Da ti je neko pre deset godina rekao da će računari pisati kod, praviti slike, komponovati muziku i pomagati lekarima u dijagnostifikovanju bolesti, verovatno bi slegnuo ramenima. A sada živimo upravo u tom svetu.
Veštačka inteligencija više nije daleka budućnost – to je sadašnjost koja se menja iz meseca u mesec, a neretko i iz dana u dan. U prilog tome govori i podatak iz istraživanja kompanije Grand View Research da je globalno AI tržište bilo vredno preko 239 milijarde evra u 2024. godini i da se očekuje rast dvocifrenom stopom.
Ono što je počelo kao eksperiment u laboratorijama, danas pokreće čitave industrije. I tu negde između mašinskog učenja i kreativne automatizacije pojavila se nova profesija – AI inženjer.
Ako je ovo profesija koja vas zanima, biće vam interesantno da se vratite nekoliko koraka unazad kako biste je što bolje razumeli. Stoga, da li ste spremni za kratko AI putovanje?
Razvoj veštačke inteligencije: od laboratorije do svetskog tržišta
Kako veštačka inteligencija menja ulogu softverskih inženjera
Sigurno se pitaš može li AI potpuno zameniti programere u budućnosti
Veštačka inteligencija danas deluje svemoćno – piše, crta, kodira, analizira, razgovara, obavlja taskove umesto vas, daje savete i šta sve još ne radi... Ali, do tog nivoa nije stigla preko noći. Razvijala se korak po korak tokom decenija: prvo su je naučnici osposobili da logički razmišlja, zatim da prepoznaje obrasce, pa da vidi, razume i na kraju – da stvara.
Godine 1950. Alan Tjuring postavlja čuveno pitanje: „Mogu li mašine misliti?” i uvodi Tjuringov test – jednostavan eksperiment kojim se proverava da li kompjuter može da „završi razgovor” tako da sagovornik ne primeti da nije čovek. Samo šest godina kasnije, 1956, na Dartmouth skupu grupa vizionara je prvi put upotrebila termin „artificial intelligence”.
Cilj naučnika je jasan: da kompjuteri nauče da rešavaju zadatke koje ljudi rešavaju logikom – sklapanje rečenica, rešavanje matematičkih problema ili planiranje poteza u šahu. Prvi AI programi mogli su da igraju dame i šah, rešavaju jednostavne jednačine i analiziraju tekst na nivou osnovnih pravila.
@henrybelcaster The invention of AI..
♬ original sound - Henry Belcaster
Sedamdesetih i osamdesetih godina napravljeni su takozvani ekspertski sistemi – programi koji su sadržali hiljade logičkih pravila i donosili odluke kao lekari, inženjeri ili finansijski analitičari.
AI je u to vreme pomagao u medicini, dijagnostici i planiranju proizvodnje. Ipak, imao je jedno ograničenje: mogao je da uradi samo ono za šta je programiran. Nije umeo da uči iz grešaka i upravo zbog toga je razočarao očekivanja naučnika, što je dovelo do poznate „AI zime”.
Devedesetih se AI vratio – ovaj put sa novim pristupom. Umesto da mu se sve unapred objasni, naučnici su ga naučili da sam otkriva pravila iz podataka. Tako se rađa machine learning.
Sada AI nije više pratio gotove instrukcije, već je analizirao ogromne količine informacija i učio kroz iskustvo. To mu je omogućilo da prepoznaje šablone, procenjuje rizik, pa čak i predviđa događaje.
Čuveni primer iz 1997. godine je IBM Deep Blue, računar koji je pobedio Garija Kasparova, tadašnjeg svetskog šampiona u šahu. To je bio dokaz da mašina može da savlada čoveka u zadatku koji zahteva planiranje, predviđanje i strategiju. Ipak, u tom periodu AI je i dalje bio ograničen – mogao je da obavlja tačno definisane zadatke, ali nije razumeo kontekst.
Početkom 2000-ih AI je izašao iz laboratorija i postao deo interneta. Zahvaljujući ogromnim količinama podataka i bržim računarima, AI je naučio da prepoznaje glas, slike i tekst. To je vreme u kom se rađa machine learning u modernom smislu.
