PC računari Računarski hardver i komponente

Šta su neuronske mreže i kako funkcionišu – AI objašnjen jednostavno

Autor: Nebojša Kostić, IT novinar i urednik portala TechFokus.rs

Datum objave: 02.11.22025.

Svaki put kada otključate telefon prepoznavanjem lica, pitate ChatGPT da vam napiše mejl, dobijete savršenu preporuku za pesmu na Spotify-u ili vidite personalizovanu reklamu, svedočite radu jedne od najmoćnijih tehnologija današnjice. Ime joj je neuronska mreža.

Ovaj termin se čuje svuda, često pomešan sa „veštačkom inteligencijom“ i „mašinskim učenjem“. Ali šta su zapravo neuronske mreže? Da li je to isto što i AI? I što je najvažnije, da li se ova napredna tehnologija razvija i koristi kod nas, u Srbiji?

Hajde da razbijemo ove koncepte i zaronimo u fascinantni svet digitalnih mozgova.

Table of Contents

Šta su neuronske mreže i kako funkcionišu?

Najjednostavnije rečeno, veštačka neuronska mreža je računarski program inspirisan načinom na koji ljudski mozak obrađuje informacije.

Baš kao što se naš mozak sastoji od milijardi ćelija zvanih neuroni koje su međusobno povezane i razmenjuju signale, veštačka neuronska mreža se sastoji od digitalnih „neurona“ (koji se nazivaju i čvorovi). U digitalnom svetu, ovi neuroni su u suštini matematičke funkcije koje primaju podatke, obrađuju ih i uče da prepoznaju obrasce.

Svaka mreža je organizovana u slojeve i ima najmanje tri dela:

Ulazni sloj (Input Layer): Ovde mreža dobija sirove podatke. Za sliku, to bi bili pikseli; za tekst, to bi bile reči ili slova.
Skriveni sloj/slojevi (Hidden Layer/s): Ovo je „mozak“ operacije. Ovde se dešava magija. Podaci sa ulaza prolaze kroz jedan ili više skrivenih slojeva, gde se obrađuju i analiziraju. Što je više skrivenih slojeva, to je mreža „dublja“ (otuda i termin Deep Learning ili Duboko učenje).
Izlazni sloj (Output Layer): Nakon obrade, mreža daje konačan odgovor ili predikciju. (Npr. „Na slici je mačka“ ili „Prevod rečenice je…“).

Kako neuronska mreža „uči“?

Ključna stvar kod neuronskih mreža nije samo njihova struktura, već njihova sposobnost da uče iz podataka. Ovaj proces se zasniva na nečemu što se zove treniranje modela.

Zamislite da učite mrežu da prepoznaje pse. Pokažete joj hiljade slika (velike količine podataka), a ona za svaku pogađa „pas“ ili „nije pas“.

Kada pogodi, veze između neurona koje su dovele do tačnog odgovora postaju jače.
Kada pogreši, te veze postaju slabije.

Ove „veze“ imaju numeričku vrednost koja se zove „težina“ (weight). Tokom treniranja, mreža pomoću algoritama mašinskog učenja konstantno prilagođava svoje interne parametre (težine) kako bi smanjila grešku. Ovaj specifični proces učenja i podešavanja težina unazad kroz mrežu naziva se backpropagation (propagacija unazad).

Kada je model istreniran, može samostalno da donosi odluke – na primer, da prepozna lice na slici, da predvidi cenu akcije ili da generiše tekst, kao što to radi ChatGPT.

Da li su neuronske mreže isto što i AI?

Ne. Ovo je česta zabuna, ali odgovor je jasan.

Najlakše je zamisliti ove koncepte kao ruske babuške, jednu unutar druge:

Veštačka inteligencija (AI): Ovo je najširi pojam. To je cela naučna oblast koja se bavi ciljem da mašine imitiraju ljudsko razmišljanje (učenje, rešavanje problema).
Mašinsko učenje (ML – Machine Learning): Ovo je podoblast AI. To je specifičan pristup gde se mašine ne programiraju eksplicitno za svaki zadatak, već uče iz podataka.
Neuronske mreže (NN): Ovo je samo jedan od alata unutar mašinskog učenja. To je specifična tehnika za postizanje ML.

Drugim rečima: sve neuronske mreže su deo AI-a, ali nije svaki AI zasnovan na neuronskim mrežama. Danas su one jednostavno najefikasniji i najpopularniji alat koji imamo u AI svetu.

Vrste neuronskih mreža

Postoji mnogo različitih arhitektura, a svaka je specijalizovana za određeni zadatak:

Perceptronske mreže (MLP): Jednostavne mreže sa više slojeva neurona, koriste se za osnovne zadatke.
Konvolucione mreže (CNN): Apsolutni standard za obradu slika i videa. One „vide“ svet na sličan način kao i mi.
Rekurentne mreže (RNN, LSTM): Specijalizovane za sekvencijalne podatke kao što su tekst i zvuk, jer imaju sposobnost da „pamte“ prethodne ulaze.
Transformersi (Transformers): Moderna i trenutno najmoćnija arhitektura koja pokreće alate poput ChatGPT-a, Claude-a i Gemini-ja, izuzetno efikasna u razumevanju konteksta u jeziku.

