Retko koji tehnološki pojam u istoriji je doživeo toliku količinu medijske pažnje, ali i pojmovne konfuzije, kao veštačka inteligencija. U svakodnevnom govoru, poslovnim prezentacijama i marketinškim kampanjama, termini poput mašinskog učenja, dubokih neuronskih mreža, velikih jezičkih modela i generativnog AI-ja često se koriste kao da su sinonimi.
Oni to nisu. Veštačka inteligencija nije jedinstven, monolitan izum koji se pojavio preko noći. Ona predstavlja višeslojni ekosistem tehnologija gde svaki novi nivo leži na temeljima onog prethodnog. Da biste razumeli kako je svet od prepoznavanja brojeva na skeniranim kovertama stigao do sistema koji vode autonomne razgovore, programiraju softver i kreiraju fotorealistične video zapise, neophodno je razložiti njene ključne komponente.
Ključne poruke: šta je najbitnije u ovom tekstu
-
Veštačka inteligencija (AI) je najširi krovni pojam koji obuhvata svaki sistem sposoban da izvršava zadatke koji tradicionalno zahtevaju ljudsku inteligenciju.
-
Mašinsko učenje (Machine Learning) je grana AI-ja koja je napustila pisanje fiksnih pravila i prešla na učenje zakonitosti iz velikih količina podataka.
-
Duboko učenje (Deep Learning) koristi višeslojne veštačke neuronske mreže inspirisane strukturom ljudskog mozga, omogućavajući prepoznavanje izuzetno složenih šablona.
-
Generativni AI (GenAI) predstavlja tehnološki preokret sa modela koji samo klasifikuju podatke (diskriminativni modeli) na modele koji stvaraju potpuno novi, originalan sadržaj.
-
Autonomni agenti (Agentic AI) označavaju prelazak sa pasivnih alata koji čekaju korisnička pitanja na proaktivne sisteme sposobne da samostalno planiraju, donose odluke i izvršavaju zadatke kroz više alata.
Anatomija pojmova: kako su zapravo povezani AI, mašinsko učenje i duboko učenje
Najjednostavniji način da vizuelizujete savremenu tehnologiju jeste slika koncentričnih krugova, gde svaki uži krug predstavlja specijalizovanu podgrupu onog šireg.
+-------------------------------------------------------+
| Veštačka inteligencija (AI) |
| +-------------------------------------------------+ |
| | Mašinsko učenje (Machine Learning - ML) | |
| | +-------------------------------------------+ | |
| | | Duboko učenje (Deep Learning - DL) | | |
| | | +-------------------------------------+ | | |
| | | | Generativni AI & Jezički modeli | | | |
| | | | (LLM, Diffusion, Multimodal) | | | |
| | | +-------------------------------------+ | | |
| | +-------------------------------------------+ | |
| +-------------------------------------------------+ |
+-------------------------------------------------------+
Veštačka inteligencija (AI) kao krovni pojam
Rođena pedesetih godina dvadesetog veka kroz radove pionira poput Alana Tjuringa (Alan Turing), veštačka inteligencija označava široku inženjersku i naučnu disciplinu čiji je cilj stvaranje mašina sposobnih za rešavanje problema, zaključivanje, učenje i planiranje.
Rani oblici AI-ja, poznati kao simbolički AI ili ekspertni sistemi, oslanjali su se na stroga pravila koja su unosili inženjeri. Programer je morao ručno da napiše hiljade linija logičkih uslova (ako se desi A, uradi B). Takav pristup funkcionisao je u zatvorenim uslovima poput šaha, ali je bio potpuno nemoćan pred haotičnom prirodom stvarnog sveta – sistem nije mogao da prepozna ni običnu mačku na fotografiji ako bi ona promenila ugao tela ili boju krzna.
Mašinsko učenje (ML): učenje iz šablona umesto krutih pravila
Osamdesetih i devedesetih godina dogodila se promena paradigme. Umesto da mašini objašnjavamo svako pravilo do detalja, programeri su postavili matematički okvir koji omogućava računaru da sam pronađe pravila analizirajući primere.