Ovo je omogućilo pojavu glasovnih asistenata, sistema za prepoznavanje lica, filtera u kamerama i preporuka na YouTubeu i Spotifyju. Veštačka inteligencija je prvi put počela da utiče na svakodnevni život miliona ljudi, iako većina nije ni bila svesna da je koristi.
Sredinom 2010-ih dolazi do revolucije pod nazivom deep learning – modela sa više slojeva neuronskih mreža. To omogućava AI-ju da obrađuje ogroman broj informacija i uči kompleksne obrasce.
Modeli sada mogu da prepoznaju objekte na slici, razumeju govor, prevode jezike i pišu tekst. U tom trenutku, AI više nije bio samo „asistent” koji pomaže, već je postao partner u stvaranju.
Počeo je da generiše slike, muziku, pa i video. To je bio prvi korak ka današnjoj generativnoj eri.
AI takođe počinje da se koristi za analizu medicinskih snimaka, upravljanje pametnim vozilima i personalizovane preporuke, a ceo svet po prvi put vidi koliko daleko AI može da ide.
Godina 2017. bila je prekretnica. Pojavljuje se transformer arhitektura – tehnološki temelj današnjih modela kao što su ChatGPT, Claude, Gemini i LLaMA. Po prvi put, AI je mogao da razume kontekst, uči iz prethodnih odgovora i stvara sadržaj koji deluje kao da ga je napisao čovek.
Danas AI više nije rezervisan za naučnike i programere. Koristi se u školama, bolnicama, bankama, digitalnom marketingu, proizvodnji, dizajnu – svuda gde postoje podaci. Može da pomogne lekaru da postavi dijagnozu, nastavniku da napravi plan časa ili marketaru da napiše kampanju.
Dok su kompanije nekada zapošljavale armije junior developera da pišu kod, sada deo posla rade AI alati kao što su GitHub Copilot, ChatGPT ili Replit Ghostwriter. Oni pišu funkcije, generišu testove, čak i predlažu rešenja koja bi ljudima uzela sate rada.
I dok je u početku to delovalo kao pretnja, danas se jasno vidi da se ne radi o zameni, već o evoluciji posla. Prema istraživanju kompanije McKensey, u 2024. više od 78% organizacija koristilo je AI u najmanje jednoj poslovnoj funkciji.
Programer više nije samo onaj ko piše kod, već neko ko zna kako da upravlja alatima, proverava rezultate i spaja različite tehnologije u jedan funkcionalan sistem. Tu na scenu stupa AI inženjering – spoj programiranja, podataka, mašinskog učenja i logike proizvoda. Zadatak AI inženjera nije da „uči mašinu da misli”, već da napravi proces koji to omogućava.
Veštačka inteligencija nije samo novi alat u arsenalu programera – ona menja način na koji se softver stvara. Umesto da se sav rad svodi na ručno pisanje koda, inženjeri danas projektuju sisteme u kojima deo posla obavljaju modeli, a deo ljudi. To zahteva novu vrstu veštine, planiranja i odgovornosti.
Pre samo nekoliko godina programeri su ručno razvijali svaku funkciju, API ili test. Danas, AI alati GitHub Copilot i Replit mogu da napišu osnovni kod u sekundi. Zadatak inženjera više nije kucaj, već usmeri – definiši cilj, proveri rezultat i uklopi ga u celinu.
Uloga softverskog inženjera sve više liči na ulogu arhitekte. Umesto da gradi zid po zid, on sada planira ceo objekat: bira prave AI modele, određuje gde se koji alat koristi i osigurava da svi delovi komuniciraju bez greške.
Standardne funkcije više nisu glavna vrednost. Sada se traži sposobnost da se sistemi osmisle – da rade stabilno, da budu skalabilni i da koriste AI samo tamo gde ima smisla.
Inženjer mora da zna da kombinuje modele, API-je, baze i interfejse u funkcionalnu celinu.
AI donosi ne samo automatizaciju već i brzinu testiranja ideja. Inženjer može da proveri više rešenja u istom danu, da uporedi performanse i optimizuje kod u realnom vremenu. To otvara prostor za inovacije, jer se trošak greške smanjuje, a ciklus učenja skraćuje.
