AI-AGE tim je predstavio rad pod nazivom „nterpretable ML for Diabetes and Prediabetes Screening Using Self-Reported Health Indicators“ autora S. Lazić, S. Cakića, I. Rubežić Lukić, N. Popović i T. Popovića na 30. godišnjoj konferenciji o informacionim tehnologijama IT 2026. Ovo je bio dio mentorskih aktivnosti i napora vezanih za razvoj mladih istraživača.
Slika – AI-AGE
ABSTRACT – Early identification of type 2 diabetes (T2D) and prediabetes enables timely interventions, yet screening often relies on self-reported data rather than laboratory testing. This work compares lightweight Machine Learning (ML) models: Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Multilayer Perceptron (MLP) trained on 21 self-reported indicators from the 2015 Behavioral Risk Factor Surveillance System (BRFSS) dataset for three-class classification (no diabetes, prediabetes, diabetes). We propose a screening-oriented evaluation where a probability threshold is selected to achieve a target sensitivity (recall) of 0.80. LightGBM achieves balanced accuracy of 0.52 and precision of 0.33 at the target sensitivity, with 38% of cases flagged. Tree SHapley Additive exPlanations (TreeSHAP) highlight general health status, age category, body mass index (BMI), and hypertension as dominant predictors. A FastAPI web application provides individual risk estimates and instance-level explanations. The pipeline demonstrates feasibility of interpretable, calibrated screening from non-laboratory data.
Na IEEE IT2026 conference konferenciji u Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su projekat PollenTrace, koji kombinuje vještačku inteligenciju (AI) i računarstvo visokih performansi (HPC) u cilju unapređenja verifikacije autentičnosti meda. Tradicionalna analiza polena (melisopalinologija), iako pouzdana, zahtijeva mnogo vremena i visok nivo ekspertize. PollenTrace odgovara na ovaj izazov razvojem velikog skupa mikroskopskih podataka i AI pipeline-a za automatsku detekciju polena u uzorcima meda.
U okviru projekta razvija se dataset sa više od 33.000 mikroskopskih slika visoke rezolucije, baziran na preko 1.100 bioloških uzoraka prikupljenih širom Crne Gore, što omogućava razvoj skalabilnih i pouzdanih AI modela. U proof-of-concept fazi, primjenom YOLOv11 modela postignuti su rezultati od 84% preciznosti i 88% odziva, što potvrđuje potencijal za automatizovanu detekciju polena i dalju primjenu u realnim laboratorijskim uslovima.
HPC resursi su imali ključnu ulogu u treniranju modela i obradi velikih skupova podataka, naglašavajući značaj nacionalne HPC infrastrukture kroz NCC Montenegro za razvoj naprednih AI rješenja u oblasti poljoprivrede i bezbjednosti hrane.
PollenTrace predstavlja važan korak ka digitalnoj, skalabilnoj i pouzdanoj verifikaciji autentičnosti hrane, sa potencijalom da unaprijedi rad laboratorija, regulatornih tijela i industrije, uz jačanje povjerenja potrošača. PollenTrace je podržan kao PoC projekat od strane Fonda za inovacije Crne Gore.
Univerzitet Donja Gorica i Fakultet za informacione sisteme i tehnologije s ponosom objavljuju uspješnu odbranu doktorata gospodina Stevana Čakića, fokusiranog na primjenu vještačke inteligencije i računarstva visokih performansi (HPC) u preciznoj poljoprivredi.
Istraživanje se bavi ključnim izazovima u modernoj poljoprivredi, posebno u živinarstvu, korištenjem modela dubokog učenja i računarskog vida za praćenje u realnom vremenu, rano otkrivanje bolesti i poboljšano upravljanje farmama. Modeli su razvijeni i obučeni korištenjem HPC resursa, omogućavajući efikasno eksperimentisanje i postizanje visoke tačnosti predviđanja koja prelazi 92%. Značajan doprinos ovog rada leži u integraciji razvoja modela zasnovanih na HPC-u sa implementacijom na edge uređajima u stvarnim poljoprivrednim okruženjima, demonstrirajući kompletan put od vještačke inteligencije do industrije. Istraživanje takođe istražuje upotrebu generativne vještačke inteligencije i sintetičkih podataka za smanjenje zavisnosti od velikih anotiranih skupova podataka, ubrzavajući inovacijske cikluse.
mr Stevan Cakic tokom odbrane doktorske teze na temu AI i HPC u preciznoj poljoprivredi
Važno je napomenuti da je dio ovog istraživanja proveden u sinergiji sa FFplus eksperimentom i u direktnoj saradnji s industrijskim partnerima, ističući ulogu HPC-a u omogućavanju primjene vještačke inteligencije u stvarnom svijetu, vođene industrijom. Ovo dostignuće dodatno pokazuje značaj NCC Montenegro i inicijativa u okviru EuroCC2 i EuroCC4SEE u podršci naprednim istraživanjima, podsticanju saradnje između akademske zajednice i industrije i promovisanju usvajanja HPC tehnologija u strateškim sektorima kao što je poljoprivreda.
