Projekti

Exams 4.0
2025/06 – 2026/12

Projekat Exams 4.0 – AI-zasnovana generacija i evaluacija ispita predstavlja inovativnu inicijativu usmjerenu ka modernizaciji procesa provjere znanja u visokom obrazovanju kroz primjenu vještačke inteligencije i visokoperformantnog računarstva (HPC). Projekat se realizuje u saradnji između Univerzitet Donja Gorica i kompanije DigitalSmart, uz podršku EuroHPC JU Development Call i Fond za inovacije Crne Gore, sa ciljem razvoja i validacije proof-of-concept (PoC) rješenja za unapređenje kvaliteta, pravičnosti i efikasnosti akademskog ocjenjivanja.

U okviru projekta razvija se specijalizovani veliki jezički model (LLM), prilagođen potrebama univerzitetskog obrazovanja, sposoban za automatsku generaciju ispitnih pitanja i evaluaciju odgovora na osnovu nastavnih materijala, ispitnih arhiva i anonimizovanih studentskih radova. Treniranje i optimizacija modela zahtijevaju obradu velikih, multimodalnih skupova podataka (tekst, slike, video), što se ostvaruje korišćenjem LUMI-G superračunarskih resursa, uz alternativnu mogućnost korišćenja lokalnog HPC klastera na Univerzitet Donja Gorica.

PoC faza projekta fokusirana je na validaciju tehničke izvodljivosti, skalabilnosti i pouzdanosti rješenja, kao i na procjenu njegovog potencijala da smanji opterećenje nastavnog kadra, standardizuje kriterijume ocjenjivanja i umanji subjektivnost u evaluaciji. Dugoročno, Exams 4.0 demonstrira kako integracija HPC-a i AI-a može transformisati procese i poslovne modele visokog obrazovanja, omogućiti personalizovanije učenje i doprinijeti razvoju održivih, digitalno-podržanih akademskih okruženja u Evropi.

Međujezičko učenje LLM modela sa finim podešavanjem
2025/07 – 2026/07

Projekat Cross-Lingual Training with Parameter-Efficient Fine-Tuning in Large Language Models predstavlja istraživačku inicijativu usmjerenu ka razvoju i validaciji naprednih metoda međujezičkog transfernog učenja u velikim jezičkim modelima (LLM), sa posebnim fokusom na jezike sa ograničenim digitalnim i jezičkim resursima. Projekat se realizuje uz podršku EuroHPC JU kroz Development Call za pristup visokoperformantnim GPU resursima, sa ciljem demonstracije proof-of-concept (PoC) pristupa koji povezuje teorijske uvide o zakonima skaliranja velikih modela sa praktičnim ograničenjima računarskih resursa.

U okviru projekta sprovodi se sistematska evaluacija savremenih arhitektura velikih jezičkih modela kroz različite skale veličine, u rasponu od manjih do veoma velikih modela sa desetinama milijardi parametara. Primjenom parametarski efikasnih tehnika finog podešavanja (parameter-efficient fine-tuning), ispituje se kako se znanje stečeno na jezicima sa bogatim resursima može efikasno prenijeti na manje zastupljene jezike, uz očuvanje stabilnosti modela, kontrolu troškova treniranja i izbjegavanje fenomena katastrofalnog zaboravljanja. Korišćenje EuroHPC superračunarskih resursa, prvenstveno LEONARDO Booster GPU infrastrukture, omogućava treniranje, optimizaciju i uporednu analizu velikih jezičkih modela koji nijesu dostupni u standardnim akademskim ili lokalnim HPC okruženjima. Time se obezbjeđuje eksperimentalna validacija metoda koje su relevantne za realne, resursno ograničene istraživačke scenarije.

PoC faza projekta fokusirana je na validaciju tehničke izvodljivosti, skalabilnosti i efikasnosti predloženog pristupa, dok dobijeni rezultati pružaju praktične smjernice za optimalan izbor arhitekture, veličine modela i strategija finog podešavanja u kontekstu ograničenih računarskih resursa. Dugoročno, projekat doprinosi jačanju digitalnog suvereniteta, jezičke ravnopravnosti i dostupnosti naprednih AI tehnologija evropskim akademskim i istraživačkim institucijama, stvarajući temelje za širu primjenu velikih jezičkih modela u višejezičkim obrazovnim, administrativnim i društvenim kontekstima.

