Category: Publikacije

Posted on

Konferencijski rad: AI i HPC za učenje matrica pomoću inteligentnog četbota za podučavanje

Na INFOTEH konferenciji predstavljen je rad E. Trubljan, E. Taruha, S. Cakića, T. Popovića i L. Filipovića “Transforming Matrix Problem Solving with Intelligent Tutoring Systems” u izdanju IEEE Xplore. Istraživači iz UDG-a uz podršku HPC NCC Montenegro razvili su inovativni inteligentni sistem podučavanja koji koristi vještačku inteligenciju (AI) i računarstvo visokih performansi (HPC) kako bi se promijenio način na koji studenti uče matrične operacije. Ovo rješenje zasnovano na chatbot-u kombinuje optičko prepoznavanje znakova (EasyOCR) sa naprednim modelom obrade prirodnog jezika (Qwen2-Math-7B-Instruct) za tumačenje unosa teksta i slike, omogućavajući mu da izvodi matrične operacije kao što su transpozicija, sabiranje i množenje uz pružanje jasnih, korak po korak objašnjenja. Podržan univerzitetskom HPC infrastrukturom, sistem osigurava brzu obradu i povratne informacije u realnom vremenu, postižući do 99% tačnosti u prepoznavanju matrice iz visokokvalitetnih slika. Dizajniran imajući na umu obrazovanje, ovaj tutor sa AI-om poboljšava interaktivnost, razumijevanje i ishode učenja za učenike koji se bave složenim konceptima linearne algebre i postavlja teren za buduća poboljšanja kao što je prepoznavanje ručno pisanog unosa i podrška za naprednije operacije.

ABSTRACT – This paper presents the integration of optical character recognition (OCR) and advanced natural language processing (NLP) models for automated handling of matrices derived from images and textual inputs, all combined within an implemented chatbot. The motivation for choosing this topic arises from the practical experiences of the authors gained while working with groups of students who encounter the concept of matrices as part of their academic responsibilities. Through the analysis of their results and classroom interactions, it was observed that many students struggle with this area. This paper presents an innovative approach to enhancing matrix problem-solving by leveraging intelligent tutoring systems supported by High-Performance Computing, aiming to improve learning efficiency and student outcomes. By combining the EasyOCR framework and the Qwen2-Math-7B-Instruct model, operations such as transposition, addition, and multiplication of matrices are enabled. The system supports the input of one or two matrices, allowing the selection of operations through textual or image-based queries. The OCR component extracts numerical data from images, while the NLP model interprets user requests and executes operations accurately. The interface allows the addition of a second matrix image only when necessary, enhancing the system’s intuitiveness and efficiency. The results of the recognition accuracy of the OCR model of image input matrices of different dimensions show a high level of accuracy of 95%, while for 2×2 matrices they reach an accuracy of 99%. This work contributes to the development of AI-powered tools for mathematical operations and holds potential applications in education.

Klikni na sliku da se otvori rad
Posted on

Diplomska teza: Sistem za evidentiranje prisustva preko detekcije lica

Student Aleksandar Vesović je odbranio diplomsku tezu o korišćenju AI i HPC-a za razvoj rešenja za evidenciju pohađanja nastave u školama ili na univerzitetima. Mentori su mu bili Stevan Cakić i Tomo Popović. Tezu je odbranio u petak, 28. marta.

Diskusija je uklju;ila i pitanja integracije AI modela u web aplikaciju i HPC integraciju u rješenje

SAŽETAK – Ovaj rad se bavi problematikom evidentiranja prisustva studenata na predavanjima putem detekcije lica. Cilj istraživanja je razviti i implementirati sistem koji će omogućiti automatsko i precizno praćenje prisustva, čime se eliminišu tradicionalne metode k oje su često sklone greškama i manipulaciji. U okviru rada analizirane su najnovije tehnologije u oblasti vještačke inteligencije, mašinskog učenja i visokih performansi računarskih sistema (HPC), kako bi se postigla optimalna tačnost i efikasnost sistema. Implementacija je testirana na uzorku studenata i pokazala je visoku tačnost u prepoznavanju l ica i evidentiranju prisustva. Ovaj rad takođe razmatra etičke aspekte i pitanja zaštite privatnosti, s obzirom na osjetljivost podataka koja se prikuplja i obra đuje. Rezultati pokazuju da primjena tehnologije detekcije lica u obrazovnom okruženju može značajno unaprijediti administrativne procese, uz istovremeno očuvanje
sigurnosti i privatnosti studenata. Na kraju, diskutovane su moguće buduće primjene i preporuke za dalje usavršavanje sistema.

Članovi HPC4S3ME i EUROCC2/EUROCC4SEE tima bili su mentori i podržali ovo istraživanje
Posted on

Generativni AI i kompjuterska vizija za transformaciju uzgoja živine

Nova naučna publikacija istraživača sa Univerziteta Donja Gorica i DunavNET-a istražuje inovativnu upotrebu generativne AI u digitalnoj poljoprivredi. Pod nazivom „Procjena sintetičkih podataka FLUX.1 na YOLOv9 za uzgoj peradi na bazi umjetne inteligencije“, studija pokazuje kako sintetički podaci, generirani korištenjem FLUX.1, mogu efikasno poboljšati modele dubokog učenja za otkrivanje pilića na pametnim farmama. Publikacija je objavljena u Journal of Applied Sciences, specijalno izdanje posvećeno primjeni kompjuterske vizije u industriji i poljoprivredi [link].

Upotreba generativne AI za kreiranje sintetičkih podataka koji se koriste za obuku modela kompjuterskog vida za poljoprivredni sektor

Kombinacijom stvarnih slika i slika generisanih od veštačke inteligencije i pojednostavljenih beleški sa Grounding DINO i SAM2 modelima, tim je postigao impresivnu tačnost detekcije – dokazujući da generativna veštačka inteligencija može premostiti jaz u podacima u preciznoj poljoprivredi. Ovo istraživanje dio je širih napora, uključujući i doktorsko istraživanje mr. Stevan Cakić, kao i saradnja sa kompanijom koja proizvodi platformu za pametnu poljoprivredu. Istraživanje je urađeno u kontekstu HPC4S3ME projekta, a popodržano je i kroz inicijative EuroCC Montenegro, pokazujući kako računarstvo visokih performansi i AI mogu pokrenuti održive inovacije u poljoprivredi.

Arhitektura i sistemsko okruženje koja se koristilo za izvođenje eksperimenta

ABSTRACT – This research explores the role of synthetic data in enhancing the accuracy of deep learning models for automated poultry farm management. A hybrid dataset was created by combining real images of chickens with 400 FLUX.1 [dev] generated synthetic images, aiming to reduce reliance on extensive manual data collection. The YOLOv9 model was trained on various dataset compositions to assess the impact of synthetic data on detection performance. Additionally, automated annotation techniques utilizing Grounding DINO and SAM2 streamlined dataset labeling, significantly reducing manual effort. Experimental results demonstrate that models trained on a balanced combination of real and synthetic images performed comparably to those trained on larger, augmented datasets, confirming the effectiveness of synthetic data in improving model generalization. The best-performing model trained on 300 real and 100 synthetic images achieved mAP = 0.829, while models trained on 100 real and 300 synthetic images reached mAP = 0.820, highlighting the potential of generative AI to bridge data scarcity gaps in precision poultry farming. This study demonstrates that synthetic data can enhance AI-driven poultry monitoring and reduce the importance of collecting real data.

Kliknite na sliku za rad

Posted on

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.
Posted on

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.

Posted on

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.

Posted on

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.

Proudly powered by WordPress