Šta je veštačka inteligencija?

Veštačka inteligencija (AI) je sistem koji, slično čoveku, na osnovu prethodnog znanja, uči kako da se snalazi i donosi odluke u novim i nepoznatim situacijama.

Za razliku od klasičnih programa poput kalkulatora, koji za iste ulazne parametre (npr. dva broja i operaciju) uvek daju isti rezultat kroz unapred definisana pravila, AI sam pronalazi obrasce u podacima i koristi ih da generiše odgovore – koji ne moraju uvek biti identični.

Ipak, za razliku od čoveka, AI nema intuiciju i duboko razumevanje konteksta, već zaključuje isključivo na osnovu dostupnih podataka, zbog čega kvalitet njegovih odluka direktno zavisi od kvaliteta i potpunosti ulaznih informacija.

U tehnološkom kontekstu, veštačka inteligencija obuhvata računarske sisteme koji izvršavaju zadatke povezane sa ljudskim kognitivnim sposobnostima – učenje, rezonovanje, rešavanje problema, percepcija, razumevanje i generisanje jezika, planiranje i delovanje.

Upravo zbog ovih sposobnosti, poslednjih godina sve češće se postavlja pitanje kako će razvoj AI uticati na razne profesije, posebno na programere. Detaljnu analizu tog pitanja pročitajte u tekstu: Da li će AI zameniti programere?

Razlika između ljudske i mašinske inteligencije

• Svesnost i namera. Svesnost podrazumeva sposobnost da čovek deluje samoinicijativno, vođen unutrašnjim doživljajem i određenom namerom.
  
  Za razliku od mašine, čovek ne donosi odluke isključivo na osnovu podataka. Na njegove izbore utiču emocije, lični ciljevi, instinkti, vrednosti, osećaj za dobro i loše, kao i empatija prema drugim ljudima.
  
  Mašinska inteligencija, s druge strane, nema unutrašnji doživljaj. Ona ne „želi“, ne „oseća“ i ne „razume“ u pravom smislu te reči. Njeni odgovori su rezultat statističkih obrazaca, a ne lične namere.
  
  Zato će AI možda reći da te razume, ali bez stvarne empatije. Neće te samoinicijativno pitati kako si u sred noći, niti će osetiti potrebu da bude uz tebe jer nema svest, već samo mehanizam za generisanje odgovora.

• Generalnost i specijalizovanost. Veštačka inteligencija je najčešće specijalizovana za određene zadatke ili trenirana da pokriva širi spektar problema, ali i dalje ostaje ograničena na obrasce iz podataka na kojima je učena.
  
  Čovek, s druge strane, ima sposobnost da kombinuje različite veštine u realnim situacijama. Na primer, rešavanje problema često zahteva više od same logike.
  
  Potrebno je razumeti drugu osobu (empatija), jasno preneti ideju (komunikacija) i usmeriti ljude ka cilju (liderstvo), uz istovremeno korišćenje tehničkog znanja.
  
  Upravo ta sposobnost povezivanja čini ključnu razliku. Dok AI pronalazi najverovatniji odgovor na osnovu postojećih obrazaca, čovek spaja logiku, empatiju, kreativnost i iskustvo kako bi došao do rešenja.
  
• Učenje. Ljudi su u stanju da iz vrlo malog broja primera izvuku opšta pravila. Često je dovoljan jedan primer da prepoznamo obrazac i intuitivno shvatimo šta je ispravno, a šta nije.
  
  Veštačka inteligencija funkcioniše drugačije. Ona nema intuiciju, već zahteva velike količine podataka kako bi mogla da prepozna obrasce i donese zaključke. Umesto razumevanja, oslanja se na statistiku i što više podataka ima, to je veća verovatnoća da će njen odgovor biti tačan.

