Na INFOTEH konferenciji rad podržan od strane NCC Montenegro

Na 24. međunarodnom simpozijumu INFOTEH-JAHORINA (19-21. mart 2025.) biće predstavljen rad „Transformisanje matričnog rešavanja problema pomoću inteligentnih tutorskih sistema“. Istražuje korištenje OCR i NLP tehnologija za automatiziranu obradu matrice putem inteligentnog četbota za podučavanje.

Ovaj napor je podržan od strane NCC Crne Gore i rezultirao je sistemom koji koristi EasyOCR i Qwen2-Math-7B-Instruct model za matrične operacije sa 95% tačnosti. Implementiran na našem HPC klasteru, omogućava brzu i preciznu obradu korisničkih upita, poboljšavajući učenje pomoću alata koje pokreće AI. Rad će predstaviti gospođa Enisa Trubljanin i gospodin Elvis Taruh, studenti Master AI programa na UDG.

Kliknite na sliku za raspored sesija za prihvaćene radove.

HPC/AI za otkrivanje tuberkuloze: unapređenje rendgenske dijagnoze uz duboko učenje na IT2025

Istraživači sa Univerziteta Donja Gorica predstavili su model dubokog učenja za automatsko otkrivanje tuberkuloze rendgenskim snimkom grudnog koša na IEEE IT2025 konferenciji. Koristeći konvolucionu neuronsku mrežu (CNN), model klasifikuje slike kao normalne ili pozitivne na tuberkulozu sa impresivnih 97,55% preciznosti. Ovo otkriće ima potencijal da ubrza dijagnozu, smanji opterećenje radiologa i poboljša stope ranog otkrivanja, posebno u zdravstvenim ustanovama sa niskim resursima. Korišćenjem veštačke inteligencije za brzu i pouzdanu analizu medicinske slike, ovo istraživanje naglašava rastuću ulogu kompjuterskog vida u modernoj zdravstvenoj zaštiti i njegovu sposobnost da poboljša efikasnost i tačnost u otkrivanju bolesti.

ABSTRACT – This article presents a deep learning model that enables fast and accurate diagnosis of tuberculosis based on chest X-rays. The developed model uses convolutional neural network that enable the automatic classification of chest x-rays into one of two classes: Normal or Tuberculosis with a high degree of accuracy. The model achieved an accuracy of 97.55% on the test data set, indicating its potential to open new perspectives for medical professionals in establishing a tuberculosis diagnosis. This model can significantly speed up the diagnostic process, reducing the workload of medical workers and increasing their productivity in the fight against tuberculosis, one of the most common lung diseases.

Naučni rad o očuvanju kulturne baštine kroz sintezu govora na IT2025

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.

Naučni rad o otkrivanju raka dojke pomoću dubokog učenja na IT2025

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.