistema.

Članovi HPC4S3ME i EUROCC2/EUROCC4SEE tima bili su mentori i podržali ovo istraživanje
Posted on

Generativni AI i kompjuterska vizija za transformaciju uzgoja živine

Nova naučna publikacija istraživača sa Univerziteta Donja Gorica i DunavNET-a istražuje inovativnu upotrebu generativne AI u digitalnoj poljoprivredi. Pod nazivom „Procjena sintetičkih podataka FLUX.1 na YOLOv9 za uzgoj peradi na bazi umjetne inteligencije“, studija pokazuje kako sintetički podaci, generirani korištenjem FLUX.1, mogu efikasno poboljšati modele dubokog učenja za otkrivanje pilića na pametnim farmama. Publikacija je objavljena u Journal of Applied Sciences, specijalno izdanje posvećeno primjeni kompjuterske vizije u industriji i poljoprivredi [link].

Upotreba generativne AI za kreiranje sintetičkih podataka koji se koriste za obuku modela kompjuterskog vida za poljoprivredni sektor

Kombinacijom stvarnih slika i slika generisanih od veštačke inteligencije i pojednostavljenih beleški sa Grounding DINO i SAM2 modelima, tim je postigao impresivnu tačnost detekcije – dokazujući da generativna veštačka inteligencija može premostiti jaz u podacima u preciznoj poljoprivredi. Ovo istraživanje dio je širih napora, uključujući i doktorsko istraživanje mr. Stevan Cakić, kao i saradnja sa kompanijom koja proizvodi platformu za pametnu poljoprivredu. Istraživanje je urađeno u kontekstu HPC4S3ME projekta, a popodržano je i kroz inicijative EuroCC Montenegro, pokazujući kako računarstvo visokih performansi i AI mogu pokrenuti održive inovacije u poljoprivredi.

Arhitektura i sistemsko okruženje koja se koristilo za izvođenje eksperimenta

ABSTRACT – This research explores the role of synthetic data in enhancing the accuracy of deep learning models for automated poultry farm management. A hybrid dataset was created by combining real images of chickens with 400 FLUX.1 [dev] generated synthetic images, aiming to reduce reliance on extensive manual data collection. The YOLOv9 model was trained on various dataset compositions to assess the impact of synthetic data on detection performance. Additionally, automated annotation techniques utilizing Grounding DINO and SAM2 streamlined dataset labeling, significantly reducing manual effort. Experimental results demonstrate that models trained on a balanced combination of real and synthetic images performed comparably to those trained on larger, augmented datasets, confirming the effectiveness of synthetic data in improving model generalization. The best-performing model trained on 300 real and 100 synthetic images achieved mAP = 0.829, while models trained on 100 real and 300 synthetic images reached mAP = 0.820, highlighting the potential of generative AI to bridge data scarcity gaps in precision poultry farming. This study demonstrates that synthetic data can enhance AI-driven poultry monitoring and reduce the importance of collecting real data.

Kliknite na sliku za rad

Proudly powered by WordPress