Nemanja Rakićević i Matko Bošnjak, istraživači u Google DeepMind-u, jedni su od organizatora Mediteranske letnje škole mašinskog učenja u Splitu, i imaće priliku da sa polaznicima u septembru podele znanja i iskustva iz oblasti veštačke inteligencije.
Kako procenjujete trenutne izazove u edukaciji mašinskog učenja, posebno za mlade istraživače i praktičare?
Nemanja Rakićević
Resursi iz oblasti mašinskog učenja danas su dostupniji nego ikada, kroz ogroman broj YouTube videa, blogova i opensource repozitorija, npr. na GitHub-u. Međutim, i dalje postoje značajni izazovi, posebno za mlade istraživače i praktičare koji kreću od nule.
Jedan od najvećih problema je razumevanje dubljih teoretskih principa koji formuraju osnovu za razumevanje algoritama i dizajniranje modela. Iako su danas dostupne biblioteke koda koje olakšavaju implementaciju, često se dešava da studenti i mladi istraživači koriste modele bez stvarnog razumevanja kako oni funkcionišu. Ovo može biti ograničavajuće pri rešavanju novih problema i optimizaciji modela za specifične primene.
Drugi izazov je kombinovanje teorije i praktičnih veština. Savladavanje mašinskog učenja zahteva ne samo razumevanje matematičkih principa (npr. linearne algebre, optimizacije, statistike), već i iskustvo u radu sa podacima, obradu podataka, dizajn modela i eksperimentalnu metodologiju. Balansiranje između ova dva aspekta često predstavlja prepreku koja zahteva dosta vežbe i praktičnog iskustva.
Još jedan izazov je praćenje dostignuća u oblasti AI koja se razvija izuzetnom brzinom. Novi modeli i tehnike se pojavljuju gotovo svakodnevno što može biti iscrpljujuće za nekoga ko tek ulazi u polje. Zbog toga je važno razviti kritičko razmišljanje i sposobnost selekcije relevantnih istraživanja, umesto pokušaja da se prati svaki novi rad. Za ovo je neophodno pronaći izvore informacija kojima verujete (profili na x.com, blogovi, video kanali) i koji odgovaraju vašem nivou i oblasti interesovanja.
Na kraju, važno je napomenuti da je računarska infrastruktura i dalje ograničavajući faktor za mnoge mlade istraživače. Iako postoje cloud resursi i besplatni GPU servisi, ozbiljno eksperimentisanje sa velikim modelima često zahteva pristup moćnim računarima što može biti izazov za studente i nezavisne istraživače.
Rešenje ovih problema leži u kombinaciji praktičnog rada, dubljeg teorijskog razumevanja i umrežavanja sa zajednicom. Učenje kroz projekte, analizu istraživačkih radova i rad u timovima može značajno ubrzati napredak i pomoći u prevazilaženju ovih prepreka.
Matko Bošnjak
Dostupnost resursa za edukaciju u području strojnog učenja danas je neosporna. YouTube, blogovi, otvoreni repozitoriji poput GitHub-a, online tečajevi, diskusije na x-u i discordu – sve je dostupno na klik. Ipak, unatoč toj „demokratizaciji“ znanja, mladi istraživači i praktičari se i dalje susreću s nizom izazova koji nisu uvijek očiti na prvi pogled. Nije više problem pronaći informacije, već filtrirati ih i ispravno ih primijeniti.
Ključni izazov je preopterećenost informacijama. Ogromna količina resursa, varirajuće kvalitete i relevantnosti, može biti paralizirajuća. Početnici se lako gube u moru informacija, ne znajući odakle početi, što je bitno a što nije, i kako povezati koncepte u cjelinu. To vodi do frustracije i osjećaja da se nikad neće sve pohvatati. A s obzirom na količinu raspoloživih informacija sigurno i neće.
