Arhitektura i razvoj inteligentnih sustava
Prikazani su podaci za akademsku godinu: 2024./2025.
Nositelji
Opis predmeta
Brzim razvojem područja umjetne inteligencije (AI), poput algoritama za strojno učenje (ML), raste i interes industrije za upotrebu takvih algoritama u svakodnevnom životu i radu. Tako se već sada inteligentni sustavi upotrebljavaju u mnoge svrhe kao prodaja (npr. preporuka proizvoda), marketing (npr. inteligentna segmentacija kupaca), upravljanje proizvodima (npr. parametrizacija bankovnih proizvoda za bolje uklapanje u potrebe klijenata), detekcija prijevara (npr. financijske prijevare), upravljanje infrastrukturom (npr. upravljanje i predviđanje opterećenja infrastrukture oblaka) i slično. Interes za ugradnju i upotrebu inteligentnih sustava sve je veći.
Cilj predmeta je upoznati studente s trenutnim glavnim poslovnim razlozima za uvođenje inteligentnog sustava, kao i bitnim slučajevima korištenja u raznim industrijama, a sve u cilju omogućavanja prepoznavanja konteksta u kojem je inteligentni sustav koristan i može donijeti značajnu poslovnu prednost poduzeću. Studenti će se upoznati sa dodatnim znanjima potrebnim za primijenjenu izvedbu i upotrebu inteligentnih sustava i algoritama, osnovnim razlikama u odnosu na klasične informacijske sustave, te dodirnim integracijskim točkama između takvih okolina, a kako bi bili u mogućnosti predložiti nadogradnje u infrastrukturi, podacima, te metodama dizajna, razvoja i održavanja potrebnih za uvođenje inteligentnog sustava. U predmetu će se obraditi cjelokupni životni ciklus razvoja i održavanja inteligentnih sustava, te agilnim metodologijama koje podržavaju takav životni ciklus (npr. MLOps). U sklopu održavanja inteligentnog sustava obraditi će se metode nadzora, te kontinuiranog poboljšavanja inteligentnog sustava, kako bi inteligentni sustav svojim odlukama i preporukama evoluirao prema promjeni u podacima, a koji indirektno reflektiraju ponašanje klijenata.
Preduvjeti
Strojno učenje, programiranje, algoritmi i strukture podataka
Studijski programi
Sveučilišni diplomski
Izborni predmeti (2. semestar)[FER3-HR] Automatika i robotika - profil
Izborni predmeti
(2. semestar)
[FER3-HR] Elektroenergetika - profil
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
[FER3-HR] Elektronika - profil
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
Izborni predmet profila
(2. semestar)
[FER3-HR] Računalno inženjerstvo - profil
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
[FER3-HR] Računarska znanost - profil
Izborni predmeti
(2. semestar)
[FER3-HR] Znanost o mrežama - profil
Izborni predmeti
(2. semestar)
[FER3-HR] Znanost o podacima - profil
Izborni predmeti
(2. semestar)
Ishodi učenja
- Definirati tipične poslovne slučajeve korištenja inteligentnih sustava, te procijeniti prikladnost i potrebu za uvođenjem inteligentnog sustava za određeni poslovni slučaj korištenja.
- Prepoznati koji od modernih algoritama ili tipova inteligentnih sustava je prikladan za rješavanje poslovnog slučaja korištenja.
- Procijeniti adekvatnost postojeće okoline i infrastrukture za rad inteligentnog sustava, te preporučiti potrebne nadogradnje kako bi se podržalo uvođenje inteligentnog sustava.
- Analizirati postojeće poslovne informacijske sustave i dizajnirati integraciju inteligentnog sustava sa postojećim poslovnim informacijskim sustavima.
- Dizajnirati i razviti inteligentni sustav korištenjem modernih i aktualnih programskih jezika i alata.
- Razviti automatizirani način kontinuiranog poboljšanja odluka i preporuka koje donosi inteligentni sustav.
- Preporučiti i izraditi metodu nadzora nad radom inteligentnog sustava.
- Razviti plan projekta i troškovnik za uvođenje inteligentnog sustava.
Oblici nastave
Predavanja
Uživo
Samostalni zadaciProjekt
LaboratorijLaboratorijske vježbe za praktičnu demonstraciju.
Način ocjenjivanja
Kontinuirana nastava | Ispitni rok | |||||
---|---|---|---|---|---|---|
Vrsta provjere | Prag | Udio u ocjeni | Prag | Udio u ocjeni | ||
Laboratorijske vježbe | 0 % | 20 % | 0 % | 20 % | ||
Sudjelovanje u nastavi | 0 % | 10 % | 0 % | 10 % | ||
Seminar/Projekt | 0 % | 70 % | 0 % | 70 % |
Tjedni plan nastave
- 1. Uvod u primjenu inteligentnih sustava u industriji • Praktična upotreba inteligentnih sustava u industriji. Terminologija. • Poslovni slučajevi korištenja inteligentnih sustava. • Ocjena opravdanosti i potencijala za isplativost uvođenja inteligentnog sustava. • Problemi kod uvođenja inteligentnih sustava, te negativni slučajevi korištenja. O tome što nije inteligentni sustav i zašto poduzeća ostaju razočarana projektima uvođenja inteligentnih sustava.
- 2. Pregled osnova inteligentnih sustava • Tipovi inteligentnih sustava i tipične arhitekture. • Algoritmi koji se koriste za inteligentne sustave. • Donošenje odluka i preporuka kao rezultat rada inteligentnog sustava.