Ako računaru date milion fotografija mačaka i milion fotografija pasa, algoritam mašinskog učenja identifikuje statističke sličnosti i zakonitosti (ivice, oblike, teksture) koje razlikuju te dve kategorije. Kada mu nakon toga pokažete potpuno novu sliku, on sam donosi procenu sa određenim stepenom verovatnoće.
Duboko učenje (Deep Learning): slojevi veštačkih neurona
Iako je klasično mašinsko učenje bilo izuzetno korisno, imalo je ozbiljno usko grlo zvano inženjering atributa (feature engineering). Ljudi su i dalje morali ručno da pripremaju podatke i govore modelu na šta da obrati pažnju (npr. gde se na slici nalaze ivice ili koji parametri određuju kreditnu sposobnost klijenta).
Duboko učenje je uklonilo to ograničenje. Korišćenjem višeslojnih veštačkih neuronskih mreža (Artificial Neural Networks), ovi sistemi sami otkrivaju skrivene reprezentacije podataka. Prvi sloj neurona može prepoznati samo svetlost i senke, sledeći sloj spaja te linije u geometrijske oblike, naredni sloj u prepoznatljive delove tela (oči, uši, njuška), dok završni sloj sklapa celu sliku u pojam. Eksplozija računarske snage, pre svega kroz grafičke procesore (GPU), i dostupnost masovnih podataka na internetu, omogućili su dubokom učenju da tokom prethodne decenije nadmaši ljude u zadacima poput prepoznavanja slika i glasa.
Kako mašine uče: tri osnovna stuba klasičnog mašinskog učenja
Da bi algoritam usvojio znanje, koristi se nekoliko različitih strategija obuke u zavisnosti od toga kakvi su podaci dostupni i šta je konačni cilj:
Nadgledano učenje (Supervised Learning)
Ovo je najčešći industrijski metod. Model uči iz označenih podataka, poput učenika koji vežba zadatke sa rešenjima na kraju zbirke.
-
Primer: Modelu dajemo medicinske snimke pluća gde je za svaki snimak lekar već potvrdio da li postoji upala pluća ili ne. Algoritam uči vezu između piksela i dijagnoze kako bi mogao da proceni nove, neoznačene snimke.
-
Primena: Detekcija spam poruka, procena vrednosti nekretnina, odobravanje bankarskih kredita.
Nenadgledano učenje (Unsupervised Learning)
Model dobija podatke bez ikakvih oznaka ili gotovih rešenja. Njegov zadatak je da samostalno otkrije skrivene obrasce, sličnosti i grupisanja.
-
Primer: Banka modelu prosleđuje milione transakcija bez ikakvih napomena. Model sam uočava prirodne grupe korisnika prema navikama trošenja ili identifikuje pojedinačnu transakciju koja dramatično odudara od svih ostalih, označavajući potencijalnu prevaru.
-
Primena: Segmentacija kupaca u marketingu, preporuke proizvoda na e-commerce platformama, otkrivanje anomalija u mrežnom saobraćaju.
Učenje potkrepljivanjem (Reinforcement Learning)
Inspirisano bihejvioralnom psihologijom, ovaj metod se zasniva na sistemu nagrada i kazni. Računarski agent se postavlja u određeno okruženje gde kroz pokušaje i greške donosi odluke kako bi maksimizovao ukupnu nagradu.
-
Primer: AI model uči da igra video igru. Svaki potez koji produžava život ili donosi poene donosi pozitivnu nagradu, dok gubitak života donosi negativnu kaznu. Nakon miliona simulacija, agent razvija strategije koje čoveku nikada ne bi pale na pamet (čuveni trijumf sistema AlphaGo nad svetskim šampionom u igri Go).
-
Primena: Autonomna vožnja, robotika, optimizacija logističkih ruta, hlađenje data centara.
Revolucija obrade jezika i vida: kako mašine razumeju svet
Dve ključne oblasti u kojima je AI napravio najveći skok jesu kompjuterski vid (Computer Vision) i obrada prirodnog jezika (Natural Language Processing – NLP).