S time je povezan nedostatak strukturiranog učenja. Mnogi resursi su fragmentirani i ne nude cjeloviti put učenja, što vodi skakanju s jednog izvora na drugi, bez plana i cilja, i u konačnici otežava dublje razumijevanje i razvoj sustavnog pristupa rješavanju problema. Učenje postaje ad hoc i neefikasno.
Tu je zatim i jaz između teorije i prakse. Mnogi resursi se fokusiraju na teoriju i algoritme, ali nedostaju im praktični primjeri za primjenu naučenog na stvarne probleme. Bitno je naučiti čitav proces, od razumijevanja teorije, preko implementacije u praksi, prilagodbe modela specifičnim potrebama, procesa aktivne eksperimentacije i evaluacije.
Uz opće izazove, mladi se istraživači suočavaju i s individualnim izazovima, poput nedostatka samopouzdanja, straha od uspjeha i poteškoća s pronalaženjem mentora. Učenje ne treba biti usamljeničko; podrška iskusnijih kolega i prijatelja je ključna.
Konačno, računalna infrastruktura i dalje predstavlja izazov. Iako postoje cloud resursi, ozbiljno eksperimentiranje s velikim modelima zahtijeva značajne računalne resurse, što može biti nepremostiva prepreka za studente i mlade istraživače.
Rješenje ovih problema zahtijeva sveobuhvatan pristup. Potrebno je da razvijemo bolje strukturirane programe učenja, s naglaskom na praksi, osiguramo dostupnost mentorstva te osiguramo adekvatne računalne resurse mladim istraživačima. Tako možemo stvoriti idealne uvjete za razvoj stručnjaka sposobnih nositi se sa stvarnim izazovima u ovom (pre)brzo razvijajućem području.
Da li smatrate da trenutni obrazovni pristupi u domenu mašinskog učenja dovoljno pripremaju studente za realne izazove u industriji i akademskim istraživanjima?
Nemanja Rakićević
Trenutni obrazovni pristupi u mašinskom učenju pružaju solidne temelje, ali često ne pripremaju studente dovoljno za realne izazove u industriji i istraživanju. Glavni nedostaci su u pružanju iskustva u radu sa sirovim podacima i njihovom obradom, manjak prakse sa realnim primenama AI sa kojima se susreću startapi i biznisi i nedovoljno izlaganje infrastrukturnim izazovima poput skaliranja modela i optimizacije memorije.
U industriji, rad često zahteva više od primene postojećih algoritama – neophodno je eksperimentisati, kombinovati metode i prilagođavati rešenja specifičnim problemima. U akademiji studenti često nisu dovoljno osposobljeni za kritičku analizu i reprodukovanje istraživačkih radova u svrhu resavanja realnih problema.
Kako bi obrazovanje bilo efikasnije, programi bi trebalo da se više fokusiraju na rad sa realnim podacima, interdisciplinarni pristup i praktične veštine poput deploy-ovanja modela i analize njihovog rada. Projekti, hackathoni i saradnja sa industrijom može pomoći da studenti steknu znanja neophodna za uspeh u polju AI koje se razvija neverovatnom brzinom.
Matko Bošnjak
Obrazovni pristupi u strojnom učenju, iako se aktivno poboljšavaju, još uvijek ne pripremaju u potpunosti studente za stvarne izazove u industriji i akademskim istraživanjima. Mnogi programi se fokusiraju na teoriju, dok studentima nedostaje praktično iskustvo sa stvarnim podacima i problemima. Često se radi s idealiziranim skupovima podataka, što ne odražava kompleksnost stvarnosti. Ovaj nedostatak iskustva u razvoju i implementaciji modela u stvarnim uvjetima može kasnije predstaviti značajnu prepreku pri zapošljavanju.
