Publikacije Arhiva - HPC Montenegro

27.07.2026.27.07.2026.

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.

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.

30.06.2026.10.07.2026.

Odbrana master rada: Kvantizacija Edge AI modela u IoT sistemima

Dana 29. juna 2026. godine uspješno je odbranjen master rad pod nazivom „Kvantizacija Edge AI modela u IoT sistemima“, kandidata Žarka Peruničića, u okviru master programa Vještačka inteligencija na Univerzitetu Donja Gorica. Kroz učešće u realizaciji programa, mentorski rad i podršku praktično orijentisanim istraživanjima u oblastima vještačke inteligencije, HPC-a i Interneta stvari, NCC Montenegro doprinosi razvoju naprednih kompetencija za efikasnu primjenu AI modela na uređajima sa ograničenim resursima. Rad se bavi važnim izazovom u oblasti Edge AI, kroz evaluaciju različitih strategija kvantizacije modela računarskog vida u IoT okruženjima.

APSTRAKT – Edge AI sistemi u okruženju Interneta stvari (IoT) zahtijevaju modele vještačke inteligencije koji su dovoljno mali, brzi i pouzdani za rad na uređajima sa ograničenim resursima. U ovom radu ispituje se kako kvantizacija, kao postupak optimizacije modela, utiče na performanse modela računarskog vida na zadatku klasifikacije bolesti listova vinove loze. Kao referentni model korišćen je MobileNetV2, a zatim su u okruženju TensorFlow Lite pripremljene njegove optimizovane varijante u FP16 i INT8 režimima kvantizacije, uključujući dinamičku INT8 kvantizaciju, punu INT8 kvantizaciju zasnovanu na reprezentativnom skupu podataka i INT8 varijantu dobijenu treniranjem prilagođenim kvantizaciji (QAT) na dodatnom, zahtjevnijem skupu podataka. Eksperimenti su sprovedeni nad očišćenim i ponovo formiranim podskupovima, nakon kontrole kvaliteta javno dostupnih skupova i uklanjanja redundantnih i vizuelno ekvivalentnih uzoraka. U kontrolisanim uslovima analizirane su latencija, stabilnost izvršavanja, maksimalna procesna memorija (peak RAM), veličina modela i tačnost.

Na kontrolisanijem skupu podataka puna INT8 kvantizacija nakon treniranja ostvaruje najpovoljniji odnos između efikasnosti, stabilnosti i veličine modela, uz očuvanje tačnosti, dok dinamička INT8 kvantizacija, uprkos manjoj veličini modela, može mjerljivo usporiti izvršavanje modela. Na zahtjevnijem, terenskom skupu podataka obrazac se djelimično mijenja: iako puna INT8 kvantizacija ostaje najbrža varijanta, INT8 model dobijen QAT pristupom ostvaruje najpovoljniji ukupni odnos između tačnosti, veličine modela i latencije. Rezultati pokazuju da efekat kvantizacije ne zavisi samo od numeričke preciznosti, već i od karakteristika podataka, postupka kalibracije i usklađenosti modela sa izvršnim okruženjem. Zaključuje se da izbor kvantizacione strategije treba potvrditi empirijski za konkretan scenario primjene, umjesto da se unaprijed pretpostavi.

29.06.2026.10.07.2026.

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.

29.06.2026.10.07.2026.

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.

03.03.2026.18.03.2026.

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.

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.

02.03.2026.18.03.2026.

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.