AI olimpijada i industrija Srbije: put do fabrike 4.0

U avgustu 2025. u Pekingu, na 2. Međunarodnoj olimpijadi iz veštačke inteligencije (IOAI), očekuje se učešće timova iz više od 60 zemalja i teritorija. Ta brojka nije samo impresivan podatak iz sveta edukacije — to je realan signal koliko brzo AI postaje „osnovna pismenost“ za ekonomije koje žele da proizvode više, brže i stabilnije.

Zato vest da je Savez za veštačku inteligenciju Srbije dobio zvaničnu akreditaciju i da, u saradnji sa ITS (Visoka škola za IT), organizuje nacionalno takmičenje za selekciju tima Srbije nije „još jedna školska vest“. Ako radite u proizvodnji, logistici, energetici ili industrijskom održavanju, ova priča vas se tiče direktno. Jer ono što se trenira za olimpijadu — rad sa podacima, modelovanje, evaluacija, brzina iteracije — sutra postaje razlika između fabrike koja isporučuje na vreme i fabrike koja se stalno „krpi“.

Ovaj tekst je deo serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“. Fokus je praktičan: kako ovakva takmičenja hrane industrijski AI talent pipeline, koje industrijske probleme ti talenti rešavaju, i šta kompanije u Srbiji mogu da urade već u 2026. da bi od toga imale merljiv benefit.

Zašto AI olimpijada nije samo za „štrebere“

AI takmičenja su preslikana verzija stvarnog industrijskog posla, samo u kompresovanom vremenu. U industriji se retko dobija savršen dataset, jasna specifikacija i dovoljno vremena. Dobija se cilj (npr. manje škarta), delimični podaci (npr. slike sa linije koje nisu uvek iste), ograničenja (npr. stari PLC, slab internet, GDPR), i pritisak da se rezultat pokaže brzo.

Nacionalno takmičenje, koje će se održati na ITS kampusu u Comtrade Technology Centeru na Novom Beogradu, predstavlja zvaničnu selekciju tima koji ide u Peking (2–9. avgust 2025). Ali još važnije: to je mesto gde se mladi navikavaju na ono što industrija zaista traži.

Dobra vest za kompanije: olimpijski zadaci treniraju veštine koje se direktno prevode u industrijske use-case-ove — od vizuelne kontrole kvaliteta do prediktivnog održavanja.

Šta se tačno „treninguje“ kroz olimpijadske zadatke

U praksi, takmičari razvijaju i bruse tri ključne kompetencije koje se stalno ponavljaju u proizvodnim AI projektima:

• Inženjering podataka: čišćenje, balansiranje klasa, rad sa nedostajućim vrednostima, razumevanje šuma u podacima.
• Modelovanje i evaluacija: izbor metrika (preciznost, odziv, F1), validacija, izbegavanje „overfita“.
• Iteracija pod ograničenjima: optimizacija vremena treninga, memorije, jednostavnosti implementacije.

Ako vam ovo zvuči kao posao data science tima u fabrici — to je zato što jeste.

Most ka proizvodnji: gde se olimpijski AI pretvara u industrijsku uštedu

Veštačka inteligencija u proizvodnji u Srbiji najčešće kreće od jednog od ova tri cilja: manje zastoja, manje škarta, manje ručnog administriranja. Olimpijada je dobra „škola“ baš zato što takmičari uče da rešavaju probleme koji liče na te ciljeve.

1) Kontrola kvaliteta kamerom (computer vision)

Najbrži put do rezultata u proizvodnji često je vizuelna inspekcija: kamera + model koji prepoznaje greške. U praksi, to su situacije poput:

• ogrebotine, pukotine, nepravilne ivice
• pogrešno nalepljena etiketa ili nečitak kod
• loše pakovanje, deformacije, nedostajući element

Zašto ovo firmama „leži“? Zato što se rezultat može meriti jasno: procenat škarta, broj reklamacija, vreme kontrole po komadu.

Moje iskustvo je da većina firmi napravi istu grešku: kreću od modela, a ne od linije. Prvo treba definisati gde kamera stoji, kakvo je osvetljenje, koja je tolerancija, ko validira odluke modela i šta se dešava kad model „nije siguran“. Tek onda AI ima smisla.

2) Prediktivno održavanje (manje zastoja)

Industrija u Srbiji često radi sa mešavinom nove i stare opreme. To ne sprečava prediktivno održavanje — samo menja pristup. Umesto „sve senzore“, kreće se od onoga što već postoji:

• vibracije (ako postoje senzori) ili indirektno kroz parametre motora
• temperatura, struja, broj ciklusa
• istorija kvarova i servisnih intervencija

Takmičarski način razmišljanja pomaže: prvo se pravi jednostavan model koji daje baseline, pa se poboljšava. U fabrici je isto: bolje je imati sistem koji 70% slučajeva uhvati rano, nego savršen plan koji nikad ne ode u produkciju.