Sa zadovoljstvom objavljujemo da je istraživački tim sa Prirodno-matematičkog fakulteta objavio naučni rad pod nazivom „Data augmentation for fuselage panel inspection via 3D point cloud segmentation“ u časopisu Journal of Electronic Imaging. Rad predstavlja napredne metode proširenja podataka za poboljšanje inspekcije panela trupa korištenjem 3D segmentacije oblaka tačaka, doprinoseći preciznijim i pouzdanijim sistemima inspekcije zasnovanim na vještačkoj inteligenciji. Istraživanje je omogućeno pristupom superračunarskim resursima Leonardo HPC, odobrenim kroz projekat EuroCC2, što je timu omogućilo da obrađuje velike skupove podataka i efikasno razvija modele visokih performansi. Više informacija na: https://doi.org/10.1117/1.JEI.35.3.031202
Podgorica, 13. februar 2026. – Medicinski fakultet Univerziteta Crne Gore bio je domaćin regionalnog simpozija posvećenog primjeni računarstva visokih performansi (HPC) i vještačke inteligencije (AI) u zdravstvu i medicinskim istraživanjima.
Događaj je organizovao NCC Montenegro, u saradnji sa Fakultetom za informacione sisteme i tehnologije (UDG) i Medicinskim fakultetom (UCG), u okviru projekata EuroCC2 i EuroCC4SEE, uz dodatnu podršku naučnoistraživačkog projekta AI-AGE.
Okupljajući više od 20 učesnika iz zdravstvenih ustanova, akademske zajednice, inovativnih kompanija i regionalnih partnera iz Bosne i Hercegovine, simpozijum je imao za cilj jačanje saradnje i unapređenje usvajanja AI i HPC tehnologija u zdravstvenom sektoru.
Od vizije do implementacije
Program je kombinovao strateške prezentacije, regionalne sesije saradnje i tehničke demonstracije, stvarajući sveobuhvatan pregled trenutnog stanja HPC-a i vještačke inteligencije u zdravstvu.
NCC Montenegro predstavio je ulogu Crne Gore kao nacionalne referentne tačke za HPC, analizu podataka uz pomoć HPC (HPDA) i razvoj vještačke inteligencije. Prezentacija je pratila cijeli proces – od prikupljanja kliničkih i biomedicinskih podataka do razvoja AI modela i implementacije potpomognute HPC-om.
Centralna poruka događaja bila je jasna: HPC u zdravstvu nije samo stvar računarske brzine. On omogućava rigoroznu validaciju, ponovljivost i skalabilnu implementaciju AI modela u stvarnim kliničkim okruženjima.
Primjeri upotrebe (use cases) o kojima se raspravljalo tokom simpozija uključivali su radiologiju, digitalnu patologiju, kardiologiju, genomiku, praćenje podataka u intenzivnoj nezi i prognoziranje javnog zdravlja.
AI-AGE: Primjena AI za biomarkere starenja
Posvećena sesija fokusirala se na AI-AGE projekat, koji istražuje snimanje u upotrebu slika retine kao potencijalnog biomarker za evaluaciju biološkog starenja.
Interdisciplinarni tim predstavio je rezultate istraživanja zasnovane na podacima UK Biobank baze i skupovima podataka prikupljenim u Crnoj Gori. Nalazi ukazuju na to da složenost retinalnih mikrovaskularnih mreža može brže opadati kod pacijenata sa hroničnim bolestima, ističući potencijalne primjene u ranoj dijagnozi i praćenju.
Govornici su naglasili važnost pažljive validacije modela, rješavanja pristranosti u obuci i osiguravanja odgovorne kliničke primjene. Diskusija je takođe istakla potencijal EuroHPC resursa za daljnje jačanje istraživačkih kapaciteta i računalne skalabilnosti.
Tehnička prezentacija: AI rješenja u praksi
Jedan od najdinamičnijih dijelova simpozija bio je Tehnička prezentacija, gdje su kompanije iz Crne Gore i Bosne i Hercegovine predstavile konkretna rješenja za zdravstvenu zaštitu zasnovana na AI i HPC-u.
