Category: Publikacije

Posted on

Konferencijski rad na IEEE IT2026 na temu ML za predikciju dijabetesa

AI-AGE tim je predstavio rad pod nazivom „nterpretable ML for Diabetes and Prediabetes Screening Using Self-Reported Health Indicators“ autora S. Lazić, S. Cakića, I. Rubežić Lukić, N. Popović i T. Popovića na 30. godišnjoj konferenciji o informacionim tehnologijama IT 2026. Ovo je bio dio mentorskih aktivnosti i napora vezanih za razvoj mladih istraživača.

Slika – AI-AGE

ABSTRACT – Early identification of type 2 diabetes (T2D) and prediabetes enables timely interventions, yet screening often relies on self-reported data rather than laboratory testing. This work compares lightweight Machine Learning (ML) models: Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Multilayer Perceptron (MLP) trained on 21 self-reported indicators from the 2015 Behavioral Risk Factor Surveillance System (BRFSS) dataset for three-class classification (no diabetes, prediabetes, diabetes). We propose a screening-oriented evaluation where a probability threshold is selected to achieve a target sensitivity (recall) of 0.80. LightGBM achieves balanced accuracy of 0.52 and precision of 0.33 at the target sensitivity, with 38% of cases flagged. Tree SHapley Additive exPlanations (TreeSHAP) highlight general health status, age category, body mass index (BMI), and hypertension as dominant predictors. A FastAPI web application provides individual risk estimates and instance-level explanations. The pipeline demonstrates feasibility of interpretable, calibrated screening from non-laboratory data.

Posted on

AI i HPC za autentifikaciju meda: PollenTrace na IEEE IT2026

Na IEEE IT2026 conference konferenciji u Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su projekat PollenTrace, koji kombinuje vještačku inteligenciju (AI) i računarstvo visokih performansi (HPC) u cilju unapređenja verifikacije autentičnosti meda. Tradicionalna analiza polena (melisopalinologija), iako pouzdana, zahtijeva mnogo vremena i visok nivo ekspertize. PollenTrace odgovara na ovaj izazov razvojem velikog skupa mikroskopskih podataka i AI pipeline-a za automatsku detekciju polena u uzorcima meda.

U okviru projekta razvija se dataset sa više od 33.000 mikroskopskih slika visoke rezolucije, baziran na preko 1.100 bioloških uzoraka prikupljenih širom Crne Gore, što omogućava razvoj skalabilnih i pouzdanih AI modela. U proof-of-concept fazi, primjenom YOLOv11 modela postignuti su rezultati od 84% preciznosti i 88% odziva, što potvrđuje potencijal za automatizovanu detekciju polena i dalju primjenu u realnim laboratorijskim uslovima.

HPC resursi su imali ključnu ulogu u treniranju modela i obradi velikih skupova podataka, naglašavajući značaj nacionalne HPC infrastrukture kroz NCC Montenegro za razvoj naprednih AI rješenja u oblasti poljoprivrede i bezbjednosti hrane.

PollenTrace predstavlja važan korak ka digitalnoj, skalabilnoj i pouzdanoj verifikaciji autentičnosti hrane, sa potencijalom da unaprijedi rad laboratorija, regulatornih tijela i industrije, uz jačanje povjerenja potrošača. PollenTrace je podržan kao PoC projekat od strane Fonda za inovacije Crne Gore.

Posted on

Odbrana doktorata na UDG-u: Vještačka inteligencija i HPC u preciznoj poljoprivredi

Univerzitet Donja Gorica i Fakultet za informacione sisteme i tehnologije s ponosom objavljuju uspješnu odbranu doktorata gospodina Stevana Čakića, fokusiranog na primjenu vještačke inteligencije i računarstva visokih performansi (HPC) u preciznoj poljoprivredi.

