Category: Publikacije

Dana 21. oktobra 2026. godine, kandidatkinja Sara Kovačević uspješno je odbranila master rad pod nazivom „Generisanje i evaluacija kvaliteta ispitnih pitanja pomoću velikih jezičkih modela i HPC infrastrukture“ na Fakultetu za informacione sisteme i tehnologije Univerziteta Donja Gorica (UDG), u okviru master programa Vještačka inteligencija. Mentor rada bio je prof. dr Tomo Popović. Istraživanje je dijelom realizovano uz podršku NCC Montenegro u okviru projekta EuroCC3, uključujući korišćenje HPC infrastrukture i podršku eksperimentalnom radu. Rad demonstrira mogućnosti kombinovanja generativne vještačke inteligencije i računarstva visokih performansi za pripremu i evaluaciju obrazovnih materijala, sa posebnim osvrtom na crnogorski jezik.

APSTRAKT – U okviru master rada razvijen je i evaluiran automatizovani sistem za generisanje ispitnih pitanja iz video predavanja primjenom velikih jezičkih modela (LLM). Sistem obuhvata automatsku transkripciju predavanja, izdvajanje ključnih pojmova, generisanje pitanja višestrukog izbora i kratkih odgovora, kao i automatizovanu evaluaciju njihovog kvaliteta. Istraživanje je obuhvatilo devet konfiguracija LLM modela na engleskom i crnogorskom jeziku, uz korišćenje lokalnih računarskih resursa, HPC klastera UDG-a i API servisa za inferenciju.

Evaluacija je kombinovala jezičke i strukturne metrike, Bloomovu taksonomiju i LLM-as-Judge pristup za procjenu kvaliteta generisanih pitanja. Rezultati su ukazali na izazove primjene manjih jezičkih modela pri generisanju obrazovnog sadržaja na crnogorskom jeziku, dok su veći modeli ostvarili konzistentnije rezultate. Eksperimenti na HPC klasteru UDG-a pokazali su ubrzanje GPU inferencije od 17,9 puta u odnosu na CPU za isti model.

Istraživanje ukazuje na potencijal primjene AI i HPC tehnologija kao podrške nastavnicima u pripremi materijala za provjeru znanja, uz naglašenu potrebu za nastavničkom kontrolom kvaliteta i dodatnom pedagoškom validacijom prije praktične primjene.

Dana 21. oktobra 2026. godine, kandidatkinja Sanja Lazić uspješno je odbranila master rad pod naslovom „Interpretabilni modeli mašinskog i dubokog učenja za predikciju rizika od dijabetesa tipa 2 na osnovu bihejvioralnih i kliničkih indikatora“, na master studijskom programu Vještačka inteligencija Fakulteta za informacione sisteme i tehnologije Univerziteta Donja Gorica, pod mentorstvom prof. dr Toma Popovića.

Istraživački i eksperimentalni dio rada djelimično je realizovan uz podršku Nacionalnog centra kompetencija za visokoperformansno računarstvo Crne Gore (NCC Montenegro), kroz HPC infrastrukturu i ekspertizu u okviru projekta EuroCC3, uz dodatnu istraživačku podršku projekta AI-AGE. Kroz podršku akademskim istraživanjima, mentorstvu i razvoju kompetencija, NCC Montenegro doprinosi jačanju primjene naprednih AI i HPC tehnologija u zdravstvu i drugim naučnim oblastima.

Master rad istražuje primjenu mašinskog i dubokog učenja, kao i metoda objašnjive vještačke inteligencije, u procjeni rizika od dijabetesa tipa 2, sa posebnim osvrtom na prediktivne performanse, pouzdanost i interpretabilnost modela. Istraživanje takođe demonstrira mogućnosti primjene AI modela u preventivnoj zdravstvenoj zaštiti, kroz procjenu rizika zasnovanu na podacima prikupljenim putem upitnika, bez potrebe za laboratorijskim analizama.

APSTRAKT – U radu je predstavljen razvoj i sistematska evaluacija modela mašinskog i dubokog učenja za procjenu rizika od dijabetesa tipa 2 na osnovu bihejvioralnih, kliničkih i demografskih indikatora. Istraživanje je obuhvatilo 253.680 zapisa i poređenje pet modela: logističke regresije, Random Forest, XGBoost, LightGBM i duboke neuronske mreže. Performanse su analizirane kroz diskriminativnost, kalibraciju procijenjenih vjerovatnoća i interpretabilnost. Duboka neuronska mreža ostvarila je najveću ROC-AUC vrijednost (0,7728), dok je LightGBM pokazao najuravnoteženije ukupne performanse. Za objašnjenje predikcija primijenjene su metode TreeSHAP, integrisani gradijenti i DeepLIFT SHAP. Razvijen je i prototip web aplikacije koji demonstrira prikaz procijenjenog rizika i faktora koji su doprinijeli pojedinačnim predikcijama.

Rezultati ukazuju na potencijal objašnjive vještačke inteligencije za podršku neinvazivnoj procjeni rizika i preventivnom skriningu, uz naglašavanje značaja pouzdanosti i transparentnosti modela, kao i potrebe za dodatnom validacijom prije njihove kliničke primjene.