PollenTrace
2025/04 – 2026/04

PollenTrace predstavlja najsavremeniju platformu zasnovanu na podacima, dizajniranu za provjeru autentičnosti meda putem analize polena zasnovane na vještačkoj inteligenciji. Koristeći napredne modele mašinskog učenja i računarskog vida, platforma analizira sadržaj polena kako bi precizno odredila geografsko i botaničko porijeklo meda. Razvojem i obukom prediktivnih modela koristeći utvrđene skupove podataka kao što je MedExLab, PollenTrace nudi inovativno rješenje za borbu protiv prevare s medom, uz istovremeno povećanje povjerenja potrošača. Projekat implementira Fakultet za prehrambenu tehnologiju, sigurnost hrane i ekologiju, a podržava ga Inovativni fond Crne Gore.

Prototip platforme će validirati tačnost i pouzdanost AI modela, osiguravajući visoke performanse u identifikaciji vrsta polena i provjeri autentičnosti meda. Takođe će pružiti značajnu podršku laboratorijskom osoblju automatizacijom analiza, ubrzavanjem procesa testiranja i poboljšanjem tačnosti rezultata.

Primarni cilj projekta je razvoj, usavršavanje i implementacija alata za provjeru autentičnosti meda, nudeći osnovnu podršku i proizvođačima meda i laboratorijskim stručnjacima, uz istovremeno povećanje transparentnosti u cijelom lancu snabdijevanja. Primjenom tehnologija zasnovanih na podacima, PollenTrace ima za cilj povećati povjerenje potrošača, zaštititi integritet proizvoda od meda i doprinijeti dugoročnoj održivosti industrije proizvodnje meda.

GenAI-HPC4WB 
2025/02 – 2026/06

GenAI-HPC4WB projekat kombinuje generativnu vještačku inteligenciju, mašinsko učenje i računarstvo visokih performansi (HPC) radi optimizacije procesa zapošljavanja i unapređenja poslovne kulture u regionu Balkana. Analizira psihometrijske podatke, biografije i intervjue koristeći AI modele prilagođene crnogorskom, srpskom, bosanskom i hrvatskom jeziku. Projekt procjenjuje preko 10.000 CV-eva s modelima kao što su LLaMA 3.0 i Mistral, analizira glasovne snimke kako bi se otkrile osobine poput samopouzdanja i proučava video intervjue kako bi se identificirale emocije i mikro-zrazi. HPC resursi omogućavaju efikasnu obradu velikih skupova podataka, poboljšavajući tačnost i skalabilnost ovih procjena vođenih vještačkom inteligencijom.

S ciljem transformacije zapošljavanja za organizacije svih veličina, projekat poboljšava evaluaciju kandidata integracijom psihometrijskih podataka s multimodalnom analizom umjetne inteligencije. On pojednostavljuje zapošljavanje smanjujući pristrasnost i nudi dublji uvid u vještine kandidata i kulturnu pripadnost. Koristeći HPC, GenAI-HPC4WB isporučuje skalabilna i efikasna rješenja za zapošljavanje, postavljajući nove standarde u zapošljavanju vođenom umjetnom inteligencijom. Projekat se realizuje kroz partnerstvo sa Recrewty DOO kao FFPlus Open Call #1 eksperiment. FFPlus dobija podršku kroz finansijska sredstva primljena od Evropskog zajedničkog preduzeća za računarstvo visokih performansi (JU) prema ugovoru o grantu br. 101163317. JU prima podršku od Programa Digitalna Evropa. Više informacija na [link].

AI-AGE
2024/01 – 2026/12

Oko služi kao prozor za neinvazivnu procjenu vaskularnog i neuralnog tkiva retine, nudeći vrijedan uvid u naše zdravlje. Opsežna istraživanja su utvrdila povezanost između promjena u morfologiji retine i povećanog rizika za mnoge kronične bolesti povezane sa starenjem. Ove promjene su također povezane sa zdravim starenjem, iako su izraženije u prisustvu hroničnih stanja povezanih sa starenjem. Ovaj projekat se realizuje kao saradnja Fakulteta za informacione sisteme i tehnologije Univerziteta Donja Gorica i Medicinskog fakulteta Univerziteta Crne Gore. Projekat je finansiran kao naučnoistraživački grant od strane Ministarstva prosvete, nauke i inovacija.

AI-AGE projekat predlaže korištenje algoritama mašinskog učenja (ML) i evaluaciju najsavremenijih AI alata za obuku i kreiranje modela predviđanja za identifikaciju novih neinvazivnih biomarkera starenja i povećanog rizika za razvoj stanja povezanih sa starenjem. Ideja je da se koristi veliki skup podataka označenih slika mrežnjače iz UK Biobank, da se istraže tehnike dubokog učenja (DL), najčešće zasnovane na konvolucionim neuronskim mrežama (CNN), kao što su U-Net i Res-Net, i transformatori, ali i da se proširi istraživanje o korišćenju ansambl metoda koje kombinuju tehnike ML-a za poboljšanje performansi i ccuracy. Više informacija na [link].