Područje strojnog učenja se razvija iznimno brzo, nekada mi se čini i prebrzo, a obrazovni programi jednostavno ne mogu pratiti taj tempo. Studenti ne dobivaju znanja o najnovijim trendovima i tehnologijama, što može dovesti do zastarjelosti njihovih vještina, ukoliko se oslanjaju samo na klasičnu edukaciju. Uz to, strojno učenje se sve više primjenjuje interdisciplinarno, pa je važno da studenti razviju i takve vještine. A osim tehničkih znanja, studenti trebaju razumjeti i osnove domena primjene, naučiti jasno komunicirati s drugim stručnjacima, te aktivno razvijati kritičko mišljenje. Srećom, uz odgovorne fakultete koji problemu pristupaju direktno postoje mnogi nestandardni i besplatni načini za edukaciju, od pasivnih materijala na webu, do aktivnih programskih okruženja (Google Colab), videa stručnih i neformalnih predavanja, diskusija…pa sve do ljetnih škola strojnog učenja poput Mediteranske letnje škole strojnog učenja i Istočno-europske škole koje se ove godine događaju na našim prostorima, u Hrvatskoj i Bosni i Hercegovini.
Kako bi se poboljšala priprema studenata, obrazovni programi bi trebali uključivati više praktičnog rada na konkretnim, industrijskim ili istraživačkim projektima, suradnju s industrijom, te integrirano praćenje novih trendova u nastavi. Studenti bi trebali sudjelovati u istraživačkim projektima i stažiranju kako bi stekli praktično iskustvo i upoznali se sa stvarnim izazovima, jer će kroz takva iskustva naučiti jednu iznimno bitnu vještinu koja će im biti neophodna za rješavanje kompleksnosti svijeta u kojemu živimo, a to je sposobnost adaptacije.
U svijetu u kojem se tehnologije i znanja razvijaju eksponencijalno, sposobnost prilagodbe novim situacijama, alatima i znanjima je ključna za uspjeh u karijeri. Studenti koji su sposobni brzo učiti i prilagođavati se novim izazovima bit će najtraženiji na tržištu rada.
Kako prilagođavate nastavni materijal i vežbe kako biste obuhvatili različite nivoe znanja i osigurali da svi polaznici maksimalno iskoriste ovu priliku?
Nemanja Rakićević
Kako bismo prilagodili nastavni materijal različitim nivoima iskustva, ali i učesnicima koji dolaze iz različitih oblasti istraživanja, fokus je se na kreiranju materijala za vežbe koje su podeljene u tri sekcije: početni, srednji i napredni nivo. Početnici mogu prvo raditi osnovni deo, dok napredniji polaznici mogu odmah da pređu na složenije zadatke. Na taj način, svako može da uči tempom koji mu najviše odgovara, a početnici imaju priliku da dodatno vežbaju kod kuće.
Takođe, naš tim asistenata, koji su eksperti u svojim oblastima i koji su učestvovali u izradi materijala, uvek je dostupan za pomoć na svakom nivou. Oni mogu dati dodatna objašnjenja i usmeriti polaznike kroz zadatke na način koji odgovara njihovom trenutnom znanju.
Nakon svake vežbe, objavljujemo rešenja na GitHub-u, omogućavajući svim polaznicima da kasnije ponove materijal i prodube razumevanje u skladu sa svojim tempom. Ovakav pristup obezbeđuje svakom učesniku da maksimalno iskoristi ovu priliku, bez obzira na prethodno iskustvo.
Matko Bošnjak
Interes za ljetnu školu je ogroman, te je broj prijava puno veći od krajnjeg broja polaznika. Stoga je proces selekcije polaznika vrlo važan kako bismo osigurali da imamo motivirane sudionike s potrebnim predznanjem. Zainteresirani kandidati ispunjavaju prijave koje ocjenjuje veći broj stručnih recenzenata na temelju kriterija kao što su motivacija, obrazovanje, istraživački interesi, praktično iskustvo i aktivnost u znanstvenoj i zajednici ovorenog koda. Kako bismo smanjili pristranost, rezultate normaliziramo po metrici i po recenzentu.