Istraživanje se bavi ključnim izazovima u modernoj poljoprivredi, posebno u živinarstvu, korištenjem modela dubokog učenja i računarskog vida za praćenje u realnom vremenu, rano otkrivanje bolesti i poboljšano upravljanje farmama. Modeli su razvijeni i obučeni korištenjem HPC resursa, omogućavajući efikasno eksperimentisanje i postizanje visoke tačnosti predviđanja koja prelazi 92%. Značajan doprinos ovog rada leži u integraciji razvoja modela zasnovanih na HPC-u sa implementacijom na edge uređajima u stvarnim poljoprivrednim okruženjima, demonstrirajući kompletan put od vještačke inteligencije do industrije. Istraživanje takođe istražuje upotrebu generativne vještačke inteligencije i sintetičkih podataka za smanjenje zavisnosti od velikih anotiranih skupova podataka, ubrzavajući inovacijske cikluse.

mr Stevan Cakic tokom odbrane doktorske teze na temu AI i HPC u preciznoj poljoprivredi

Važno je napomenuti da je dio ovog istraživanja proveden u sinergiji sa FFplus eksperimentom i u direktnoj saradnji s industrijskim partnerima, ističući ulogu HPC-a u omogućavanju primjene vještačke inteligencije u stvarnom svijetu, vođene industrijom. Ovo dostignuće dodatno pokazuje značaj NCC Montenegro i inicijativa u okviru EuroCC2 i EuroCC4SEE u podršci naprednim istraživanjima, podsticanju saradnje između akademske zajednice i industrije i promovisanju usvajanja HPC tehnologija u strateškim sektorima kao što je poljoprivreda.

Posted on

Istraživači sa Prirodno-matematičkog fakulteta objavili su rad u časopisu zasnovan na modelima testiranim na Leonardo HPC-u.

Sa zadovoljstvom objavljujemo da je istraživački tim sa Prirodno-matematičkog fakulteta objavio naučni rad pod nazivom „Data augmentation for fuselage panel inspection via 3D point cloud segmentation“ u časopisu Journal of Electronic Imaging. Rad predstavlja napredne metode proširenja podataka za poboljšanje inspekcije panela trupa korištenjem 3D segmentacije oblaka tačaka, doprinoseći preciznijim i pouzdanijim sistemima inspekcije zasnovanim na vještačkoj inteligenciji. Istraživanje je omogućeno pristupom superračunarskim resursima Leonardo HPC, odobrenim kroz projekat EuroCC2, što je timu omogućilo da obrađuje velike skupove podataka i efikasno razvija modele visokih performansi. Više informacija na: https://doi.org/10.1117/1.JEI.35.3.031202

Kliknite na sliku da se otvori DOI link
Posted on

PAID MNE predstavljen u EuroCC2/EuroCC4SEE Booklet-u uspješnih priča — Pametnije berzansko trgovanje uz superračunare

Sa ponosom ističemo PAID MNE, kao jednu od istaknutih uspješnih priča u EuroCC2 i EuroCC4SEE Booklet-u, koja pokazuje kako HPC transformiše finansijsku analitiku i algoritamsko trgovanje.

EuroCC2 i EuroCC4SEE Booklet

U središtu inovacija PAID MNE nalazi se PAID-T (Price Action Intelligent Detection Trading) — pametna platforma koja koristi napredne algoritme i AI/ML tehnologije kako bi se dinamički prilagođavala kretanjima na tržištu, optimizovala investicione strategije i upravljala rizikom sa većom preciznošću. Tradicionalni računarski sistemi brzo su dostigli svoja ograničenja. Kako bi obezbijedili potrebne performanse, tim je skalirao rješenje na LUMI supercomputer, jednu od najmoćnijih HPC infrastruktura u Evropi. Omogućavanjem multinodnog izvršavanja i raspodjele zadataka u realnom vremenu, PAID MNE je realizovao preko 1,2 miliona simulacija za manje od pet sati — proces koji je ranije trajao danima. Ovo ubrzanje sada omogućava obradu milijarde istorijskih transakcija u svega nekoliko sati, brzo prepoznavanje ključnih tržišnih obrazaca i optimizaciju startegija berzanskog trgovanja.

Paid-T

Ovo dostignuće, predstavljeno uz podršku EuroCC2/EuroCC4SEE projekta, jasno pokazuje kako superračunarstvo postaje snažan pokretač poslovnih inovacija. Razvojni put PAID-T inovativnog rješenja je jasan primjer kako HPC i AI zajedno mogu transformisati složene i kritične podatke u brže i profitabilnije odluke.

