Category: Nauka

Predstavnici NCC Montenegro, u zajedničkom radu sa mladim istraživačima sa UDG-a, objavili su dva naučna rada na konferenciji SymOrg 2024, koju organizuje Fakultet organizacionih nauka Univerziteta u Beogradu, a koja se održala na Zlatiboru, Srbija, od 12. do 14. juna 2024. godine. Konferencija je tradicionalno osmišljena kao platforma za inovaciju znanja i empirijska istraživanja, okupljajući predstavnike naučne i stručne zajednice, a ovogodišnja tema bila je: „Otključavanje skrivenog potencijala organizacije spajanjem ljudi i digitalnog“, sa ciljem adresiranja novonastale potrebe za ravnotežom u eri vještačke inteligencije.

Naučni rad „Detekcija skolioze“ autora Elvis Taruh, Enisa Trubljanin i Dejan Babić istražuje primjenu modela dubokog učenja integrisanog sa veb aplikacijom za detekciju skolioze koristeći rendgenske snimke. Koristeći skup od 198 rendgenskih snimaka sa Roboflow platforme, inicijalni rezultati modela nisu bili zadovoljavajući, pa je izvršena ručna anotacija 245 snimaka, što je značajno poboljšalo preciznost modela. Za treniranje su korišćena dva modela bazirana na YOLOv8, savremenom algoritmu za detekciju objekata. Veb aplikacija, razvijena pomoću Flask, HTML, CSS i JavaScript, pruža korisnički interfejs za analizu rezultata detekcije, dok je backend baziran na MySQL bazi podataka za upravljanje snimcima i prikaz rezultata. Mjerne metrike pokazuju da je drugi model, sa unaprijeđenim anotacijama i augmentacijom, imao bolje performanse, izbjegao overfitting i pokazao veću preciznost. Ovaj pristup doprinosi ranijoj dijagnostici skolioze i nudi skalabilno rješenje za druge medicinske izazove, omogućavajući zdravstvenim radnicima preciznije dijagnostičke alate i bolju brigu o pacijentima.

U radu „LLM konzistentna pristrasnost karaktera“, autori Igor Ćulafić i Tomo Popović istražuju potencijal velikih jezičkih modela (LLM) za imitaciju karaktera u medijima, obrazovanju i zabavi. Dok se LLM obično koriste za pretragu weba ili programiranje, ovo istraživanje se fokusira na njihovu sposobnost oponašanja specifičnih likova iz književnosti. Korišćen je dataset iz antologije Ciaphas Cain iz univerzuma Warhammer 40k, a modeli su trenirani pomoću LoRA (Low-Rank Adaptation) metode. Testirana su tri modela različitih veličina (1.1B, 7B i 10.7B parametara), a treniranje je obavljeno na NVIDIA RTX 4090 GPU. Istraživanje je pokazalo da su veći modeli (7B i 10.7B) imali bolju konzistentnost u ponašanju karaktera, iako su povremeno imali problema sa detaljima i prikazivali neočekivana ponašanja poput prekomjerne upotrebe emotikona. Najmanji model (1.1B), i pored viših LoRA Rank parametara, bio je manje efikasan i sklon greškama poput ponavljanja odgovora i bespotrebnih izlaganja. Autori zaključuju da LLM modeli mogu uspješno imitirati fikcionalne likove uz odgovarajuće podatke i treniranje, a buduća poboljšanja bi ih mogla učiniti korisnim u obrazovanju i terapiji. Modeli imaju potencijal za obogaćivanje interaktivnog iskustva u tematskim parkovima, video igrama i edukativnim alatima. Ipak, autori upozoravaju da se ovi modeli ne koriste kao zamjena za terapeute zbog njihovih ograničenja i mogućih netačnosti.

Oba naučna rada su djelimično podržana kroz EuroCC2 projekat, koji finansira Zajedničko preduzeće za evropsko visokoperformantno računarstvo (EuroHPC JU) u okviru ugovora o grantu br. 101101903.

Naučni rad pod nazivom „Manipulacija izlaza putem LoRA za generativnu vještačku inteligenciju“, autora I. Čulafić i saradnici, predstavljen je na 23. Međunarodnom simpozijumu INFOTEH-JAHORINA, koji je održan u periodu od 20. do 22. marta 2024. godine. Trening modela za predikciju trajao je oko šest sati na NVIDIA RTX 4090 GPU sa 24GB VRAM memorije. Ovo istraživanje poslužiće kao osnova za buduće eksperimente na HPC resursima. Rad je objavljen u IEEE Xplore bazi i dostupan je na linku: https://ieeexplore.ieee.org/document/10495995

APSTRAKT – Generativna vještačka inteligencija je posljednjih godina doživjela nagli porast popularnosti, obilježen pojavom revolucionarnih modela kao što su DALL-E 2, Midjourney i Stable Diffusion, koji su predvodili napredak u ovoj tehnološkoj oblasti. Cilj ovog istraživanja je korišćenje potencijala Stable Diffusion modela i njegovih ekstenzija u svrhu treniranja LoRA (Low-Rank Adaptation) modela za generisanje slika koje vjerno odražavaju originalne motive, koristeći unaprijed određeni broj primjera iz skupa podataka. Primarni cilj istraživanja je prikaz mogućnosti Stable Diffusion i generativne AI tehnologije u širem kontekstu, istraživanje mogućnosti koje nude open-source okviri, isticanje izazova povezanih sa loše organizovanim skupovima podataka za obuku, kao i prednosti kvalitetno organizovanih i obrađenih podataka. U radu je sprovedena komparativna analiza različitih diffusion modela i različitih jačina LoRA parametara. Istraživanje takođe ima za cilj da uporedi rezultate dobijene treniranjem sa većim brojem parametara na malim i relativno velikim skupovima podataka, kako bi se utvrdilo da li je pretreniranje i overfitting izraženije kod manjih ili većih datasetova.