Potvrda koncepta Arhiva - Page 2 of 2

27.07.2026.27.10.2026.

Diplomski rad: BabyFlow.AI – mobilni asistent za podršku ranom roditeljstvu

Marija Gardašević uspješno je odbranila diplomski rad pod nazivom „Primjena vještačke inteligencije u razvoju mobilnog asistenta za podršku ranom roditeljstvu“ na Fakultetu za informacione sisteme i tehnologije Univerziteta Donja Gorica. Rad je izrađen pod mentorstvom prof. dr Toma Popovića, a njegov praktični rezultat je BabyFlow.AI, funkcionalni mobilni prototip razvijen u Flutter okruženju za evidentiranje i pregled spavanja, hranjenja, raspoloženja, obroka i drugih elemenata dnevne rutine bebe. Prototip se može posmatrati kao početni dokaz koncepta za budući digitalni proizvod namijenjen podršci roditeljima, uz dalje korisničko testiranje, razvoj naprednijih analitičkih funkcija i validaciju u saradnji sa relevantnim stručnjacima.

APSTRAKT – Diplomski rad predstavlja razvoj funkcionalnog prototipa mobilne aplikacije BabyFlow.AI, namijenjene podršci roditeljima u organizaciji i praćenju svakodnevne rutine bebe. Aplikacija objedinjuje module za spavanje, hranjenje, izdajanje, raspoloženje bebe, obroke, korišćenje umirujućeg šuma, evidenciju vakcinacije, praćenje rasta i prikaz relevantnih zdravstveno-informativnih resursa, dok se korisnički podaci čuvaju lokalno na uređaju. Osnovni analitički uvidi formiraju se na osnovu korisničkih unosa, dok odvojeni demonstrativni Python model prikazuje jednostavan tok obrade podataka i klasifikacije. BabyFlow.AI nema medicinsku, kliničku niti dijagnostičku namjenu, već predstavlja praktični dokaz koncepta koji može poslužiti kao osnova za razvoj budućih digitalnih servisa za roditelje i pružaoce usluga u oblasti brige o djeci.

27.07.2026.27.10.2026.

Diplomski rad: Primjena AI i HPC tehnologija u sajber-bezbjednosti povezanih vozila

Anđela Vuković uspješno je odbranila diplomski rad pod nazivom „Primjena AI i HPC tehnologija u sajber-bezbjednosti povezanih vozila“ na Fakultetu za informacione sisteme i tehnologije Univerziteta Donja Gorica. Rad je izrađen pod mentorstvom prof. dr Toma Popovića, uz podršku saradnika Arnada Lekića, a povezuje analizu sajber-bezbjednosti u automobilskoj industriji sa praktičnom primjenom AI modela za detekciju anomalija u CAN komunikaciji. Razvijeni demonstrator može se posmatrati kao početni dokaz koncepta za potencijalne industrijske primjene, uz neophodno dalje testiranje na podacima iz stvarnih vozila i validaciju u realnim uslovima.

APSTRAKT – Diplomski rad razmatra primjenu vještačke inteligencije (AI) i računarstva visokih performansi (HPC) u sajber-bezbjednosti povezanih vozila. Pored analize savremenih sajber-rizika, komunikacionih tehnologija i mehanizama zaštite, predstavljen je praktični primjer primjene autoencoder modela za detekciju anomalnih CAN poruka. Eksperimentalni model pokazao je potencijal AI pristupa za prepoznavanje neuobičajene komunikacije, dok se HPC razmatra kao važna podrška za obradu većih skupova podataka, treniranje naprednijih modela i simulaciju scenarija sajber-napada. Iako je implementacija razvijena na simuliranim podacima, ona predstavlja početni dokaz koncepta koji bi se mogao dalje razvijati i validirati za potrebe proizvođača vozila, kompanija iz oblasti sajber-bezbjednosti, laboratorija za testiranje i operatora voznih parkova.

29.06.2026.27.10.2026.