Gde se koriste neuronske mreže?

Danas su neuronske mreže svuda oko nas, često i da nismo svesni:

U pametnim telefonima: Prepoznavanje lica (Face ID), glasovne komande (Siri, Google Assistant), prevođenje u realnom vrememu, poboljšanje fotografija.
Generativni AI: Pokreću ChatGPT i slične alate za generisanje teksta, koda i slika (poput Midjourney-a).
Sistemi preporuka: „Motor“ koji stoji iza YouTube-a, Netflix-a i Spotify-a. One predviđaju šta sledeće želite da gledate ili slušate.
U medicini: Analiza medicinskih snimaka (skenera, rendgena) za rano otkrivanje bolesti, često preciznije od ljudskog oka.
U finansijama: Otkrivanje prevara (npr. sumnjive transakcije na kartici) i predviđanje kretanja na tržištu.
U saobraćaju: Pokreću sisteme za autonomna vozila (poput Teslinih) kako bi prepoznala pešake, druge automobile i saobraćajne znake.
U marketingu: Personalizovane reklame i analiza ponašanja korisnika na sajtovima.

Postoje li neuronske mreže u Srbiji?

Da, i to više nego što mnogi misle. Srbija ima izuzetno jaku inženjersku i akademsku bazu koja aktivno radi na razvoju i primeni neuronskih mreža:

Institut za veštačku inteligenciju Srbije: Centralna državna institucija posvećena istraživanju i primeni AI u raznim oblastima.
Akademska zajednica: Fakulteti poput ETF-a i Matematičkog fakulteta u Beogradu, FTN-a u Novom Sadu i Elektronskog fakulteta u Nišu imaju jake katedre i istraživačke projekte iz oblasti mašinskog učenja i obrade prirodnog jezika.
Razvojni centri i laboratorije: Giganti poput Microsoft Development Center Serbia (MDCS) imaju timove koji rade na globalnim AI rešenjima. Takođe postoje specijalizovane istraživačke laboratorije, poput onih u Novom Sadu koje se bave primenom AI u medicinskoj dijagnostici.
Startap ekosistem: Kompanije poput AI Serbia, Seven Bridges i Quantox AI koriste neuronske mreže za napredne svrhe kao što su analiza genoma, poslovna automatizacija i generisanje sadržaja.
Gaming industrija: Kompanije kao što su Nordeus i 3Lateral (deo Epic Games) intenzivno koriste AI za analizu ponašanja igrača i kreiranje ultra-realistične grafike.
Domaća industrija: Banke, telekomunikacione kompanije i maloprodajni lanci u Srbiji sve više koriste neuronske mreže za detekciju prevara, optimizaciju logistike i automatizaciju korisničke podrške (čet-botovi).

Izazovi i budućnost

Glavni izazovi za dalji razvoj neuronskih mreža su:

Problem „crne kutije“: Često, čak i kada mreža da tačan odgovor, inženjeri ne mogu u potpunosti da objasne zašto je donela baš tu odluku.
Količina podataka: Da bi dobro radile, potreban im je ogroman set kvalitetnih, nepristrasnih podataka za trening.
Etika i pristrasnost: Ako se treniraju na pristrasnim podacima (npr. podacima koji odražavaju ljudske predrasude), mreže će „naučiti“ te predrasude.
Resursi: Trening velikih modela zahteva ogromnu računarsku snagu (skupe GPU procesore) i troši mnogo električne energije.

U budućnosti se očekuje dalji napredak, a jedan od najuzbudljivijih pravaca je razvoj kvantnih neuronskih mreža, koje će kombinovati snagu kvantnih računara sa fleksibilnošću AI-a.

Zaključak

Neuronske mreže nisu samo deo budućnosti — one su već duboko integrisane u sadašnjost. Iako nisu isto što i AI, predstavljaju njegovu najvažniju i najmoćniju tehnologiju.

U Srbiji, razvoj ove oblasti polako, ali sigurno napreduje, zahvaljujući snažnoj vezi između univerziteta, startapova i entuzijasta koji veruju da domaća pamet može pratiti globalne AI trendove.

AI glumci: tehnologija, prava i realnost u filmskoj industriji

AI u vašem džepu: Kako će veštačka inteligencija na telefonima promeniti način na koji ih koristimo?

AI: Alat za napredak ili mašina za varanje? Gde povući crtu u poslu i učenju?

Deepfake: kada AI lažno progovori kroz poznata lica — opasnosti, prevare i odbrana

Izvori korišćeni za tekst: