HPC Montenegro

Kao dio tekućih napora za uključivanje industrije u okviru projekta EUROCC2, Nacionalni centar za kompetencije za računarstvo visokih performansi (NCC Montenegro) posjetio je Centar za finansije u Podgorici.

Dočekali su nas g. Ilija Mugoša, izvršni direktor, i prof. dr. Ivana Katnić, šefica istraživanja i obrazovanja. Tim NCC Montenegro, koji su predstavljali prof. Tomo Popović, mr. Ivan Jovović i g. Dejan Babić, predstavio je ciljeve i usluge projekta EUROCC2, ističući ulogu NCC-a u podršci usvajanju HPC tehnologija u svim sektorima. Tim je podijelio uvide o dostupnoj HPC infrastrukturi, mogućnostima obuke, tehničkoj podršci i pomoći pri podnošenju zahtjeva za pristup nacionalnim i EuroHPC resursima. Diskusija se fokusirala na potencijalnu saradnju u primjeni HPC-a u domenu finansija, uključujući područja kao što su modeliranje rizika zasnovano na podacima, simulacije algoritamskog trgovanja i finansijsko predviđanje poboljšano umjetnom inteligencijom.

Obje strane su prepoznale važnost identifikovanja pravih slučajeva upotrebe i relevantnih skupova podataka koji bi mogli imati koristi od snage HPC-a. NCC Montenegro je izrazio spremnost da podrži Centar za finansije u daljem istraživanju ovih mogućnosti – kroz tehničko vođenje, zajednički razvoj pilot simulacija i pomoć u prelasku sa lokalnih razvojnih okruženja na HPC platforme. Mogućnost primjene HPC resursa i zajedničkih istraživačko-razvojnih projekata naglašena je kao ključni sljedeći korak.

Kao dio šireg napora za analizu operativnih obrazaca u zdravstvenom sektoru Crne Gore, razvijen je prediktivni model za procjenu indikatora vezanih za kvalitet zdravstvenih usluga koje se pružaju građanima na sekundarnom i tercijarnom nivou. Model je u početku obučen na uzorku od 10.000 zapisa, a kasnije je proširen na preko 40.000 zapisa korištenjem HPC klastera na UDG-u, što je omogućilo da se proces obuke završi za manje od jedne minute. Svi zapisi su u potpunosti anonimizirani u skladu s etičkim standardima, a skup podataka je uključivao širok raspon vremenskih, demografskih i institucionalnih varijabli relevantnih za pristup zdravstvenoj zaštiti i obrasce pružanja usluga.

Model je implementiran korištenjem algoritma Random Forest Regressor, a napravljeni su i dodatni eksperimenti s alternativnim tehnikama modeliranja i transformacijama ciljeva. Osnovna konfiguracija postigla je snažne prediktivne performanse (MAE ≈ 95 sati, R² = 0,87). Iako su log-transformacija i alternativni algoritmi poput XGBoost-a evaluirani, nisu dali poboljšanja u odnosu na početni pristup. Analiza važnosti karakteristika otkrila je da faktori poput mjeseca, dana u sedmici i kliničke jedinice imaju najveći utjecaj na rezultate modela. Odobren je pristup namjenskim računarskim resursima za daljnji razvoj, što omogućava kontinuiranu obuku modela i eksperimentiranje s naprednim algoritmima i metodama optimizacije. Nastavlja se saradnja uz primjenu računarskog klastera na UDG.