- 3. Ocjena trenutnog stanja infrastrukture i informacijskih sustava, te preporuke nadogradnji za uvođenje inteligentnog sustava • Infrastruktura podesna za izvršavanje inteligentnih sustava. • Pregled trenutne okoline i informacijskih sustava i uočavanje nužnih razlika za uvođenje inteligentnog sustava. • Preporuke za nadogradnju infrastrukture i informacijskih sustava.
- 4. Integracija postojeće okoline i informacijskih sustava sa inteligentnim sustavom - podatkovna integracija • Pregled trenutnih izvora podataka i njihovih modela. • Tokovi podataka. • Metodologije za analitiku i prikupljanje podataka. • Analiza i potreba za čišćenjem podataka. • Transformacije podataka za upotrebu u inteligentnom sustavu. • Izlaganje rezultata rada inteligentnog sustava kroz podatke.
- 5. Integracije postojeće okoline i informacijskih sustava sa inteligentnim sustavom - servisna integracija • Pregled trenutnih servisa i ocjena adekvatnosti. • Korištenje servisa kao izvora podataka. • Funkcionalno korištenje servisa za pozive potprograma u postojećim informacijskim sustavima. • Izlaganje rezultata rada inteligentnog sustava kroz servise.
- 6. Dizajn i razvoj inteligentnih sustava • Moderni i aktualni programski jezici za razvoj inteligentnih sustava. • Alati za razvoj. • Odabir algoritama. • Učenje: skaliranje, paralelizam, modeli. • Model: spoj algoritama inteligentnih sustava i podataka. Parametri modela kao rezultat procesa učenja algoritma.
- 7. Dizajn i razvoj inteligentnih sustava • Ocjena adekvatnosti i ispravnosti modela. • Kalibracija i zahvati u podatke za učenje. • Otklanjanje grešaka. • Problemi u podacima koji se reflektiraju na rezultate inteligentnog sustava. Sigurnost podataka. Utjecaj zatvorenog ciklusa između podataka, inteligentnog sustava i klijenata.
- Pauza za međuispite (predmet nema međuispit)
- 8. Praktični primjer • Primjer iz stvarnog života, od izvora podataka sve do konkretnog inteligentnog sustava.
- 10. Specifične primjene inteligentnih sustava • Analize velikih tokova podataka • Upravljanje korištenjem inteligentnih sustava: upravljanje infrastrukturom. • Inteligentna optimizacija: poslovni procesi, lanac dostave, proizvodnja i slično. • Masivni i paralelni inteligentni sustavi.
- 11. Aktualne metodologije za upravljanje životnim ciklusom inteligentnog sustava • Faze životnog ciklusa. • Utjecaj promjena nad postojećim informacijskim sustavom na inteligentni sustav. • Osmišljavanje projektnog plana i izrada troškovnika. • Preporuka nadogradnje standardnih postupaka dizajna, razvoja i održavanja informacijskih sustava u poduzeću dijelovima metodologija za dizajn, razvoj i održavanje inteligentnih sustava.
- 12. Automatizacija dizajna i razvoja inteligentnih sustava • Koncepti automatizacije u službi kontinuiranog poboljšanja rada inteligentnog sustava. • Inkrementalno učenje i adaptacija. • Utjecaj promjene u ulaznim podacima i/ili ponašanju korisnika i klijenata na potrebu adaptacije inteligentnog sustava.
- 13. Infrastruktura za inteligentne sustave • Infrastruktura u oblaku ili vlastita infrastruktura - mogućnosti i analiza isplativosti. • Virtualizacija kontejnerima. • Usklađivanje životnih ciklusa inteligentnih sustava i infrastrukture. • Puštanje inteligentnog sustava u rad.
- 14. Nadzor i analiza rezultata • Nadzor nad rezultatima inteligentnog sustava. Uspješnost i kvaliteta odluka i preporuka koje daje inteligentni sustav. • Infrastrukturno opterećenje. • Poslovna analiza opravdanosti uvođenja inteligentnog sustava.
- Predaja projekata
Literatura
Emmanuel Ameisen (2020.), Building Machine Learning Powered Applications: Going from Idea to Product, O'Reilly Media
Andrew Ferlitsch (2021.), Deep Learning Design Patterns, Manning Publications
Valliappa Lakshmanan, Sara Robinson, Michael Munn. (2020.), Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps, O’Reilly Media
Ben Weber (2020.), Data Science in Production: Building Scalable Model Pipelines with Python,
Harvinder Atwal (2019.), Practical DataOps: Delivering Agile Data Science at Scale, Apress
Mark Treveil, Nicolas Omont, Clément Stenac, Kenji Lefevre, Du Phan, Joachim Zentici, Adrien Lavoillotte, Makoto Miyazaki, Lynn Heidmann. (2020.), Introducing MLOps: How to Scale Machine Learning in the Enterprise, O’Reilly Media
Jeremy Howard, Sylvain Gugger (2020.), Deep Learning for Coders with Fastai and PyTorch: AI Applications Without a PhD, O’Reilly Media
Géron, Aurélien (2020.), Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems, O’Reilly Media
Izvedba
ID 240754
Ljetni semestar
5 ECTS
R0 Engleski jezik
R1 E-učenje
30 Predavanja
0 Seminar
0 Auditorne vježbe
15 Laboratorijske vježbe
0 Konstrukcijske vježbe
0 Vježbe tjelesnog odgoja
Ocjenjivanje
90 izvrstan
75 vrlo dobar
60 dobar
50 dovoljan