Kratka istorija veštačke inteligencije

1950 – Alan Turing i „Turingov test“

Godine 1950, Alan Tjuring objavljuje rad „Computing Machinery and Intelligence“ u kome predlaže da se pitanje „Mogu li mašine da misle?“ preformuliše u praktičniji eksperiment: Imitation Game, danas poznat kao Turingov test. Suština testa je da ljudski ispitivač, bez vizuelnog kontakta, vodi razgovor sa dva učesnika – čovekom i mašinom – i pokušava da utvrdi ko je ko. Ako ispitivač ne može pouzdano da razlikuje mašinu od čoveka samo na osnovu teksta, kaže se da je mašina „prošla“ test. Ova ideja je presudno uticala na ranu filozofiju i metodologiju AI istraživanja: umesto da beskonačno raspravljamo o definiciji mišljenja, merimo sposobnost mašina da operišu u komunikativnim, otvorenim situacijama. Tjuringov test je, uz svu kasniju kritiku, ostao referentna tačka u diskusijama o ljudskoj i mašinskoj inteligenciji.

1956 – John McCarthy i nastanak pojma „AI“

Pola decenije kasnije, Dartmouth Summer Research Project on Artificial Intelligence (leto 1956) formalno pokreće polje. Džon Mekarti (John McCarthy) skovao je naziv „artificial intelligence“ i, zajedno sa Marvinom Minskim, Klodom Šenonom i Natanijelom Ročesterom, napisao predlog projekta sa smelim polazištem: svaka komponenta inteligencije načelno može da se opiše dovoljno precizno da bi mašina mogla da je simulira. Time je zadata istraživačka agenda čitavog polja – od učenja i percepcije do jezika i kreativnosti – i otvoren put razvoju simboličke AI, ekspertskih sistema i kasnije mašinskog učenja.

Ključni događaji: Deep Blue, Watson, AlphaGo, ChatGPT

1997 – Deep Blue pobeđuje Garija Kasparova

IBM-ov Deep Blue postaje prvi računarski sistem koji je u zvaničnom meču pod standardnim turnirskim pravilima porazio aktuelnog svetskog šampiona u šahu, Garija Kasparova. Ovaj događaj se često uzima kao simbolična „punolеtnost“ računarske snage i specijalizovanih algoritama (pretraživanje, evaluacione funkcije) u domenu koji je dugo smatran bastionom ljudske strategijske intuicije.

2011 – IBM Watson osvaja Jeopardy!

Watson demonstrira kombinaciju NLP-a, pretraživanja i verovatnosnog rangiranja kandidata-odgovora, pobeđujući Ken Dženingsa i Breda Rater­a u kviz-emisiji Jeopardy!. Ovaj nastup pokazao je moć statističkih metoda i učenja iz velikih zbirki teksta za razumevanje dvosmislenih, često metaforičnih tragova – i to u realnom vremenu

2016 – AlphaGo protiv Lija Sedola

DeepMind-ov AlphaGo pobеđuje višestrukog svetskog šampiona Lija Sedola u igri Go, domen poznat po ogromnom pretraživačkom prostoru i delikatnoj taktičko-strategijskoj ravnoteži. Kombinacija dubokih neuronskih mreža i Monte Karlo pretraživanja poteza (MCTS) označila je prelomni trenutak za duboko učenje u problemskim prostorima koji su dugo odolevali ručno osmišljenim heuristikama.

2022 – ChatGPT i popularizacija generativne AI

Lansiranjem ChatGPT krajem 2022. generativna AI postaje globalni fenomen. Veliki jezički modeli (LLM) prelaze u svakodnevicu – od pisanja i programiranja do učenja i kreativnih industrija. ChatGPT je ilustrovao kako prethodno trenirani modeli, uz fino podešavanje i bezbednosne filtere, mogu da pruže korisne odgovore u dijaloškom formatu.

AI renesansa (2020–2025): multimodalni modeli i generativna AI

Period 2020–2025 obeležava prelaz sa „uskih“, specijalizovanih rešenja ka generativnim i multimodalnim sistemima sposobnim da razumeju i proizvode tekst, slike, zvuk i video – često u realnom vremenu.