Selekcijom prvenstveno osiguravamo da polaznici, bez obzira odakle dolazili i s kojim iskustvom, imaju dovoljno programerskog iskustva i matematičkog predznanja da bi bili u stanju pratiti većinu predavanja i vježbi. Program ljetne škole je intenzivan i zahtjevan, stoga je važno da polaznici imaju minimalnu razinu predznanja.
Nakon što smo osigurali minimalnu razinu predznanja, možemo krenuti u prilagođavanje materijala. Surađujemo s renomiranim predavačima koji imaju bogato iskustvo i razumiju različite razine znanja polaznika, stoga aktivno prilagođavaju svoja predavanja kako bi bila razumljiva i izazovna za sve. Uz predavanja, veliku pažnju posvećujemo i praktičnim vježbama koje su dostupne u tri razine težine: početnoj, srednjoj i naprednoj, omogućavajući polaznicima da se usredotoče na područja koja ih najviše zanimaju. U kalibraciji tutorijala sudjeluju iskusni doktorandi s iskustvom u podučavanju, kao i stručnjaci iz industrije, osiguravajući relevantnost i praktičnost materijala. Uz sve navedeno, potičemo otvorenu komunikaciju i interakciju između polaznika, predavača i asistenata kako bismo stvorili poticajno okruženje u kojem svi mogu učiti i rasti.
Trudimo se koncipirati školu da bude sveobuhvatna. Osim stručnog dijela programa, veliku važnost pridajemo i društvenom aspektu. Organiziramo različite neformalne aktivnosti kao što su zajednički ručci, večere, i lokalne aktivnosti kako bismo potaknuli umrežavanje i suradnju među polaznicima. Vjerujemo da je to ključno za stvaranje poticajne atmosfere i za buduću suradnju.
Najbitnije ostavljam za kraj – na kraju, koliko god da se mi trudimo omogućiti da škola bude sveobuhvatan događaj, odgovornost i motivacija na kraju leže u polaznicima koji trebaju uzeti kontrolu u svoje ruke i zapitati se što žele, koji su im ciljevi i kako prema tome žele maksimalno iskoristiti ovu priliku. Meni osobno, kao polazniku par škola pred doktorat, je bilo bitno uspostaviti kontakte i proširiti mrežu poznanstava koja me na kraju i dovela do doktorata. Dobro se sjećam svih dragih ljudi, koje i dan danas susrećem na događajima, kao i druženja uz rasprave o istraživanju, ali i tulumarenja. Samih predavanja se, nakon 10-ak godina, više i ne sjećam, jer se krajolik istraživanja izuzetno promijenio u međuvremenu.
Koje su najuzbudljivije inovacije u mašinskom učenju poslednjih godina i koje biste trendove ili tehnologije preporučili mladim istraživačima?
Nemanja Rakićević
Poslednjih godina mašinsko učenje je napravilo ogromne iskorake, a posebno su uzbudljive inovacije u oblasti agenata zasnovanih na velikim jezičkim modelima, generativnih modela za video i razvoja world modela.
Jedan od najvažnijih trendova su Gemini agenti (https://gemini.google.com/app) i modeli koji omogućavaju složenije rezonovanje i planiranje (ChatGPT 4o i DeepSeek R1). Ovi agenti koriste napredne tehnike zaključivanja kako bi rešavali kompleksne zadatke koji zahtevaju razumevanje konteksta, dugoročno planiranje i adaptaciju u realnom vremenu. Takvi modeli imaju ogroman potencijal u domenu automatizovanog istraživanja, naučnih otkrića i inteligentnih sistema za donošenje odluka.
Još jedna ključna inovacija su generativni modeli za video koji značajno unapređuju kvalitet i realizam generisanog sadržaja. Ovi modeli, poput Sora i Veo 2 i drugih sličnih tehnologija otvaraju nove mogućnosti u kreativnim industrijama, ali i u simulacijama, edukaciji i vizuelizaciji složenih fenomena.