Kompjuterski vid je prešao put od jednostavnog filtriranja slika do mogućnosti da autonomna vozila u milisekundi detektuju pešake, saobraćajne znakove i druge automobile pri brzini od 120 km/h.
U svetu jezika, revoluciju je 2017. godine pokrenuo istraživački rad kompanije Google pod naslovom „Attention Is All You Need“, koji je predstavio Transformer arhitekturu. Pre Transformera, računari su tekst analizirali reč po reč, s leva na desno. To je stvaralo ogroman problem: dok bi model stigao do kraja duže rečenice, često bi zaboravio početak i izgubio kontekst.
Transformer je uveo takozvani mehanizam pažnje (Self-Attention). Ovaj mehanizam omogućava modelu da posmatra sve reči u rečenici istovremeno i izračuna u kakvom su one međusobnom odnosu, bez obzira na njihovu udaljenost u tekstu. Upravo je ta arhitektura postala temelj za sve moderne velike jezičke modele (LLM) koji pokreću sisteme kao što su ChatGPT, Claude ili Gemini.
Generativni AI: prelazak sa prepoznavanja na stvaranje
Do pre nekoliko godina, većina primena AI-ja bila je diskriminativna:
-
„Da li je ovo na slici mačka ili pas?“
-
„Da li je ova finansijska transakcija legitimna ili sumnjiva?“
-
„Koji proizvod od ponuđenih će korisnik najverovatnije kupiti?“
Generativni AI potpuno menja ovu dinamiku. Umesto da samo analizira i klasifikuje postojeće podatke, on uči osnovnu distribuciju podataka kako bi stvorio potpuno nove, originalne primere koji nikada ranije nisu postojali, ali verno prate pravila stvarnog sveta.
Kako rade veliki jezički modeli (LLM)
Veliki jezički modeli ne razmišljaju na ljudski način i nemaju svest. U svojoj suštini, oni su izuzetno napredni statistički prediktori sledećeg elementa teksta (tokena). Nakon što su obučeni na stotinama milijardi reči sa interneta, knjiga i naučnih radova, oni su izgradili složenu unutrašnju mapu ljudskog znanja i jezika.
Kada postavite pitanje, model ne traži gotov odgovor u bazi podataka kao pretraživač, već reč po reč izračunava koja reč ima najveću verovatnoću da bude logičan nastavak smislenog odgovora u datom kontekstu.
Kako rade difuzioni modeli za slike i video
U svetu vizuelnih medija (alati poput Midjourney-ja ili DALL-E-ja), revoluciju su doneli difuzioni modeli. Obuka funkcioniše tako što se preko čiste slike postepeno dodaje digitalni šum dok slika ne postane potpuno neprepoznatljiva statika. Model zatim uči obrnuti proces: kako da iz čistog šuma korak po korak ukloni smetnje i rekonstruiše vizuelne elemente na osnovu tekstualnog opisa koji je korisnik uneo.
Sledeća faza: od pametnih asistenata do autonomnih agenata
Tehnološki talas se više ne zadržava samo na četbotovima koji odgovaraju na pitanja. Industrija se ubrzano kreće ka takozvanoj agentnoj veštačkoj inteligenciji (Agentic AI).
Razlika je fundamentalna:
-
Klasičan AI asistent: Čeka vaše pitanje, napiše odgovor i staje. Vi morate ručno da prekopirate tekst, proverite podatke i pošaljete imejl.
-
Autonomni AI agent: Dobija cilj na visokom nivou (npr. „Pronađi letove za London ispod 200 evra sledećeg vikenda, rezerviši najpovoljniji hotel blizu metro stanice i upiši sastanke u moj kalendar“). Agent samostalno razlaže taj cilj na manje korake, koristi internet pretraživače, poziva API servise, proverava tačnost rezultata i reaguje na greške bez stalnog vođenja za ruku.