• Generativna AI se ustaljuje kao zaseban stup veštačke inteligencije: modeli uče raspodele podataka i generišu originalan sadržaj (tekst, slika, audio, video, kod). Poslovno gledano, genAI ulazi u alate za produktivnost, razvoj softvera i marketing.
• Multimodalnost i dug kontekst. Google-ovi Gemini 1.5 modeli donose standardne prozore od 128k tokena i eksperimentalne prozore do 1M–2M tokena, što omogućava da jedan model „proguta“ hiljade strana PDF-ova, duge video transkripte i velike tabele, pa da zatim rezonuje nad tim materijalom.
• Real-time interakcije. OpenAI-jev GPT-4o integriše audio, viziju i tekst sa niskom latencijom, približavajući se prirodnijim glasovnim asistentima i brzim, kontekstualnim radnim tokovima.
• Konkurrenz i ekosistemi. Anthropic-ova familija Claude 3 (Opus/Sonnet/Haiku) postavlja visoke rezultate na niz standardnih testova i širi multimodalne mogućnosti na enterprise slučajeve upotrebe.
• On-device pomak. Apple Intelligence donosi hibridni pristup – kombinovanje lokalnih (on-device) i cloud modela uz naglasak na privatnost i integraciju u sistemske aplikacije – što nagoveštava širu dostupnost AI funkcija bez stalnog oslanjanja na udaljene servere.

Kako AI funkcioniše?

Osnovni princip – učenje iz iskustva

Zamisli veštačku inteligenciju kao učenika koji svaki dan dobija nove zadatke, greši, ispravlja se i postaje bolji.
Na početku dobije ulaz – to može biti slika, tekst, zvuk ili senzorski podaci – a na kraju treba da proizvede izlaz: odgovor, procenu ili neku akciju. Cilj je da razlika između onoga što AI predvidi i onoga što je tačno bude što manja.

Proces obično ide ovako:

1. Prikupljanje i priprema podataka – AI “uči” iz primera. Podaci se čiste, sređuju i pripremaju tako da model može da ih “svari”.
2. Biranje modela i pravila učenja – svaki AI ima svoj “mozak” (model) i “pravila igre” (funkciju gubitka) kojima se vodi.
3. Učenje – uz pomoć metoda kao što je gradijentni spust, AI podešava svoje unutrašnje “težine” kako bi grešio što manje.
4. Testiranje – proverava se kako AI radi na podacima koje nikad ranije nije video, da bi se izbeglo da nauči samo napamet.
5. Rad u praksi – kada model dovoljno dobro radi, koristi se u stvarnom svetu, ali se stalno prati i po potrebi ponovo trenira.

Bilo da pričamo o jednostavnom modelu koji prepoznaje spam mejlove ili o ogromnim mrežama poput GPT-a, princip je isti – AI uči iz primera i poboljšava se vremenom.

Zašto su podaci ključni

Možeš imati najmoderniji model na svetu, ali ako su podaci loši – rezultat će biti loš.
Ako AI treniraš samo na sunčanim fotografijama, teško da će dobro prepoznavati stvari po mraku. Zato je važno da:

• Podaci budu raznovrsni i realni – da obuhvate sve situacije koje AI može da sretne.
• Oznake budu tačne – u zadacima gde AI “uči iz primera”, te oznake su mu kao rešenja iz udžbenika. Ako su pogrešne, uči pogrešno.
• Skupovi budu odvojeni – deo podataka služi za učenje, deo za testiranje, kako bi procena bila iskrena.

U današnje vreme, AI često uči i iz neoznačenih podataka – jednostavno “pogađa” šta nedostaje u tekstu ili slici i time stiče osnovno razumevanje, koje kasnije nadograđuje na manjim skupovima sa tačnim odgovorima.

Algoritmi i neuronske mreže – “mozak” AI-ja

Algoritam je pravilo koje AI koristi da obradi podatke i donese odluku.
Neuronske mreže su posebna vrsta algoritama inspirisana radom ljudskog mozga – sastoje se od slojeva “neurona” kroz koje prolaze podaci, pri čemu se u svakom sloju dodaje nova “interpretacija” informacija.

