Mejkers labovi kao temelj AI industrije u Srbiji

Brojke su jasne: tokom 2025. Srbija je dobila 38 Mejkers labova, a plan je da se godina završi sa 42 „učionice budućnosti“. To nije samo lepa vest iz prosvete. To je infrastruktura koja direktno utiče na to koliko će brzo domaća industrija moći da pređe na AI u proizvodnji, automatizaciju i pametne fabrike.

Većina firmi koje danas uvode veštačku inteligenciju u industriji u Srbiji nailazi na isti problem: oprema može da se kupi, softver može da se naruči, ali ljudi se ne „isporučuju“ kroz javne nabavke. Kada nema dovoljno tehničara, inženjera i praktičara koji razumeju senzore, podatke, automatiku i osnove mašinskog učenja, AI projekti ostaju pilot koji se nikad ne proširi.

Mejkers labovi su odgovor koji dolazi ranije u lancu. Ako želimo da u narednih 3–5 godina vidimo više kvalitetne automatizacije, vizuelne inspekcije i optimizacije procesa u srpskim fabrikama, onda moramo da pričamo o tome gde se stvara navika da se problem rešava eksperimentom, prototipom i merenjem. U praksi, to počinje u školi.

Zašto su Mejkers labovi relevantni za AI u proizvodnji

AI u industriji je prvenstveno problem podataka i procesa, ne „magije algoritama“. Da bi veštačka inteligencija radila u realnoj proizvodnji, tim mora da razume tri stvari: kako se podaci skupljaju (senzori, kamere, PLC), kako se kvalitet meri (metrika, tolerancije, uzorci), i kako se odluke vraćaju u sistem (automatika, operateri, radni nalozi).

Mejkers labovi u školama uvode učenike u taj način razmišljanja kroz praktičan rad: elektronika, robotika, programiranje, 3D štampa, multimedija i timski projekti. To su iste gradivne jedinice koje kasnije stoje iza industrijskih primena kao što su:

• vizuelna kontrola kvaliteta (kamere + označavanje grešaka + model)
• prediktivno održavanje (vibracije/temperatura + anomalije)
• optimizacija potrošnje energije (merenje + modeli + preporuke)
• planiranje proizvodnje (podatci iz ERP/MES + predikcije + simulacije)

Drugim rečima: lab nije „još jedna učionica“, već mini okruženje za učenje industrijske logike, samo prilagođeno uzrastu.

„STEAME“ je zapravo industrijski rečnik

U izveštajima se često pominje STEAME (nauka, tehnologija, inženjerstvo, umetnost, matematika i preduzetništvo). U industriji se to prevodi na: specifikacija, prototip, merenje, iteracija, dokumentacija, timski rad. Ako učenik u labu nauči da napravi prototip, testira ga i objasni rezultat, kasnije mu je mnogo lakše da razume zašto AI projekat mora da ima jasne KPI-eve (npr. smanjenje škarta, brža inspekcija, manje zastoja).

Šest novih gradova, šest praktičnih signala za industriju

Otvaranje novih labova u Užicu, Krupnju, Smederevskoj Palanci, Batočini, Kruševcu i Smederevu ima jednu bitnu poruku: tehnološka infrastruktura više nije privilegija velikih centara. To je važan preduslov za industrijsku digitalizaciju, jer se proizvodnja u Srbiji oslanja na mrežu manjih gradova i lokalnih pogona.

Užice: od podkasta do asistivne tehnologije

U užičkoj gimnaziji lab je postao prostor gde se spajaju umetnost i tehnika. Jedan primer vredi posebne pažnje: učenik je predstavio D-Code, aplikaciju koja prevodi znakovni jezik u govor.

To je više od školskog projekta. To je demonstracija tri industrijski relevantne veštine:

1. razumevanje problema korisnika (specifikacija)
2. rad sa signalima/podacima (ulaz → obrada → izlaz)
3. iteracija kroz prototip (testiranje i poboljšanje)

Ako sutra ta ista logika pređe u fabriku, dobijate tim koji razume kako se pravi sistem za detekciju greške na traci ili alat za podršku operaterima.

Krupanj: „male sredine“ i velika tema — automatika

U Krupnju se ističe projekat automatizovane rampe pomoću PLC-a i mikrokontrolera. To je direktan most ka industriji: većina proizvodnih linija i danas „diše“ kroz PLC, a AI se sve češće dodaje kao sloj iznad automatike (npr. analiza kamera, predikcije, preporuke).

Ovakvi projekti stvaraju buduće tehničare i inženjere koji se ne plaše industrijskog okruženja. A to je presudno, jer AI u proizvodnji ne živi u prezentacijama, nego na liniji, u smenama, sa realnim kvarovima.

Smederevska Palanka: laboratorija kao mini R&D tim

Palanačka gimnazija je lab podelila na tri celine: elektronika/fizika, programiranje/matematika, multimedija/debata. To je pametan model, jer AI projekti u industriji su interdisciplinarni.

Kada firma radi, recimo, vizuelnu inspekciju, treba joj:

• neko ko razume osvetljenje, optiku i pozicioniranje (fizika)
• neko ko razume podatke i modele (programiranje)
• neko ko ume da objasni rezultat i uvede proces (komunikacija)

Ideja o učeničkoj kompaniji je odlična vežba za ono što industriji često fali: sposobnost da se tehnološka ideja pretvori u isporučiv projekat sa rokovima, budžetom i odgovornostima.