HPC4S3ME
2023/01 – 2024/12

Pun naziv ovog novog projekta je „Izgradnja naučnog i inovacionog potencijala za korišćenje HPC i AI za S3 Smart specijalizaciju u Crnoj Gori – HPC4S3ME“ i finansira se iz IPA II programa, poziv EuropeAid/172-351/ID/ACT/ME.

Opšti cilj HPC4S3ME projekta je da doprinese poboljšanju istraživačke izvrsnosti izgradnjom naučnog i inovacionog potencijala zasnovanog na korišćenju računarstva visokih performansi i veštačke inteligencije (AI) za aplikacije u industrijskim domenima koje je predložena Strategijom pametne specijalizacije (2019-2024) za Crnu Goru. Implementacija ovog projekta će omogućiti mladim istraživačima najsavremenije okruženje za sticanje iskustva u istraživanju i razvoju u oblasti informatike, tačnije za primjenu algoritama mašinskog učenja i dubokog učenja koje podržava HPC u cilju kreiranja inovativnih informaciono-komunikacionih tehnoloških rješenja za primjene u poljoprivredi i prehrambenom lancu vrijednosti, zdravstvu i turizmu, energetici i održivom okruženju, a to su prioritetne specijalne domene koje je identificirala strategija pametnog posebnog okruženja. Više informacija na [link]

AI Fusion
2024/09 – 2024/12

Artificial intelligence in agriculture, medicine and energy (AI Fusion) supported by the Innovation Fund of Montenegro

Univerzitet Donja Gorica, uz podršku Fonda za inovacionu delatnost Crne Gore, u okviru programa organizovanja edukacije u oblastima pametne specijalizacije Crne Gore, organizuje tromjesečnu obuku pod nazivom „AIFUSION – Vještačka inteligencija u poljoprivredi, medicini i energetici“. Kurs će se održati u periodu od kraja septembra (21. septembra) do kraja decembra (21. decembra) 2024. Više o konferenciji na [link].

AI4S3
2023/09 – 2023/12

Primjena kompjuterskog vida i dubokog učenja u poljoprivredi i proizvodnji hrane, medicini i energetici (AI4S3) sufinansirano od strane Fonda za inovacionu delatnost Crne Gore.

Članovi tima NCC Montenegro i Fakultet informacionih sistema i tehnologija (UDG), uz podršku Fonda za inovacionu delatnost Crne Gore u okviru programa podsticanja razvoja inovacione kulture i organizovanja edukacije u oblastima stručnosti u Crnoj Gori, organizuje tromesečnu obuku pod nazivom „AI4S3 – Primena računarske vizije i dubokog učenja u poljoprivredi i energetici“ koja će se održati od kraja decembra do početka proizvodnje medicine i energetike u oblasti proizvodnje hrane. 2023. Više o projektu na [link].

AIMIGH (FF4EuroHPC experiment)
2021/05 – 2022/08

“AI/ML Enabled by HPC for Edge Camera Devices for the Next Generation Hen Farms” je financiran je kao aplikacioni eksperiment u okviru Horizon 2020 FF4EuroHPC projekta.

Projekt AIMHiGH predlaže korištenje HPC-a i AI dubokog učenja za kreiranje modela predviđanja koji se mogu primijeniti na rubnim uređajima opremljenim senzorima kamera za korištenje u IoT/AI rješenjima u sektoru živinarstva. UDG će pružati HPC i ekspertizu u domenu kroz NCC Montenegro i FoodHub centar izvrsnosti. Projekt AIMHiGH predlaže korištenje HPC-a i AI dubokog učenja za kreiranje modela predviđanja koji se mogu primijeniti na rubnim uređajima opremljenim senzorima kamera za korištenje u IoT/AI rješenjima u sektoru živinarstva. DunavNET pruža ekspertizu za AI/ML, IOT i razvoj softvera, dok će Univerzitet Donja Gorica pružati HPC i ekspertizu u domenu preko NCC Montenegro i FoodHub Centra izvrsnosti. U procesu evaluacije i pilotiranja učestvovaće crnogorske kompanije Meso-promet Franca i Radinović Company. Projekat je u potpunosti usklađen sa prioritetima strategije S3 Smart Specialization za Crnu Goru. Više informacija na [link].

FoodDecide

2021-2024

Digitalne tehnologije za podršku odlučivanju o sigurnosti hrane