Među predstavljenim inovacijama bile su:
Otkrivanje raka debelog crijeva pomoću AI-a u digitalnoj patologiji korištenjem dubokog učenja na histopatološkim slajdovima visoke rezolucije
IoT platforme vođene AI-om koje podržavaju kliničko donošenje odluka i upravljanje pacijentima
AI sistemi za podršku pacijentima sa Alzheimerovovom bolesti, uključujući prediktivne digitalne blizance i alate za multimodalno zaključivanje
HPC-podržane simulacije koje ubrzavaju razvoj farmaceutskih lijekova
Posebno vrijedna komponenta sesije bila je razmjena iskustava kompanija koje su uspješno aplicirale i dobile EuroHPC računalne resurse. Ovi primjeri su pokazali kako pristup superračunarskoj infrastrukturi direktno poboljšava razvoj modela, testiranje i spremnost proizvoda.
Jačanje regionalne saradnje
Simpozijum je također uključivao regionalnu radionicu o bratimljenju između NCC Montenegro i NCC Bosna i Hercegovina.
Sesija se fokusirala na zajedničke strategije za angažman zainteresovanih strana, prekogranično dijeljenje resursa i transfer znanja. Diskusija je potvrdila da je model bratimljenja efikasan mehanizam za jačanje HPC ekosistema jugoistočne Evrope i olakšavanje pristupa evropskoj superračunarskoj infrastrukturi.
Takva saradnja je posebno važna jer se region priprema za sljedeću fazu evropskih HPC inicijativa i povećanje usklađenosti sa Zakonom EU o AI i širim digitalnim strategijama.
Sistemski izazovi
Događaj je završen interaktivnom panel diskusijom pod nazivom „Orkestriranje ekosistema“. Učesnici su se bavili ključnim izazovima s kojima se suočava usvajanje AI u zdravstvu, uključujući:
Nedostatak podataka o zdravstvu i fragmentaciju
Regulatornu složenost, posebno u kontekstu Zakona EU o AI, nove AI strategije za Crnu Goru
Potrebu za jačim partnerstvima između industrije, akademske zajednice i zdravstvenih ustanova
Dok arhitekture modela AI nastavljaju brzo sazrijevati, učesnici su se složili da primarna uska grla leže u heterogenosti podataka, standardima evaluacije i ograničenjima implementacije, a ne u algoritamskim ograničenjima.
Predstavnici zdravstva priznali su rastući značaj HPC-a i umjetne inteligencije u medicinskim istraživanjima, ali su naglasili potrebu za poboljšanjem institucionalne spremnosti za strateško i održivo usvajanje.
Strateški korak naprijed
Simpozij je završen zajedničkom posvećenošću:
Pozicioniranju AI i HPC-a kao strateških prioriteta u inovacijama u zdravstvu
Nastavku širenja infrastrukture i pristupa HPC resursima
Ulaganju u razvoj vještina i izgradnju kapaciteta
Jačanju regionalne saradnje širom jugoistočne Evrope
Događaj je označio važan korak u povezivanju izvrsnosti u istraživanju, industrijskih inovacija i kliničke prakse – pokazujući da umjetna inteligencija omogućena HPC-om u zdravstvu više nije budući koncept, već nova regionalna stvarnost.
Računarstvo visokih performansi (HPC) i vještačka inteligencija (AI) sve više izlaze iz istraživačkih laboratorija u stvarna klinička okruženja. Širom Crne Gore i regije Jugoistočne Evrope razvijena su AI rješenja za analizu medicinskih slika, detekciju biomarkera i prediktivnu dijagnostiku. Ključni izazov danas je osiguranje njihovog strukturiranog prelaska iz istraživačkih prototipova u validirane, primjenjive alate unutar zdravstvenih sistema.
Ovaj događaj se bavi upravo tim prelaskom. Fokusira se na to kako HPC infrastruktura, interdisciplinarna saradnja i koordinirana podrška ekosistema mogu ubrzati integraciju umjetne inteligencije u svakodnevnu kliničku praksu. Posebna pažnja će biti posvećena dostupnim računarskim kapacitetima, slučajevima upotrebe u stvarnom životu i putevima ka održivoj primjeni.
Molimo kontaktirajte nas za prisustvo, broj mjesta je ograničen.
Događaj je organizovan kao zajednička inicijativa NCC Crne Gore i NCC Bosne i Hercegovine, unutar šireg okvira EuroCC 2 i EuroCC4SEE. Takođe predstavlja oblik međuprojektne interakcije s projektom AI-AGE, demonstrirajući kako se inovacije vođene istraživanjem mogu razviti u primijenjena rješenja u zdravstvu kroz regionalnu saradnju.
Događaj je rezultat saradnje između NCC Montenegro i NCC Bosne i Hercegovine
Istraživači, kliničari, inovatori i industrijski partneri pozvani su da se pridruže diskusiji, razmijene stručnost i doprinesu oblikovanju sljedećih koraka za zdravstvenu zaštitu zasnovanu na HPC-u i umjetnoj inteligenciji širom jugoistočne Evrope. Događaj je zakazan za petak, 13. februar 2026. Molimo kontaktirajte nas za više detalja.
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.
