Kandidat Arnad Lekić uspješno je odbranio master rad pod nazivom “Razvoj AI tutora koristeći velike jezičke modele i HPC” na Fakultetu za informacione sisteme i tehnologije Univerziteta Donja Gorica. I ova teza je urađena u kontekstu i uz podršku EuroCC2 i EuroCC4SEE projekata.
Kandidat Arnad Lekić
APSTRAKT – Ovaj rad se bavi razvojem personalizovanog AI tutora korišćenjem velikih jezičkih modela (LLM), sa posebnim fokusom na LLaMA arhitekturu i primjenu High-Performance Computing (HPC) resursa. U okviru istraživanja, realizovan je proces preuzimanja, postavljanja i evaluacije otvorenog LLaMA modela, sa ciljem da se razvije sistem sposoban za automatsko ocjenjivanje testova. Poseban akcenat je stavljen na efikasnost i mogućnosti treniranja modela u lokalnim uslovima koristeći dostupne računarske nodove, uz poređenje sa cloud rješenjima poput Google Colab-a. Pored tehničke realizacije, razmatrani su i etički izazovi primjene generativne AI u obrazovanju. Kroz eksperimentalnu analizu pokazano je da se otvoreni modeli mogu prilagoditi i koristiti za obrazovne svrhe, uz mogućnost proširenja na ocjenjivanje različitih tipova ispita i generisanje edukativnih sadržaja. Rad daje smjernice za budući razvoj sistema koji bi koristio naprednije multimodalne modele za složenije zadatke.
Odbrani je prisustvovalo preko 30 ljudi. Tog dana smo imali tri kandidata, svi u okviru EuroCC2 i EuroCC4SEE.
Kandidatkinja Enisa Trubljanin uspješno je odbranila master rad pod nazivom „Duboko učenje sa primjenom u edukaciji“ na Fakultetu za informacione sisteme i tehnologije Univerziteta Donja Gorica. Razvoj i testiranje ovih rješenja realizovani su uz podršku resursa HPC resursa dostupnih kroz EuroCC inicijativu u Crnoj Gori i na univerzitetu.
Kandidatkinja Enisa Trubljanin
APSTRAKT – Ovom magistarskom tezom istražuje se mogućnost primjene dubokog učenja u obrazovanju, kroz razvoj i evaluaciju dvije konkretne aplikacije: inteligentnog chatbot-a za rješavanje problema matrica i modela za detekciju varanja tokom online ispita putem analize pokreta očiju. Prvi dio rada obuhvata teorijsku osnovu dubokog učenja, sa fokusom na neuronske mreže, njihove arhitekture, transfer učenje i evaluacione metrike. U praktičnom dijelu, prikazan je razvoj chatbot-a baziranog na naprednim jezičkim i matematičkim modelima, implementiranog pomoću resursa klastera super računara, čime se studentima omogućava interaktivno učenje matematike. Takođe, razvijen je model za prepoznavanje varanja pomoću analize pokreta pogleda, treniran na Columbia Gaze Dataset-u i integrisan u sistem za nadzor online ispita. Rezultati evaluacije pokazuju visok stepen tačnosti i korisničkog zadovoljstva kod oba rješenja. Pored tehničkog dijela, rad se bavi i osvrtom na privatnost i etička pitanja u primjeni vještačke inteligencije u obrazovanju. Na osnovu postignutih rezultata, ukazuje se na širok spektar potencijalnih primjena dubokog učenja u modernim obrazovnim sistemima.
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.
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
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.
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.
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.