Današnji inženjeri koriste AI da analiziraju performanse sistema, mere učinak modela i predviđaju uska grla. To ih približava analitičarima i data inženjerima, jer razumevanje podataka postaje jednako važno kao i pisanje koda.
Sigurno ste se sami ovo zapitali makar jednom: da li će AI jednog dana moći da radi sve što i programeri? Odgovor je jasan: ne. AI će preuzeti rutinske delove posla, ali kreativnost, odgovornost i razumevanje konteksta i dalje su na strani ljudi.
AI može da napiše funkcionalan kod, ali ne zna zašto taj kod postoji. Ne vidi potrebe korisnika, poslovne ciljeve ni tržišne realnosti. Zato će uvek biti potreban inženjer koji povezuje tehnologiju sa ljudskim namerama.
AI može da pomogne da se donese odluka, ali ne može da bude odgovoran za nju. Kada sistem pogreši, baza se ošteti ili projekat ne ispuni cilj – odgovornost je ljudska. Programeri i dalje moraju da razumeju rizike i posledice svake linije koda.
AI odlično obavlja zadatke koji se ponavljaju, ali teško stvara nešto novo. Pravi programeri ne samo da rešavaju problem već ga i definišu. Oni razmišljaju izvan šablona, dok AI šablone uči. I upravo u tome je razlika.
Broj oglasa za AI veštine porastao je za 73% od 2023. do 2024, a u 2025. ostvario je i rast od preko 100%. Stoga, veštačka inteligencija neće oduzeti posao – oduzeće prednost onima koji je ne koriste. Oni koji nauče da koriste AI alate za brže testiranje, pisanje i analizu biće traženiji nego ikad do sada.
To je nova generacija inženjera – oni koji rade pametnije, ne nužno više. Zato je pitanje današnjice ne da li će AI zameniti programere, već da li će programeri koji ne koriste AI zameniti one koji ga koriste. Studija „Complement or substitute?” jasno pokazuje ovaj trend, predstavljajući da je potražnja za ljudskim veštinama koje dopunjuju AI do 50% veća od efekta kojim AI zamenjuje ljudski rad.
AI se širi ne samo kroz IT industriju već postaje i sastavni deo svake profesije. Podaci pokazuju da kompanije koje ga koriste beleže rast efikasnosti i prihoda, dok pojedinci koji savladaju AI alate brže napreduju u karijeri.
Potrebno je samo da znaš kako AI sistemi uče, kako im pomoći da daju tačne rezultate i kako da ih koristiš u svakodnevnom poslu. Evo koje su veštine danas najvažnije za svakog budućeg AI inženjera, ali i za svakoga ko želi da razume kako funkcioniše svet veštačke inteligencije.
Razumevanje kako AI učiVeštačka inteligencija se uči na primerima. Umesto da joj zadaješ svako pravilo, ti joj pokazuješ podatke – slike, tekstove, brojeve – i ona sama pronalazi obrasce. Zato je važno da razumeš machine learning koncepte, odnosno kako mašina prepoznaje razlike, kako zna kad greši i kako da joj pomogneš da nauči bolje.
Rad sa podacimaPodaci su gorivo za AI. Ako su loši, i rezultati će biti loši. AI inženjeri uče kako da prikupe podatke, očiste ih od grešaka, pravilno ih organizuju i koriste. To može biti sve: od komentara na društvenim mrežama do medicinskih snimaka ili prodajnih izveštaja. Cilj je da podaci budu tačni, čisti i spremni za učenje.
Komunikacija sa AI-jemDanas ne moraš da znaš da programiraš da bi radio sa AI-jem, ali moraš da znaš kako da mu objasniš šta želiš. To se zove prompt inženjering. Ako napišeš nejasno pitanje, model će ti dati nejasan odgovor. Ako si precizan, AI će raditi kao da zna tačno šta ti treba. Upravo to umeće razlikuje ljude koji AI koriste površno od onih koji od njega dobijaju stvarne rezultate.
