Koji su glavni ciljevi koje Institut za veštačku inteligenciju Srbije želi da postigne organizacijom EEML-a?
“Naš glavni cilj u organizaciji EEML-a je da podstaknemo razvoj i primenu veštačke inteligencije u Srbiji i regionu Istočne Evrope. Želimo da pružimo priliku mladim istraživačima i studentima da se povežu sa vrhunskim stručnjacima iz celog sveta, razmene znanja i iskustva i unaprede svoje veštine. Takođe, želimo da pokažemo potencijal Srbije kao važnog igrača u oblasti veštačke inteligencije i da privučemo pažnju međunarodne AI zajednice na naše talente i projekte. Organizacija EEML-a dodatno doprinosi jačanju saradnje između akademskih institucija, industrije i istraživačkih centara što je od suštinskog značaja za dalji razvoj ove oblasti, ne samo u Srbiji, nego i u širem regionu. Verujemo da će ovaj događaj inspirisati nove generacije istraživača i mladih talenata i podstaći međunarodne saradnje koje će ubrzati napredak u oblasti AI”, rekao je za WebMind Prof. dr Dubravko Ćulibrk, v.d. direktora Instituta za veštačku inteligenciju Srbije
On dodaje da su glavni strateški ciljevi Instituta za godinu su, značajno unapređenje istraživačkih kapaciteta kroz povećanje broja istraživača i projekata, kao i kroz poboljšanje infrastrukture i jačanje naučne izvrsnosti.
“Planiramo da proširimo naše saradnje sa međunarodnim istraživačkim centrima i univerzitetima kako bismo obezbedili pristup najnovijim tehnologijama i metodologijama u oblasti veštačke inteligencije. Takođe, želimo da unapredimo transfer znanja i tehnologija u industriju, kako bismo podržali razvoj novih proizvoda i usluga baziranih na AI. Jedan od ključnih ciljeva je i povećanje broja komercijalnih projekata i saradnji sa privredom, čime ćemo doprineti razvoju ekonomije i stvaranju novih radnih mesta u našoj zemlji. Naš fokus je na stvaranju održivog ekosistema koji će omogućiti kontinuirani rast i inovacije u oblasti veštačke inteligencije, postavljajući Srbiju kao strateški važnog partnera u regionu”, rekao je Ćulibrk.
Trenutna situacija u oblasti veštačke inteligencije i informacionih tehnologija u Srbiji i svetu
Izvor: Institut za veštačku inteligenciju Srbije
Dr Petar Veličković iz kompanije Google DeepMind smatra da veštačka inteligencija doživljava “renesansu” na globalnom planu, pre svega kroz popularnost generativnih sistema koji interaguju sa korisnicima kroz tekst, slike i zvuk.
“Ovi sistemi su zaokupili i pažnju i maštu mnogih ljudi, što je dovelo do naglog porasta investicija i izveštavanja o mogućnostima ovih sistema. Ni Srbiju nije zaobišao ovaj talas: kao samo neke od primera, u poslednjih nekoliko godina, Srbija je donela zvaničnu Strategiju za razvoj veštačke inteligencije, osnovala Institut za veštačku inteligenciju i nekoliko naših univerziteta su uveli master studije veštačke inteligencije. Takođe, beležimo rast novih domaćih start-up kompanija koje se direktno bave ovom tehnologijom. Potrebno je mnogo predanog rada da bismo ostali “uhodani” sa ostatkom sveta, ali su već postavljene odlične osnove za takvu vrstu razvoja”, rekao je on.
Prema njegovom mišljenju, radi pripreme novih generacija za svet u kom će veštačka inteligencija biti svakodnevnica, potrebno je integrisati nove elemente u obrazovanje na svim stepenima.
“Jako je važno da se još od osnovne škole posveti pažnja ovim sistemima, kao i da se učenici pravilno obrazuju o mogućnostima, potencijalima ali i slabim tačkama ove tehnologije. Na kasnijim nivoima specijalizacije, od srednje škole ka fakultetu, korisno je integrisati predavanja i kurseve o veštačkoj inteligenciji. U Srbiji je sve od gorenavedenog već uveliko u toku—do te mere da već imamo kompletne Master studijske programe posvećene veštačkoj inteligenciji”, rekao je on.
Takođe, dodaje Veličković, bitno je napomenuti da je naš obrazovni sistem i dalje izuzetno teoretski orijentisan kada su u pitanju prirodne nauke; za potpuno razumevanje implikacija sistema veštačke inteligencije i njihovu pravilnu upotrebu, neophodno je proaktivno uključiti praktično korišćenje ovih sistema u učionicama i amfiteatrima.
Ključne tehnologije i izazovi
Izvor: Institut za veštačku inteligenciju Srbije
Dr Nemanja Rakićević iz kompanije Googl DeepMind kaže da postoji dosta komponenti koje utiču na razvoj razlicitih oblasti veštačke inteligencije, kao neke od ključnih bih izdvojio:
- Razvoj specijalizovanog hardvera će ubrzati napredak AI. Trenutno, ograničavajući faktor u razvoju AI su ogromni računarski resursi potrebni za obuku modela. Novi hardver, poput specijalizovanih čipova za AI, i raznih biološki-inspirisanih pristupa, mogu potencijalno omogućiti efikasnije treniranje i korišćenje AI modela, što bi dovelo i do bržih inovacija.
- Skalabilnost podataka i njihova obrada je takođe ključna. Trenutno, pristup kvalitetnim podacima je ograničen, a njihova obrada je skupa i dugotrajna. Novi algoritmi za efikasnu obradu podataka, kao i mogućnost generisanja sintetičkih podataka, bi omogućili bržu iteraciju i pomogli kreiranju AI sistemima koji bolje generalizuju i brže se prilagođavaju novim situacijama i primenama.
- Integracija velikih modela i robotike će omogućiti napredak u oblastima kao što su autonomna vozila, industrijska automatizacija i personalni roboti. Poboljšani jezički modeli će omogućiti robotima da bolje razumeju i reaguju na ljudski jezik, što će ih učiniti korisnijim u svakodnevnom životu.
Kao tri najveća izazova Rakićević je izdvojio: pristup kvalitetnim podacima, potreba za velikim računarskim resursima i nedovoljan nivo generalizacije i rezonovanja kod modela.
“AI modeli zahtevaju ogromne količine kvalitetnih podataka za obuku kako bi postigli visoke performanse. Međutim, prikupljanje, čišćenje i označavanje takvih podataka može biti skupo, dugotrajno i često nemoguće zbog problema privatnosti ili jednostavno nedostatka dostupnosti. Treniranje složenih AI modela takođe zahteva ogromne računarske resurse, kao sto su klasteri GPU-ova, što može biti izuzetno skupo i energetski intenzivno. Ovo ograničava mogućnost manjih organizacija i istraživača da se uključe u razvoj najsavremenijih AI modela”, rekao je on.
On dodaj da, Iako mogu postići izvanredne rezultate u uskim domenima za koje su specifično obučeni, AI modeli često imaju problema sa primenom tog znanja na nove, nepoznate situacije tj. da generalizuju svoje znanje.
Ovo predstavlja, kaže Rakićević, značajnu prepreku u stvaranju AI sistema koji mogu da se prilagode i uče u realnom svetu, bez da se treniraju posebni modeli za specifične primene.
