Category: Nauka

Sa zadovoljstvom objavljujemo da su dva crnogorska mala i srednja preduzeća, Recrewty i DigitalSmart, dobila pristup Leonardo Boosteru u CINECA-i, jednom od najmoćnijih evropskih sistema računarstva visokih performansi (HPC). Pristup je odobren u okviru poziva za razvoj EuroHPC JU, koji obezbjeđuje 12 mjeseci HPC resursa za podršku naprednom razvoju i inovacijama umjetne inteligencije.

Nagrađeni projekat, HPC4HR – Računarstvo visokih performansi za ljudske resurse, ima za cilj revolucioniranje procesa zapošljavanja na Zapadnom Balkanu kroz integraciju generativne umjetne inteligencije (GenAI) i HPC tehnologija. Projekat se fokusira na analizu multimodalnih podataka – teksta, zvuka i videa – iz prijava kandidata kako bi se omogućili efikasni, nepristrasni i kulturno osjetljivi procesi zapošljavanja. HPC resursi će se koristiti za podršku njihovom zajedničkom FFPlus projektu GenAI-HPC4WB (link).

Da bi se ovo postiglo, projekat će koristiti najsavremenije AI modele kao što su LLaMA 3.x, Mistral, Wav2Vec 2.x, Whisper, FaceNet i DeepFace, a svi su fino podešeni korištenjem HPC resursa u CINECA-i. Ovi modeli će biti razvijeni za procjenu biografija, analizu psihometrijskih osobina iz audio snimaka i tumačenje emocionalnih i bihevioralnih znakova iz HR podataka. Korištenjem HPC-a, projekat osigurava skalabilnost i brzinu obrade, omogućavajući efikasno rukovanje velikim skupovima podataka, značajno skraćujući cikluse zapošljavanja i poboljšavajući usklađivanje kandidata. Pored poboljšanja operativne efikasnosti, HPC4HR naglašava etički razvoj AI, s ciljem smanjenja pristranosti u zapošljavanju i promovisanja raznolikosti i inkluzije. Očekivani rezultati uključuju skup prilagodljivih, visokoučinkovitih AI alata koji postavljaju nove standarde za digitalnu transformaciju u ljudskim resursima, primjenjive u svim industrijama i geografskim područjima.

Uspjeh kompanija Recrewty i DigitalSmart odražava rastući uticaj NCC Montenegro u jačanju nacionalnog HPC i AI ekosistema. Podržavajući kompanije u pristupu vodećoj evropskoj HPC infrastrukturi, NCC Montenegro nastavlja da podstiče digitalne inovacije, konkurentnost i tehnološku izvrsnost u regionu.

Kao dio tekućih napora za uključivanje industrije u okviru projekta EUROCC2, Nacionalni centar za kompetencije za računarstvo visokih performansi (NCC Montenegro) posjetio je Centar za finansije u Podgorici.

Dočekali su nas g. Ilija Mugoša, izvršni direktor, i prof. dr. Ivana Katnić, šefica istraživanja i obrazovanja. Tim NCC Montenegro, koji su predstavljali prof. Tomo Popović, mr. Ivan Jovović i g. Dejan Babić, predstavio je ciljeve i usluge projekta EUROCC2, ističući ulogu NCC-a u podršci usvajanju HPC tehnologija u svim sektorima. Tim je podijelio uvide o dostupnoj HPC infrastrukturi, mogućnostima obuke, tehničkoj podršci i pomoći pri podnošenju zahtjeva za pristup nacionalnim i EuroHPC resursima. Diskusija se fokusirala na potencijalnu saradnju u primjeni HPC-a u domenu finansija, uključujući područja kao što su modeliranje rizika zasnovano na podacima, simulacije algoritamskog trgovanja i finansijsko predviđanje poboljšano umjetnom inteligencijom.

Obje strane su prepoznale važnost identifikovanja pravih slučajeva upotrebe i relevantnih skupova podataka koji bi mogli imati koristi od snage HPC-a. NCC Montenegro je izrazio spremnost da podrži Centar za finansije u daljem istraživanju ovih mogućnosti – kroz tehničko vođenje, zajednički razvoj pilot simulacija i pomoć u prelasku sa lokalnih razvojnih okruženja na HPC platforme. Mogućnost primjene HPC resursa i zajedničkih istraživačko-razvojnih projekata naglašena je kao ključni sljedeći korak.

Kao dio šireg napora za analizu operativnih obrazaca u zdravstvenom sektoru Crne Gore, razvijen je prediktivni model za procjenu indikatora vezanih za kvalitet zdravstvenih usluga koje se pružaju građanima na sekundarnom i tercijarnom nivou. Model je u početku obučen na uzorku od 10.000 zapisa, a kasnije je proširen na preko 40.000 zapisa korištenjem HPC klastera na UDG-u, što je omogućilo da se proces obuke završi za manje od jedne minute. Svi zapisi su u potpunosti anonimizirani u skladu s etičkim standardima, a skup podataka je uključivao širok raspon vremenskih, demografskih i institucionalnih varijabli relevantnih za pristup zdravstvenoj zaštiti i obrasce pružanja usluga.

Model je implementiran korištenjem algoritma Random Forest Regressor, a napravljeni su i dodatni eksperimenti s alternativnim tehnikama modeliranja i transformacijama ciljeva. Osnovna konfiguracija postigla je snažne prediktivne performanse (MAE ≈ 95 sati, R² = 0,87). Iako su log-transformacija i alternativni algoritmi poput XGBoost-a evaluirani, nisu dali poboljšanja u odnosu na početni pristup. Analiza važnosti karakteristika otkrila je da faktori poput mjeseca, dana u sedmici i kliničke jedinice imaju najveći utjecaj na rezultate modela. Odobren je pristup namjenskim računarskim resursima za daljnji razvoj, što omogućava kontinuiranu obuku modela i eksperimentiranje s naprednim algoritmima i metodama optimizacije. Nastavlja se saradnja uz primjenu računarskog klastera na UDG.