Odbrana master rada: Sinergija računarske vizije i obrade prirodnog jezika u dijagnostici i edukaciji o tuberkulozi

Dana 29. juna 2026. godine, kandidat Nikola Kavarić uspješno je odbranio master rad pod nazivom „Sinergija računarske vizije i obrade prirodnog jezika u dijagnostici i edukaciji o tuberkulozi“, u okviru master programa Vještačka inteligencija na Univerzitetu Donja Gorica. Kroz podršku programu, mentorski rad i razvoj kompetencija u oblastima vještačke inteligencije i računarstva visokih performansi, NCC Montenegro doprinosi osposobljavanju mladih istraživača za razvoj interdisciplinarnih AI rješenja u medicini. Rad istražuje kombinovanje računarske vizije i Retrieval-Augmented Generation pristupa za detekciju znakova tuberkuloze i edukativno objašnjenje medicinskih nalaza.

APSTRAKT – Cilj ovog rada je razvoj i evaluacija sistema koji kombinuje računarsku viziju i Retrieval-Augmented Generation (RAG) modele u svrhu automatske detekcije znakova tuberkuloze na rendgenskim snimcima pluća i edukativnog objašnjenja nalaza. Polazna hipoteza bila je da je moguće razviti funkcionalan prototip koji prepoznaje patološke promjene na snimcima i generiše informativne odgovore korisniku zasnovane na medicinskoj literaturi. U okviru istraživanja razvijeni su i evaluirani CNN model za binarnu klasifikaciju i YOLO modeli za lokalizaciju patoloških promjena. CNN model postigao je tačnost od 97% na testnom skupu, što predstavlja solidan i mjerljiv doprinos. YOLO modeli su adekvatno demonstrirali koncept lokalizacije, uz određena ograničenja vezana za veličinu i neravnotežu skupa podataka. Pored vizuelnog modula, implementiran je i RAG prototip koji koristi lokalnu bazu medicinskih dokumenata za generisanje odgovora na korisničke upite. Integracija je realizovana na nivou prototipa, bez kliničke validacije. Na osnovu dobijenih rezultata, hipoteza je djelimično potvrđena — u značajnoj mjeri za CNN klasifikacionu komponentu u okviru korišćenog testnog skupa, dok YOLO i RAG komponente, zbog ograničenja skupa podataka i nedostatka ekspertski verifikovanih referentnih odgovora, treba tretirati kao demonstraciju koncepta. Rad pokazuje da modularna kombinacija ovih tehnologija može biti korisna osnova za razvoj edukativnih alata u oblasti medicinske dijagnostike.

29.06.2026.27.10.2026.

Odbrana master rada: Mašinsko učenje i kreiranje AI modela za primjene u medicini

Dana 29. juna 2026. godine, kandidatkinja Anesa Abazović uspješno je odbranila master rad pod nazivom „Mašinsko učenje i kreiranje AI modela za primjene u medicini“, u okviru master programa Vještačka inteligencija na Univerzitetu Donja Gorica. Kroz podršku programu, mentorski rad i razvoj kompetencija u oblastima vještačke inteligencije i računarstva visokih performansi, NCC Montenegro doprinosi osposobljavanju mladih istraživača za primjenu naprednih AI metoda u medicini i drugim oblastima od društvenog značaja. Rad istražuje primjenu mašinskog i dubokog učenja u analizi medicinskih slika i kliničkih podataka, uz razmatranje tehničkih, etičkih i praktičnih izazova primjene AI sistema u zdravstvu.

APSTRAKT – Ovaj rad istražuje mogućnosti primjene modela mašinskog (ML) i dubokog učenja (DL) u detekciji raka jajnika i predikciji pneumonije. U prvom dijelu korišćen je YOLO model za prepoznavanje tumorskih promjena na medicinskim slikama, dok su u drugom dijelu primijenjeni modeli XGBoost, Random Forest i neuronske mreže za klasifikaciju kliničkih podataka. Performanse modela procjenjivane su metrikama kao što su preciznost, osjetljivost, tačnost, specifičnost, F1-score, ROC-AUC, MCC, mAP50 i mAP50-95. Eksperimentalna analiza pokazala je da AI modeli mogu ostvariti obećavajuće performanse u oba klinička scenarija, uz određena ograničenja koja zahtijevaju dalju validaciju. Pored tehničkih aspekata, razmatrana su i etička pitanja povezana sa interpretabilnošću, privatnošću podataka i integracijom AI sistema u zdravstvene informacione sisteme. Zaključuje se da AI može predstavljati značajnu podršku savremenoj dijagnostici, uz potrebu za daljim unapređenjem i kliničkom validacijom.