Roadmap: Od srednjoškolca do AI Solutions Architect-a (Vodič za 2026-2030.)

Biti AI Solutions Architect ne znači samo „znati programirati“. To je hibridna uloga. Vi ste delom softverski inženjer, delom data naučnik, a delom poslovni strateg. Vi ste osoba koja ne trenira samo modele, već gradi čitave sisteme oko njih koji rešavaju stvarne probleme.

Ovo je mapa puta kako da dođete do te pozicije, korak po korak.

FAZA 1: Temelj (Trajanje: 6-12 meseci)

Cilj: Da naučite jezik kojim mašine govore i logiku kojom razmišljaju.

Većina preskoči ovu fazu i odmah skoči na „pravljenje botova“. To je greška. Bez temelja, srušićete se na prvom kompleksnom problemu.

1. Programski jezik: Python (Bez diskusije)

Python je lingua franca AI sveta. Ne učite C#, ne učite Javu (za sada).

Šta tačno učiti: Tipovi podataka, petlje, funkcije, OOP (Objektno Orijentisano Programiranje), rad sa fajlovima, Virtual Environments.
Besplatan resurs:
- CS50: Introduction to Computer Science (Harvard na YouTube-u) – Najbolji uvodni kurs na svetu.
- Knjiga: „Automate the Boring Stuff with Python“ (Al Sweigart) – Savršeno za praktičnu primenu odmah.

2. Matematika (Ona koju niste voleli u školi)

Ne treba vam doktorat, ali morate razumeti šta se dešava „ispod haube“. AI je, u suštini, statistika na steroidima.

Fokus:
- Linearna algebra: Matrice i vektori (kako podaci ulaze u model).
- Verovatnoća i statistika: Distribucije, standardna devijacija (kako znati da li model laže).
- Calculus (Izvodi): Samo osnovni koncept (kako modeli „uče“ preko gradijentnog spusta).
Resurs: Khan Academy (sekcije Linear Algebra i Statistics).

3. Alati zanata

Git & GitHub: Naučite da verzionišete kod. Ako nije na GitHub-u, niste ga napisali.
Linux Terminal: Naučite osnovne komande (cd, ls, grep, ssh). Serveri na kojima trči AI su Linux mašine, ne Windows.

FAZA 2: Podaci i Inženjering (Trajanje: 6-8 meseci)

Cilj: Pre nego što napravite AI, morate znati da ukrotite podatke.

AI modeli su beskorisni bez dobrih podataka. U ovoj fazi postajete „Data Engineer“ početnik.

1. Manipulacija podacima

Biblioteke: Pandas i NumPy. Ovo je „Excel za programere“. Morate znati da učitate CSV od milion redova, očistite ga, popunite praznine i izvučete statistiku.
Vežba: Skinite dataset sa sajta Kaggle (npr. cene stanova u Beogradu) i analizirajte ga.

2. Baze podataka (Gde podaci žive)

SQL: Morate znati SQL (koristite PostgreSQL). Naučite JOIN, GROUP BY, i kako da dizajnirate šemu baze.
NoSQL / Vector Databases: Ovo je ključno za 2026. Naučite šta je Pinecone ili Weaviate. Vektorske baze su memorija modernog AI-ja.

FAZA 3: AI i Machine Learning (Trajanje: 12 meseci)

Cilj: Izgradnja i razumevanje modela.

Ovde ulazimo u srž problema.

1. Klasičan Machine Learning (ML)

Pre nego što potrčite ka ChatGPT-u, morate znati osnove.

Biblioteka: Scikit-Learn.
Algoritmi: Linear Regression, Decision Trees, Random Forest, K-Means Clustering.
Resurs: Kurs Andrew Ng – Machine Learning Specialization (Coursera). Ovo je „sveto pismo“ industrije.

2. Deep Learning & Neural Networks

Kako računari „vide“ slike i „razumeju“ tekst.