Postoji više vrsta neuronskih mreža:

• CNN (konvolucione) – odlične za slike i video.
• RNN i LSTM – dobre za tekst i vremenske serije.
• Transformeri – današnji šampioni, koji pokreću modele poput GPT-a, i mogu da barataju ogromnim količinama informacija odjednom.

Od modela do pravog sistema

Savremeni AI sve češće kombinuje više tipova podataka – tekst, slike, zvuk – u jednom modelu. Zato današnji asistenti mogu da:

• pročitaju i sažmu PDF,
• protumače fotografiju ili snimak ekrana,
• vode razgovor glasom u realnom vremenu,
• generišu slike ili video,
• napišu i izvrše kod.

Napredak u AI-ju poslednjih godina znači da više ne pričamo samo o “računarima koji nešto znaju”, već o sistemima koji mogu da razumeju i stvaraju sadržaj skoro kao ljudi – ali mnogo brže i na većem obimu.

Veštačka inteligencija – Mašinsko učenje – Duboko učenje

Veštačka inteligencija

Veštačka inteligencija je najširi pojam i obuhvata sve sisteme, tehnike i pristupe čiji je cilj da imitiraju ili reprodukuju sposobnosti ljudskog uma. To znači da AI ne podrazumeva samo softverske algoritme koji uče iz podataka, već i šire koncepte, uključujući ekspertske sisteme, pravilima vođene programe (rule-based systems), robote koji deluju autonomno u fizičkom prostoru, pa čak i hibride koji kombinuju različite metode odlučivanja. AI se u teoriji može ostvariti na više načina – od striktno simboličke logike, preko heuristika i statističkog učenja, do kombinovanih kognitivnih arhitektura koje pokušavaju da simuliraju ljudsku percepciju, pamćenje i rezonovanje.

Mašinsko učenje (Machine Learning)

Mašinsko učenje (ML) je podskup veštačke inteligencije koji se fokusira na to da sistemi uče obrasce iz podataka i koriste ih da predviđaju ili donose odluke, bez da su eksplicitno programirani za svaki pojedinačni zadatak. U klasičnom ML-u, algoritam prima ulazne podatke i izlazne oznake (u slučaju nadziranog učenja), zatim gradi model koji povezuje te ulaze sa izlazima, i koristi ga da generalizuje na nove, neviđene podatke.

Postoji veliki broj tehnika, od linearne regresije za predviđanje numeričkih vrednosti, preko stabala odluke i random forest modela za klasifikaciju, do naprednijih metoda poput support vector machines (SVM) ili k-najbližih suseda (k-NN). Svaka metoda ima svoje prednosti i slabosti u zavisnosti od tipa problema i prirode podataka. Na primer, linearna regresija je jednostavna i laka za tumačenje, ali loše modeluje nelinearne odnose, dok SVM može odlično razdvojiti kompleksne skupove, ali često zahteva pažljivu optimizaciju hiperparametara.

Duboko učenje (Deep Learning)

Duboko učenje je podskup mašinskog učenja koji koristi višeslojne neuronske mreže (deep neural networks) kako bi automatski otkrivao složene obrasce u velikim skupovima podataka. Klasične neuronske mreže imaju jedan ili dva skrivena sloja, dok duboke mreže sadrže desetine ili stotine skrivenih slojeva, pri čemu svaki sloj uči sve apstraktnije reprezentacije podataka.

Ova arhitektura omogućava modelima da samostalno „izvuku“ značajke (feature extraction) iz sirovih podataka – npr. da iz piksela slike prepoznaju ivice, oblike, objekte i na kraju kategorije, bez ručne intervencije programera. Zbog toga je duboko učenje revolucionisalo oblasti poput obrade prirodnog jezika (NLP), gde transformeri analiziraju i generišu ljudski jezik, i računarskog vida (computer vision), gde konvolucione mreže prepoznaju objekte na slikama sa gotovo ljudskom preciznošću.