Batočina: preduzetništvo i „hardver + podaci“

U Batočini se pominje učenička kompanija sa proizvodom pametne narukvice koja beleži aktivnost. To je najkraći put do razumevanja IoT-a: uređaj → senzor → podatak → analiza.

U industriji je to ista arhitektura koja stoji iza praćenja stanja mašina, potrošnje komprimovanog vazduha ili kvaliteta u realnom vremenu. Ko jednom „oseti“ tok podataka u školskom projektu, brže razume zašto je u fabrici važno da su podaci čisti, vremenski usklađeni i merljivi.

Kruševac: hemija, ekologija i podaci

Hemijsko-tehnološka škola u Kruševcu posebno je zanimljiva jer spaja hemiju, ekologiju i tehnologiju. Industrija u Srbiji sve više mora da odgovori na zahteve održivosti (posebno za izvoz u EU), a AI se tu koristi vrlo konkretno: optimizacija potrošnje sirovina, energije, vode, smanjenje otpada.

Kada škola planira projekte reciklaže i održivih materijala uz lab opremu, ona indirektno pravi kadar za „zeleniju“ proizvodnju, gde se odluke donose na osnovu merenja i modela, a ne osećaja.

Smederevo: industrijska tradicija, logičan nastavak

Smederevo ima dugu industrijsku tradiciju, pa je logično da se lab koristi za 3D štampu, elektroniku i prototipe za lokalne firme. To je zapravo najrealniji model saradnje škole i privrede: škola kao prototipni servis, a firma kao „stvarni“ korisnik problema.

U praksi, to ubrzava buduće AI projekte jer se učenici navikavaju da rade na zahtev: definisan problem, realna ograničenja, očekivani rezultat.

Kako se iz Mejkers laba stiže do AI automatizacije u fabrici

Najbrži put od učionice do industrijske primene AI-a je kroz male, merljive projekte. Evo kako bih ja to složio kao roadmap koji škole i kompanije mogu zajednički da guraju (bez velikih budžeta i bez čekanja „idealnih uslova“).

1) Projekti koji liče na proizvodnju (ne na „demo“)

Dobri školski projekti imaju tri osobine: ulaz, merenje i kriterijum uspeha. Primeri tema koje direktno pripremaju za AI u proizvodnji:

• detekcija oštećenja na 3D štampanom delu kamerom (osnove vizuelne inspekcije)
• klasifikacija „dobar/loš“ uzorka u jednostavnom datasetu (osnove modela)
• predikcija kvara na osnovu vibracije (anomalije)
• optimizacija rasporeda zadataka (planiranje)

2) „Podaci prvo“ kultura

AI projekti propadaju kad se podaci skupljaju usput. U labovima treba insistirati na navici:

• vođenja logova merenja
• označavanja uzoraka (šta je greška, šta nije)
• osnovne statistike (prosek, odstupanje, outlier)

To zvuči banalno, ali je tačno ono što kasnije pravi razliku između pilot-projekta i rešenja koje radi 12 meseci bez drame.

3) Saradnja škola–fabrika kroz „mini zadatke“

Kompanije često misle da saradnja sa školom mora da bude velika. Ne mora. Najbolji format je kvartalni:

1. firma donese jedan problem (npr. vizuelna kontrola etikete)
2. škola postavi mini tim (3–5 učenika + mentor)
3. na kraju se isporuči prototip + kratka dokumentacija

Za firmu je to jeftin način da testira ideju. Za učenike, to je iskustvo koje izgleda kao posao.

Šta proizvodne kompanije u Srbiji mogu da urade već u Q1 2026

Ako ste u proizvodnji i čitate ovaj tekst zbog serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“, evo poteza koji daju rezultat brzo:

1. Mapirajte 3 procesa gde vam treba AI ili automatizacija (kvalitet, zastoji, energija). Ne 30, tri.
2. Pretvorite ih u zadatke od 4–6 nedelja: šta se meri, gde je senzor/kamera, koji je KPI.
3. Uspostavite partnerstvo sa najbližim Mejkers labom: jedan problem, jedan mentor iz firme, jedan demo dan.
4. Obezbedite anonimne uzorke podataka (fotografije grešaka, logovi, parametri) da učenici imaju na čemu da rade.
5. Ponudite praksu za najbolje timove. To je najbrži način da regrutujete kadar koji razume i proizvodnju i tehnologiju.

Stav mi je jasan: firme koje ovo krenu da rade sistematski u 2026. imaće realnu prednost do 2028, jer će graditi i rešenja i ljude paralelno.

Mejkers labovi nisu „projekat“, nego nacionalna infrastruktura

Mejkers lab mreža, uz podršku organizacija i kompanija partnera, pokazuje kako izgleda pametna investicija: ne u jednu školu, nego u mrežu; ne u jedan događaj, nego u kontinuiran rad. To je model koji industrija razume — skaliranje.

Ako se mreža do kraja 2025. zaokruži na 42 škole, dobijamo osnovu da se AI znanje širi ravnomernije po Srbiji. To znači da će i fabrike u manjim sredinama lakše naći ljude koji razumeju automatiku, podatke i prototipiranje, a to je realni uslov da veštačka inteligencija u industriji Srbije pređe iz teorije u rutinu.

Sledeći korak je jednostavan: da se iz „učionica budućnosti“ pređe na „zadatke budućnosti“ — one koji liče na probleme u pogonima. Ko će prvi to standardizovati: škole, kompanije ili lokalne zajednice?