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
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
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.
Dvodnevna praktična radionica: Hibridno iskustvo učenja, zajednički organizovano od strane BioExcel-a i uz podršku Univerziteta u Sofiji „Sveti Kliment Ohridski“, Fakulteta za hemiju i farmaciju i Fakulteta za fiziku, superračunara DISCOVERER i Nacionalnih centara za kompetenciju u Bugarskoj, Sjevernoj Makedoniji, Rumuniji, Srbiji i Crnoj Gori. Ova hibridna radionica pružiće učesnicima priliku da učestvuju i uživo i onlajn. Radionica će biti fokusirana na upotrebu osnovnih BioExcel alata kao što su GROMACS, HADDOCK i PMX, uz snažan akcenat na praktične sesije i vođstvo od strane vodećih stručnjaka iz ove oblasti.
Kada i gdje: 21–22. maj 2025. | Univerzitet u Sofiji, Bugarska i onlajn
Na IT2025 IEEE konferenciji na Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su svoju najnoviju studiju o korištenju vještačke inteligencije (AI) za dijagnostiku raka dojke. Istraživanje istražuje primjenu modela dubokog učenja, ResNet152 i DenseNet121, za analizu mamografskih slika. Osim kliničkih rezultata, studija naglašava implikacije korištenja računarske infrastrukture visokih performansi (HPC) kako bi se optimizirala obuka i evaluacija modela. Prenošenjem eksperimentalne postavke na HPC resurse, istraživanje otvara puteve za brže razvojne cikluse, istraživanje složenijih arhitektura i skalabilnost za implementaciju u stvarnom svijetu.
ABSTRACT – Artificial Intelligence is rapidly advancing the medical field by providing innovative disease diagnosis, treatment, and research approaches. This study explores the application of artificial intelligence in breast cancer diagnostics, focusing on using convolutional neural networks and deep learning to analyze mammographic images. ResNet152 and DenseNet121 models were used to classify malignant changes, achieving AUC scores exceeding 0.9, demonstrating their clinical utility. The research emphasizes how artificial intelligence can enhance screening efficiency, expedite diagnostic processes, and facilitate personalized treatment approaches. Ethical considerations, including patient safety and the transparency of artificial intelligence systems, were also analyzed. The findings underscore the potential of artificial intelligence to transform diagnostic procedures for breast cancer and highlight the importance of further research to integrate these technologies into clinical practice.
Istraživači sa Univerziteta Donja Gorica predstavili su model dubokog učenja za automatsko otkrivanje tuberkuloze na osnovu rendgenskih snimaka pluća na IEEE IT2025 konferenciji. Korišćenjem konvolucione neuronske mreže (CNN), model klasifikuje slike kao normalne ili pozitivne na tuberkulozu sa impresivnom tačnošću od 97.55%. Ovo dostignuće ima potencijal da ubrza postavljanje dijagnoze, smanji opterećenje radiologa i poboljša stopu ranog otkrivanja, naročito u zdravstvenim sistemima sa ograničenim resursima. Kroz primjenu vještačke inteligencije za brzu i pouzdanu analizu medicinskih slika, ovo istraživanje ističe sve značajniju ulogu računarskog vida u savremenoj medicini i njegovu sposobnost da unaprijedi efikasnost i preciznost u otkrivanju bolesti.
Abstrakt – Ovaj rad predstavlja model dubokog učenja koji omogućava brzo i precizno postavljanje dijagnoze tuberkuloze na osnovu rendgenskih snimaka pluća. Razvijeni model koristi konvolutivnu neuronsku mrežu koja omogućava automatsku klasifikaciju snimaka u jednu od dvije kategorije: Normalno ili Tuberkuloza, sa visokim stepenom tačnosti. Model je postigao tačnost od 97.55% na testnom skupu podataka, što ukazuje na njegov potencijal da otvori nove perspektive za medicinske stručnjake u uspostavljanju dijagnoze tuberkuloze. Ovaj model može značajno ubrzati dijagnostički proces, smanjiti opterećenje medicinskog osoblja i povećati njihovu produktivnost u borbi protiv tuberkuloze, jedne od najčešćih plućnih bolesti.
Na IT2025 IEEE konferenciji na Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su studiju o kloniranju glasa i tehnologiji pretvaranja teksta u govor (TTS) za očuvanje kulturnog naslijeđa. Njihovo istraživanje upoređivalo je najsavremenije AI modele, uključujući kloniranje glasa u realnom vremenu (RVC), kornjaču AI, Bark i Coqui AI, kako bi procijenili kako mali, visokokvalitetni skupovi podataka mogu proizvesti točniji i prirodniji govor od velikih, nestrukturiranih. Studija naglašava potencijal AI u očuvanju crnogorskog jezika i usmene tradicije, omogućavajući stvaranje audio knjiga, digitalnih arhiva i interaktivnih iskustava. Ovo istraživanje utire put pristupačnijim obrazovnim resursima i poboljšanom kulturnom angažmanu koristeći sintezu govora vođenu umjetnom inteligencijom.
ABSTRACT – This research presents a comparative analysis of modern voice cloning systems, focusing on their ability to generate high-quality speech from limited training data. The paper aims to demonstrate that carefully curated smaller datasets can produce superior results to larger, less structured datasets. The investigation of multiple state-of-the-art models, including Realtime Voice Cloning (RVC), Tortoise AI, Bark, and Coqui AI, establishes optimal data preparation protocols and identifies critical factors in training data quality, with particular emphasis on applications for the Montenegrin language and cultural preservation.