Razumevanje AI procesa kodiranjaAI je omogućio nastanak novog pristupa, koji se naziva AI proces kodiranja, i u okviru kog AI piše kod, ali mu i dalje treba čovek koji zna da proveri i usmeri rezultat. AI inženjer zna da zada zadatak („napravi funkciju koja radi X-stvar”), proveri da li radi kako treba, popravi greške i poveže sve u sistem. Drugim rečima, AI piše, ali čovek odlučuje šta ide u produkciju.
Najveća prednost AI-ja je to što može da radi stvari umesto tebe. Pisanje dokumentacije, testiranje koda, obrada mejlova, izveštaji – sve to može da bude automatizovano. AI inženjer razmišlja: „Šta od ovoga mogu da prepustim mašini, a da ja zadržim kontrolu?” To je AI automatizacija – oslobađanje vremena za važniji i kreativniji deo posla.
Održavanje i praćenje AI sistemaKada jednom napraviš AI rešenje, ono ne radi zauvek isto. Modeli s vremenom mogu da se „pokvare” ako im se promene podaci ili korisničke navike. Zato AI inženjeri stalno prate kako se sistem ponaša, mere rezultate i po potrebi ga prilagođavaju. To je posao koji predstavlja spoj tehnike, analitike i logike i koji postaje sve važniji deo svake kompanije.
Bezbednost i etikaAI sistemi imaju pristup ogromnoj količini podataka, pa je važno da znaš kako da ih zaštitiš. Tu se ne radi samo o lozinkama i serverima, već o tome da AI ne koristi tuđe podatke bez dozvole, ne donosi pristrasne odluke i odluke koje mogu nekome naškoditi. Dobar AI inženjer uvek razmišlja o posledicama, a ne samo o performansama.
Razmišljanje kao kreator, ne kao izvršilacAI inženjering nije posao gde samo izvršavaš tuđe zadatke. To je uloga u kojoj razmišljaš sistemski: kako da nešto radi brže, pametnije i lakše za korisnika. AI inženjeri nisu „kod-mašine”, već ljudi koji kombinuju logiku, dizajn i razmišljanje o korisničkom iskustvu.
Komunikacija i timski radU svetu AI-ja, inženjeri ne rade sami. Sarađuju sa dizajnerima, analitičarima, menadžerima, pa čak i pravnicima. Zato je sposobnost da objasniš složenu stvar možda i najvažnija veština od svih. Ako znaš da povežeš ljude i tehnologiju, AI ti postaje alat koji menja način na koji tim funkcioniše.
AI inženjer nije istraživač koji se bavi teorijom, već praktičar koji povezuje kod, podatke i modele. U njegovom radnom danu ima mnogo eksperimenata: testiranje promptova, evaluacija modela, podešavanje metrika, praćenje performansi i troškova. Radi blisko sa programerima, data inženjerima i menadžerima proizvoda.
U početku to mogu biti mali zadaci, poput kreiranja API-ja koji koristi model za analizu teksta ili generisanje predloga koda. Kasnije, AI inženjer postaje ključni deo razvoja većih sistema: od aplikacija koje koriste jezičke modele do platformi koje automatizuju procese unutar kompanija.
Istraživanje kompanije Qubit Labs dokazuje da plate prate tu važnost:
Procenjuje se da će potražnja za AI stručnjacima u Srbiji i regionu tek da "uzme maha" u narednim godinama, jer sve više kompanija uvodi automatizaciju i AI alate u svakodnevni rad. Kompanije ne traže samo ljude koji znaju da kodiraju već one koji razumeju kako AI alati mogu da povećaju efikasnost, donesu stvarne rezultate i rade u kompleksnim sistemima.
Ako tek ulaziš u svet veštačke inteligencije, sve može delovati komplikovano: modeli, podaci, kod, algoritmi. Međutim, istina je da se sve svodi na logiku i praksu. Ne moraš da imaš matematiku u malom prstu – dovoljno je da razumeš kako mašina uči iz primera i da si spreman da eksperimentišeš. Put do AI inženjera je jasan ako ideš korak po korak.
Sve počinje od razumevanja toga kako softver „diše”. Zato je Python najbolji izbor za početak? Jednostavan je, čitljiv i koristi se u gotovo svim AI projektima: od analize podataka do kreiranja modela.