Generativna veštačka inteligencija (Gen AI)

Šta je generativna AI?

Generativna veštačka inteligencija predstavlja poseban pravac u AI-u fokusiran na stvaranje originalnog sadržaja – teksta, slika, video materijala, zvuka, pa čak i koda – na osnovu naučenih obrazaca iz podataka. Za razliku od klasičnih prediktivnih modela, koji predviđaju vrednost ili kategoriju, generativni modeli uče verovatnosnu raspodelu podataka i zatim iz nje uzorkuju nove primere koji liče na originalne, ali nisu njihova kopija.

Tehnologije iza generativne AI

Iza generativnih sistema stoje različite tehnike dubokog učenja:

Variational Autoencoders (VAEs) uvedeni su 2013. godine i omogućili su stvaranje više varijacija sadržaja na osnovu iste ulazne ideje. Oni rade tako što ulazne podatke kodiraju u latentni prostor, a zatim dekodiraju uz male varijacije, proizvodeći nove, slične uzorke.

Difuzioni modeli, prvi put predstavljeni 2014, funkcionišu dodavanjem „šuma“ na slike dok one ne postanu neprepoznatljive, a zatim učenjem obrnutog procesa uklanjanja šuma kako bi se generisale nove slike. Ova tehnika je danas osnova alata poput DALL·E i Stable Diffusion, poznatih po sposobnosti stvaranja fotorealističnih i stilizovanih slika iz tekstualnih opisa.

Transformer modeli predstavljaju prekretnicu u generativnoj AI. Dizajnirani su da obrađuju sekvencijalne podatke i generišu duže sekvence sadržaja, bilo da su to rečenice, muzički tonovi, kadrovi videa ili linije koda. Transformeri stoje iza najpoznatijih AI alata današnjice, uključujući GPT, BERT, Bard i Copilot. Njihov mehanizam pažnje (attention mechanism) omogućava modelu da „razume“ kontekst i odnose između elemenata sekvence, čak i kada su udaljeni hiljadama tokena.

Kako funkcioniše generativna AI?

Proces rada generativne AI može se podeliti u tri glavne faze.

Prva faza je trening, gde se kreira foundation model – veliki model obučen na ogromnim količinama nestrukturiranih podataka (tekst, slike, video, zvuk). Tokom treninga, model uči kompleksne obrasce i odnose unutar podataka. Ova faza je izuzetno resursno zahtevna: zahteva petabajte podataka, hiljade GPU-ova i nedelje obrade, a troškovi se mere u milionima dolara.

Druga faza je tuning. Ovde se osnovni model prilagođava konkretnim zadacima. Jedan pristup je fine-tuning, gde se model dodatno obučava na manjem, specifičnom skupu podataka relevantnom za planiranu primenu. Drugi pristup, reinforcement learning with human feedback (RLHF), uključuje povratne informacije ljudi koji ocenjuju kvalitet odgovora, što omogućava modelu da unapredi svoje performanse u skladu sa ljudskim očekivanjima.

Treća faza obuhvata generisanje i evaluaciju. Kada korisnik unese upit (prompt), model koristi naučene obrasce kako bi proizveo sadržaj. Rezultati se zatim procenjuju – ponekad automatski, ponekad od strane ljudi – a povratne informacije mogu dovesti do dodatnog „fino podešavanja“. Kod najnaprednijih sistema, ovo je iterativan proces, gde se model ažurira ili dopunjuje novim podacima i tehnikama poput retrieval augmented generation (RAG), koje mu omogućavaju pristup spoljnim izvorima informacija radi povećanja tačnosti.

Prednosti veštačke inteligencije

Ako želite da ostanete u koraku sa razvojem veštačke inteligencije i naučite veštine koje vas čine nezamenljivim na tržištu rada, pridružite se Itachi mentorstvu. Naučite kako da AI i druge savremene tehnologije pretvorite u svoj profesionalni adut.

Kontaktirajte nas danas za više detalja.