Framework: PyTorch. (TensorFlow je u opadanju, PyTorch je standard za istraživanje i produkciju danas).
Projekat: Napravite model koji prepoznaje da li je na slici pas ili mačka (klasika, ali obavezna).

3. LLM & Generative AI (Moderno doba)

Ovo je ono što vas čini zapošljivim danas.

Koncepti: Prompt Engineering, Fine-tuning, RAG (Retrieval-Augmented Generation).
Alati: Hugging Face (biblioteka modela), LangChain ili LlamaIndex (za povezivanje modela sa vašim podacima).
API: Naučite kako da integrišete OpenAI API ili Anthropic API u svoj Python kod.

FAZA 4: Arhitektura i Cloud (Trajanje: 6-12 meseci)

Cilj: Postavljanje modela u stvarni svet.

Model koji radi na vašem laptopu je hobi. Model koji radi na serveru za 10.000 korisnika je biznis. Ovo razdvaja juniore od arhitekata.

1. Kontejnerizacija

Docker: Naučite da upakujete svoju aplikaciju u kontejner tako da radi svuda isto.
Kubernetes (Osnove): Kako upravljati sa stotinu kontejnera.

2. Cloud Platforme

Izaberite jednu (ne pokušavajte sve odjednom). Preporuka: AWS (Amazon Web Services) jer je tržišni lider.

Servisi koje morate znati: EC2 (serveri), S3 (skladištenje), Lambda (serverless funkcije), SageMaker (AI platforma).
Cilj: Položite sertifikat AWS Certified Solutions Architect – Associate. To je „zlatni standard“ za HR regrute.

3. MLOps (DevOps za AI)

Kako automatski trenirati i pratiti modele. Alati: MLflow ili Weights & Biases.

KONKRETAN PROJEKAT ZA PORTFOLIO (Primer)

Nemojte u CV stavljati „Znam Python„. Stavite link ka GitHub projektu. Evo ideje za projekat koji pokriva sve gore navedeno i impresioniraće svakog poslodavca:

Naziv projekta: „Pametni pravnik – RAG Chatbot za Zakone Republike Srbije“

Data Engineering: Napišite Python skriptu (scraper) koja skida zakone sa sajta „Paragraf Lex“ ili sličnog izvora.
Vector DB: Iseckajte tekst zakona na delove (chunks), pretvorite ih u vektore (embeddings) i sačuvajte u bazu (npr. Pinecone).
LLM Backend: Koristite LangChain da povežete GPT-4o sa vašom bazom. Kada korisnik pita „Kolika je kazna za prolazak kroz crveno?“, sistem traži tačan član zakona i na osnovu njega generiše odgovor.
Frontend: Napravite jednostavan interfejs u Streamlit-u (Python biblioteka za brzi UI).
Deployment: Upakujte sve u Docker i podignite na besplatan AWS tier ili Render.com.

Ako ovo uradite i dokumentujete na GitHub-u, vi ste ispred 90% studenata.

Lista resursa (Gde učiti?)

Besplatno:

YouTube kanali:
- Andrej Karpathy (Za duboko razumevanje kako LLM radi – za napredne).
- FreeCodeCamp (Za Python, SQL, Docker tutorijale od po 4 sata).
- IBM Technology (Za objašnjenja Cloud koncepata).
Dokumentacija: Čitajte zvaničnu dokumentaciju (Python docs, AWS docs). To je veština sama za sebe.

Plaćeno (ali vredi):

Coursera: Deep Learning Specialization (Andrew Ng).
Udemy: Kursevi za AWS sertifikaciju (Stephane Maarek).
O’Reilly Media: Pretplata na najbolje tehničke knjige.

Domaća scena:

Pratite organizacije kao što su Data Science Serbia. Idite na meetups (okupljanja). Mreža ljudi je važnija od mreže računara.

Savet za kraj

Ne pokušavajte da naučite sve ovo za mesec dana. Izgorećete. Ovo je maraton. Učite jedan sat dnevno, ali svaki dan. Konzistentnost pobeđuje intenzitet.

Srećno! Budućnost pripada onima koji je grade.