Takođe, world modeli kao što je Genie 2 postaju sve važniji u razvoju sistema koji razumeju i modeluju fizički svet (world models). Ovi modeli omogućavaju simulaciju okruženja, planiranje akcija i razvoj naprednih AI sistema koji mogu učiti iz interakcije sa okolinom što je ključno za robotiku, autonomna vozila i adaptivne agente.
Za mlade istraživače koji žele da ostanu konkurentni, preporučujem da prate razvoj ovih tehnologija i istražuju oblasti kao što su kompozicioni modeli za rezonovanje, agenti zasnovani na LLM-ovima, multimodalni generativni modeli i AI za simulacije. Ova polja ne samo da donose fascinantne naučne izazove, već i otvaraju vrata za praktične primene koje mogu oblikovati budućnost AI.
Matko Bošnjak
Svjedočimo fascinantnim inovacijama koje su donedavno bile tema znanstvene fantastike. Tu prvenstveno mislim na AlphaFold, prvi AI sustav koji je osvojio Nobelovu nagradu za kemiju. Njegova revolucionarna točnost u predviđanju prostorne strukture proteina iz sekvence aminokiselina otvorila je vrata bržem razvoju istraživanja u medicini, biologiji i farmaciji. Primjerice, AlphaFold je ubrzao razvoj novih terapija i lijekova, ali i istraživanja o razgradnji plastike, što je ključno za rješavanje problema zagađenja.
Ne mogu ne spomenuti i samovozeće automobile. Nedavno sam se vozio Waymovim automobilom u San Franciscu i ostao sam zabezeknut činjenicom da sam naručio auto aplikacijom poput Uberove, sjeo na stražnje sjedalo, i krenuo uz prazno vozačko mjesto gdje se volan “sam” okreće. To jednostavno trebate doživjeti! Auto koji se sasvim odlično snalazi u prostoru, vozi ugodno i sigurno, poštuje pješake i prometne znakove i precizno razumije kada može proći kroz žuto svjetlo, a kada ne. Čitavo iskustvo me jednostavno ostavilo bez teksta. Ovaj napredak ne bi bio moguć bez brojnih inovacija, ponajviše u inteligentnom softveru automobila.
No, područje umjetne inteligencije i strojnog učenja danas se suočava s izazovom – potrebom za ogromnom količinom računalne snage. Izračuni za velike i kompleksne modele predstavljaju značajnu barijeru za ulazak u istraživanje i primjenu mnogim sveučilištima i tvrtkama. Ipak, ovo ograničenje vidim kao snažan pokretač kreativnosti, svojevrsni evolucijski pritisak koji nas tjera da pronalazimo inovativna rješenja, umjesto da se oslanjamo samo na sirovu snagu.
Uz opći inovativni pristup rješavanju problema s manje računalne moći, istaknuo bih nekoliko zanimljivih područja koja vrijedi pratiti:
- Objašnjivi AI (Explainable AI): Razumijevanje kako modeli donose odluke ključno je za njihovu primjenu u osjetljivim područjima poput medicine i financija.
- AI za znanstvena otkrića (AI for Scientific Discovery): Primjena AI-ja u znanstvenim istraživanjima, poput medicine i znanosti o materijalima, ubrzava značajna otkrića.
- Agentski jezični modeli (LLM Agents): Ovi modeli omogućuju naprednu upotrebu jezičnih modela kroz rezoniranje i planiranje za izvršavanje kompleksnih zadataka, kao i interakciju sa stvarnim ili digitalnim svijetom.
Mladim istraživačima preporučujem da prošire svoje socijalne krugove, prate razvoj tehnologija iz pouzdanih izvora i usredotoče se na područja i probleme koji ih fasciniraju. Neka pronađu probleme koji će ih okupiraju i neka surađuju s kolegama kako bi pronašli inovativna rješenja. Ključno je pronaći suradnike i mentore koji im mogu pomoći u navigaciji kroz kompleksna područja koja ih zanimaju.