Nauči kako se pišu osnovne funkcije, kako rade petlje i kako da čuvaš podatke. Već posle mesec dana redovnog rada moći ćeš da pišeš jednostavne skripte koje prikupljaju podatke, automatski preračunavaju tabele ili analiziraju tekst.
Razumi machine learning logiku: kako modeli prepoznaju obrasce i zašto su podaci najvažniji deo procesa. Kada shvatiš logiku koja stoji iza toga, sve ostalo postaje lakše. Ne moraš da pišeš kompleksne modele – dovoljno je da razumeš šta se dešava „iza kulisa”.
Uči da prepoznaješ dobre i loše podatke. Preuzimaj besplatne skupove sa sajtova kao što je Kaggle i vežbaj filtriranje, sortiranje i čišćenje. AI inženjeri ne prave samo modele već i brinu da ono što ulazi u model bude smisleno. To je veština koju većina potcenjuje, a ona često pravi razliku između prosečnog i odličnog rezultata.
Najbrži način da razumeš AI jeste da ga koristiš. Probaj različite AI alate – ChatGPT, Copilot, Gemini ili Midjourney. Počni od jednostavnog: napiši zadatak, zamoli AI da napiše mejl, da sredi tabelu, da ti objasni neki kod ili da napravi plan projekta.
Posmatraj kako AI reaguje na tvoje zahteve i koliko zavisi od načina na koji mu se obratiš. To iskustvo će ti pomoći da shvatiš prompt inženjering – umetnost davanja jasnih i korisnih instrukcija modelima.
Savremeni poslodavci više cene praktične primere nego teorijsko znanje. Zato je najbolji način da im se predstaviš da napraviš nešto konkretno, pa makar bilo jednostavno. Možeš, recimo, napraviti alat koji automatski sažima tekstove, preporučuje filmove, prepoznaje ton komentara ili generiše kratke marketinške poruke.
AI se menja iz nedelje u nedelju. Koristi Git/GitHub za verzionisanje koda i poveži se sa zajednicom, čitaj blogove i isprobaj nove alate. To ti pomaže da ostaneš u toku, ali i da vidiš kako razmišljaju drugi, što ti često daje inspiraciju za tvoje sledeće ideje. Ovo je oblast u kojoj napredak nikad ne staje – zato je idealna za znatiželjne.
ITAcademy je strukturirana tako da ćeš kroz sve gorepomenute korake, od prvog do poslednjeg, proći postepeno – od osnova programiranja i obrade podataka do praktične primene AI alata i izrade sopstvenih projekata.
I, kao što rekosmo, najidealniji program koji će te uvesti u AI svet jeste AI & Python Program. Učiš Python korak po korak, a zatim kroz praktične projekte primenjuješ AI algoritme i vidiš kako funkcionišu u realnim situacijama. Savršen je izbor ukoliko želiš da postaneš junior AI inženjer ili da razumeš kako se modeli povezuju sa kodom.
- Ipak, ako su tvoje trenutne ambicije okrenute isključivo ka pravilnoj upotrebi AI alata, na kursu Uvod u AI alate, kroz samo 32 sata obuke, i to uz vođstvo AI stručnjaka, naučićeš da koristiš više od 10 popularnih AI alata i znatno olakšaš svoj rad i svakodnevicu.
Naravno, za šta god da se odlučiš, dobijaš 100% praktična znanja, bez suvišne teorije, kao i konstantu podršku mentora. Projekti za portfolio, bonus kursevi stranih jezika, priprema za posao, povezivanje sa eminentnim poslodavcima – samo su dodatni bonus uz veštine koje stičeš.
Zapamti: veštačka inteligencija više nije luksuz! To je alat koji koristi svaka ozbiljna kompanija. I što pre naučiš da ga koristiš, to ćeš pre biti deo budućnosti koja se upravo gradi.
Škola za građenje profitabilne
karijere programera. dizajnera. administratora. developera. 3D stručnjaka. IT menadžera.
Želite dobru platu?
Možemo da pomognemo. Slaćemo Vam uputstva, pozive na besplatne seminare i vesti sa ITAcademy. Samo unesite vaš e-mail i ime.
Copyright © ITAcademy. Sva prava zadržana. Privatnost.
Komentar