3) Planiranje i lanac snabdevanja (AI za „manje haosa“)

Krajem decembra (baš sad) mnoge firme zatvaraju godinu, rade inventure, planove nabavke i proizvodnje za Q1. To je trenutak kada AI može da pomogne bez velikih ulaganja:

• prognoza potražnje po SKU (čak i sa jednostavnim modelima)
• detekcija anomalija u potrošnji materijala
• simulacije scenarija „šta ako dobavljač kasni 2 nedelje“

Ovo nije glamurozno kao roboti, ali donosi stabilnost. A stabilnost u industriji znači maržu.

Zašto je akreditacija Saveza važna za kompanije (ne samo za učenike)

Akreditacija za IOAI znači da Srbija dobija formalnu ulogu u međunarodnom ekosistemu takmičenja. To donosi dve praktične posledice za domaću industriju:

1. Talent pipeline postaje vidljiv i strukturiran. Ne oslanjate se na sreću i poznanstva da nađete mlade koji razumeju AI. Pojavljuju se generacije koje su prošle standardizovan „stres test“.
2. Lakše povezivanje sa međunarodnim praksama. Timovi i mentori prirodno dolaze u kontakt sa zadacima, metodologijama i standardima koji se koriste globalno.

U izjavi Saveza, predsednik Dalibor Marinović naglašava povezivanje učenika sa globalnom AI zajednicom i podršku budućim liderima. ITS, kroz izjavu direktorke Milene Ilić, jasno pozicionira sebe kao domaćina i podršku srednjoškolcima, stavljajući resurse na raspolaganje.

Za industriju, to je signal: edukativna infrastruktura oko AI u Srbiji postaje ozbiljnija. A ozbiljna infrastruktura je ono što dugoročno spušta cenu uvođenja AI rešenja.

Šta industrijske kompanije u Srbiji mogu da urade već sada

Najveći promašaj je čekanje „da se AI slegne“. Ko bude krenuo u 2026. kreće kasno, jer konkurenti već skupljaju podatke u 2024/2025. Podaci su gorivo. Bez njih nema rezultata.

Brzi plan (30–60 dana) za AI pilot u proizvodnji

1. Izaberite use-case sa jasnom metrikom. Primer: smanjiti škart na liniji X za 10% u 90 dana.
2. Mapirajte podatke koje već imate. ERP, MES, Excel, servisne knjige, slike sa linije.
3. Postavite pravilo „čovek u petlji“. Ko potvrđuje odluku modela? Šta se radi kad model nije siguran?
4. Napravite mali dataset i baseline. 200–500 označenih uzoraka često je dovoljno za prvi signal.
5. Definišite put do produkcije. Gde model radi (lokalno/edge ili server), ko ga održava, kako se verzionira.

Kako se povezati sa mladim AI talentima (bez komplikacija)

Ako želite da od ovakvih takmičenja imate direktnu korist, evo tri jednostavna poteza:

• Ponudite realan industrijski mini-problem (bez poverljivih podataka) kao studiju slučaja za praksu ili mentorski rad.
• Uvedite industrijski „data day“: jedan dan gde vaši proces inženjeri objašnjavaju liniju, a AI tim objašnjava šta im treba od podataka.
• Budžetirajte jednu pilot-liniju umesto „AI svuda“. Fokus pobediće rasipanje.

Ovakav pristup stvara win-win: učenici i studenti dobijaju realan problem, a firma dobija prototip i interno znanje.

Pitanja koja svi postavljaju (i odgovori koji štede vreme)

Da li je AI u proizvodnji preskup za srednje firme u Srbiji?

Ne mora da bude. Najskuplji deo je obično haotičan start bez podataka i bez vlasnika procesa. Skroman pilot sa jasnom metrikom i postojećim podacima je finansijski podnošljiv i brzo pokaže da li ima smisla.

Da li moramo prvo da digitalizujemo sve?

Ne. Dovoljno je da digitalizujete jednu kritičnu tačku — liniju, radnu stanicu ili proces gde postoji najveći gubitak. Posle toga širite.

Da li AI zamenjuje operatere?

U praksi najčešće pomaže operaterima i kontrolorima kvaliteta da brže vide odstupanje. Najveći benefit je manje zamora, manje subjektivnosti i brža reakcija.

Gde ovo vodi Srbiju do 2026: od takmičenja do industrijske saradnje

Nacionalno takmičenje za IOAI nije samo selekcija za Peking. To je test da li Srbija može sistematski da gaji ljude koji razumeju podatke, modele i inženjerska ograničenja — a to su tačno tri stvari koje proizvodne firme traže kad žele automatizaciju kontrole kvaliteta, optimizaciju procesa, i stabilniju B2B komunikaciju sa evropskim partnerima.

Ako vodite industrijsku kompaniju, moj stav je jednostavan: posmatrajte ovakve događaje kao priliku da se uključite ranije nego konkurencija. Ne kroz sponzorstva „reda radi“, nego kroz konkretne probleme, podatke i pilot-projekte.

Sledeći logičan korak je da u 2026. imate bar jedan AI sistem u produkciji koji donosi merljiv rezultat — bilo da je to manje škarta, manje zastoja ili brže planiranje. Pitanje je samo: koji proces ćete izabrati kao prvi?