Posted on

EuroCC4SEE Forum o biznis inovacijama na bazi HPCi AI i konceptualne demonstracije

Kratki video sa foruma

NCC Montenegro je 13–14. decembra bio domaćin EuroCC4SEE Foruma posvećenog inovacijama u poslovanju uz podršku superračunarstva (HPC) i vještačke inteligencije (AI). Događaj je okupio predstavnike akademske zajednice, privrede, javnog sektora i startap ekosistema s ciljem jačanja nacionalnih kapaciteta i podsticanja digitalne transformacije Crne Gore.

Uvodno obraćanje prof. Boža Krstajića ispred NCC Montenegro
Druženbje i umrežavanje tokom pauza

Tokom dvodnevnog programa predstavljeni su primjeri primjene HPC i AI tehnologija kroz Proof-of-Concept demonstracije u oblastima energetike, poljoprivrede, zdravstva i mobilnosti, kao i diskusije o inovacionim politikama, MLOps pristupima, razvoju vještina i saradnji između biznisa i akademije.

Diskusije su bile fokusirane na inovacije na bazi AI i HPC i PoC demonstracije
PoC (proof-of-concept) prezentacije su bile bazirane na kolaboraciji akademije i industije

Forum je dodatno istakao značaj regionalne i evropske saradnje, mogućnosti finansiranja iz EU programa i buduće aktivnosti u okviru EuroCC4SEE mreže, doprinoseći jačanju pozicije Crne Gore u regionalnom HPC/AI ekosistemu. Zbornik radova sa kratkom elaboracijom svih obrađenih tema biće dostupan na sajtu projekta.

Grupna fotografija sa događaja
Klikni za Zbornik apstrakata
Posted on

Magistarski rad o učenju međujezičkog transfera u velikim jezičkim modelima

G. Igor Ćulafić uspješno je odbranio svoj magistarski rad pod nazivom „Učenje međujezičkog transfera u velikim jezičkim modelima: Zakoni skaliranja i parametarski efikasno fino podešavanje za višejezične aplikacije“. Njegovo istraživanje pruža sveobuhvatnu studiju međujezičkog transfera za crnogorski jezik, kombinujući prilagođeni poluautomatski skener knjiga u obliku slova V, YOLOv11 + Tesseract OCR cjevovod i kreiranje 46.661 paralelnih parova paragrafa. Korištenjem LoRA finog podešavanja na Qwen2.5-7B i Qwen3-30B – izvršenog na superračunaru Leonardo EuroHPC – rad demonstrira parametarski efikasnu adaptaciju (samo 1,05% parametara koji se mogu obučavati) i nudi uvid u ponašanje modela u kulturnom razumijevanju, miješanju pisama i analitičkom zaključivanju. Ovo istraživanje je podržao tim NCC Montenegro i koristilo je računarske resurse HPC klastera i EuroHPC JU.

V-shaped book scanner prototype used to create datasets

SAŽETAK – Ovaj rad predstavlja sveobuhvatno istraživanje međujezičkog transfernog učenja u velikim jezičkim modelima sa fokusom na parametarski efikasno fino podešavanje za crnogorski jezik. Istraživanje integriše razvoj prilagođenog polu-automatizovanog skenera knjiga sa V-oblik dizajnom i tok obrade kompjuterske vizije koji koristi YOLO v11 modele i Tesseract OCR za digitalizaciju 5000 knjiga na crnogorskom i 40000 knjiga na engleskom jeziku, iz javnog domena, rezultujući sa 46661 paralelnih paragrafskih parova. Implementacija LoRA finog podešavanja na Qwen2.5-7B i Qwen3-30B modelima sprovedena je na Leonardo HPC superračunaru, postižući memorijsku efikasnost sa samo 1.05% trainable parametara. Komparativna analiza kroz strukturirani benchmark od deset progresivno složenijih pitanja otkriva ograničene ali pozitivne efekte finog podešavanja, pri čemu veći modeli pokazuju bolje performanse u razumijevanju opšteg znanja i analitičkim zadacima, dok sistemska analiza identifikuje specifične probleme poput miješanja pisma i kulturnih nepreciznosti koji zahtijevaju specijalizovane pristupe.

Proudly powered by WordPress