Ovi sistemi kombinuju modele naprednog logičkog rezonovanja sa pristupom spoljnim alatima i bazama podataka, što otvara potpuno novo poglavlje u automatizaciji kancelarijskog poslovanja i razvoja softvera.
Realnost iza marketinga: halucinacije, računarska snaga i etika
Uprkos impresivnim mogućnostima, veštačka inteligencija nosi ozbiljne tehničke i društvene izazove koje inženjeri i poslovni lideri ne smeju ignorisati:
-
Halucinacije i pouzdanost: Pošto rade na principu statističke verovatnoće a ne stvarnog razumevanja činjenica, jezički modeli ponekad generišu netačne podatke sa neverovatnim stepenom samopouzdanja. Zbog toga je u kritičnim oblastima (medicina, pravo, finansije) ljudska verifikacija (Human-in-the-Loop) i dalje nezamenljiva.
-
Potrošnja resursa i energija: Treniranje i pokretanje modernih modela zahteva stotine hiljada specijalizovanih procesora i ogromne količine električne energije i vode za hlađenje data centara. Energetska efikasnost i održivost postaju glavno inženjersko usko grlo.
-
Pitanja intelektualne svojine i privatnosti: Modeli su učeni na podacima sa otvorenog interneta, što postavlja legitimna pravna pitanja o autorskim pravima stvaralaca sadržaja, kao i o bezbednosti osetljivih korporativnih podataka koji se unose u javne sisteme.
Veštačka inteligencija nije magija, niti svesni entitet iz naučne fantastike. Ona je vrhunac višedecenijskog razvoja primenjene matematike, statistike i računarskih nauka. Razumevanjem razlike između njenih slojeva – od prepoznavanja šablona kroz mašinsko učenje, preko dubokih mreža, do generativnih modela i autonomnih agenata – prestajemo da budemo pasivni posmatrači tehnologije i stičemo znanje neophodno za donošenje pametnih profesionalnih i poslovnih odluka.
Često postavljana pitanja (FAQ)
Koja je osnovna razlika između AI-ja i mašinskog učenja?
Veštačka inteligencija je krovna naučna oblast stvaranja mašina koje mogu da simuliraju inteligentno ponašanje, dok je mašinsko učenje samo jedna metoda unutar AI-ja gde sistem uči zakonitosti samostalno iz podataka, umesto da prati unapred isprogramirana pravila.
Šta duboko učenje razlikuje od običnog mašinskog učenja?
Duboko učenje koristi masivne, višeslojne veštačke neuronske mreže koje mogu same da uoče kompleksne apstraktne karakteristike iz sirovih podataka (poput piksela ili zvuka), dok klasično mašinsko učenje uglavnom zahteva da inženjeri ručno pripreme i definišu ulazne parametre.
Zašto se o Transformer arhitekturi toliko priča?
Zato što je 2017. godine omogućila računarima da posmatraju sve reči u tekstu istovremeno uz analizu njihovog međusobnog konteksta (mehanizam pažnje), umesto dosadašnjeg sekvencijalnog čitanja s leva na desno. Time je omogućen nastanak današnjih modernih LLM modela.
Šta znači pojam halucinacija kod jezičkih modela?
Halucinacija je pojava kada jezički model proizvede netačnu, izmišljenu ili logički neodrživu informaciju, ali je formuliše gramatički besprekorno i sa visokim nivoom ubedljivosti, jer se vodi verovatnoćom niza reči a ne stvarnom proverom činjenica.
Kako radi generativni AI?
Za razliku od klasičnih sistema koji samo prepoznaju ili sortiraju podatke, generativni AI proučava obrasce iz ogromnih baza podataka kako bi stvorio potpuno nove, originalne izlazne formate – tekst, kod, slike, muziku ili video – koji deluju kao da ih je stvorio čovek.
Šta je Agentic AI (autonomni AI agent)?
To je napredna faza primene veštačke inteligencije gde sistem ne pruža samo jednokratne tekstualne odgovore na upite, već ima sposobnost da samostalno planira, rešava složene zadatke iz više koraka, koristi spoljne računarske alate i ispravlja sopstvene greške tokom rada.
