AI olimpijada Srbije: put do jače industrije i kadrova

Decenijama smo u industriji pričali o „nedostatku kadra“ kao da je to vremenska nepogoda: dođe, traje, pa prođe. Ne prolazi. Samo menja oblik. Danas proizvodnim firmama u Srbiji ne fali „još ljudi“, već ljudi koji razumeju podatke, automatizaciju i AI dovoljno dobro da podignu kvalitet, skrate zastoje i ubrzaju odlučivanje.

Zato je pojava prve nacionalne olimpijade Srbije u veštačkoj inteligenciji (NOAI Serbia 2025) mnogo više od lepog školskog događaja. Ako se uradi kako treba, to je praktična investicija u budući pipeline talenata koji će sutra raditi na prediktivnom održavanju, kontroli kvaliteta kamerama, optimizaciji proizvodnje, planiranju zaliha, pa čak i na automatizaciji izveštavanja prema EU kupcima.

Ovaj tekst je deo serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“ i gleda olimpijadu iz ugla proizvodnih kompanija: šta ta inicijativa znači za industriju, kako da je iskoristite kao poslodavac, i koje su realne veštine koje se tu grade.

Šta NOAI Serbia 2025 menja u praksi (i zašto industriji treba)

NOAI Serbia 2025 je nacionalno takmičenje u veštačkoj inteligenciji koje organizuju Savez za veštačku inteligenciju Srbije i Comtrade Visoka škola za IT (ITS). U fokusu su srednjoškolci iz cele Srbije, a najbolji tim dobija priliku da predstavlja zemlju na međunarodnom takmičenju u Pekingu.

Ključna stvar za industriju: takmičenja poput ovog ubrzavaju formiranje “AI mišića” kod mladih. To nisu samo formule i teorija, već navika da se problem razloži, da se radi sa podacima, da se model testira, i da se rezultat brani argumentima. Industrija to prepoznaje jer su to iste faze koje prolazi i svaki ozbiljan AI projekat u fabrici.

Zašto olimpijada nije „samo za IT klince“

Najveći mit koji vidim kod kompanija: „AI talenti su samo programeri.“ Ne. U proizvodnji su najbolji AI timovi skoro uvek mešoviti:

• ljudi koji poznaju proces (tehnolog, kvalitet, održavanje),
• ljudi koji razumeju podatke i modele (data/ML),
• ljudi koji umeju da spakuju rešenje u operativan sistem (automatika, IT/OT, integracije).

Olimpijada je prvi filter koji kaže: ko od mladih ima disciplinu i radoznalost da radi sa realnim ograničenjima. A to je retko i vredno.

Veza između AI olimpijade i digitalizacije proizvodnje u Srbiji

Ako ste proizvodna firma, verovatno ste već prošli kroz „digitalizaciju“: ERP, MES, skeneri, možda SCADA, možda i neki BI. Sledeći korak je ono što mnogi preskaču: pretvaranje podataka u odluke.

AI je tu prirodan nastavak. Ali bez ljudi koji umeju da povežu podatke i proces, ostajete na nivou dashboard-a koji niko ne gleda.

Evo kako olimpijada direktno „hrani“ industrijsku digitalizaciju:

1) Učenje kroz takmičarske probleme = priprema za realne fabrike

Takmičarski zadaci u AI tipično podrazumevaju:

• čišćenje i razumevanje skupa podataka,
• izbor metrike (npr. tačnost vs. preciznost/odziv),
• trening i validaciju modela,
• iteracije i objašnjavanje rezultata.

U fabrici je to isto, samo sa dodatnim slojem: senzori lažu, kamere se prljaju, ljudi menjaju režim rada, a trošak greške je stvaran (škart, reklamacije, zastoji).

Ko rano prođe „takmičarsku disciplinu“, brže sazreva za industrijski kontekst.

2) AI u proizvodnji traži kulturu eksperimenta

Proizvodnja često voli finalna rešenja. AI voli iteracije.

Olimpijada normalizuje tu kulturu: radiš verziju 1, meriš, popravljaš, pa opet. To je tačno ono što treba Srbiji ako želi više uspešnih AI projekata u industriji, a manje pilot-projekata koji se nikad ne skaliraju.

3) B2B komunikacija i EU kupci: manje “ručnog”, više dokazivog

Industrijske firme koje izvoze sve češće moraju da pokažu:

• stabilnost kvaliteta,
• sledljivost,
• brzinu reakcije,
• ESG/energetske metrike.

AI pomaže da se izveštavanje automatizuje i standardizuje. Ali da biste to uradili, treba vam kadar koji razume i modele i poslovni kontekst. Olimpijada je jedan od načina da taj kadar počne da se gradi sistematski.

Koje AI veštine iz olimpijade sutra postaju industrijski ROI

Ako moram da izaberem tri oblasti gde AI najbrže vraća ulog u proizvodnji (kada se radi ozbiljno), to su sledeće.

Kontrola kvaliteta kamerama (computer vision)

Najčešći „prvi AI projekat“ u fabrici nije chatbot. To je kamera na liniji.

AI modeli za detekciju grešaka mogu da rade:

• prepoznavanje površinskih oštećenja,
• proveru prisustva/pozicije komponenti,
• klasifikaciju proizvoda po klasi kvaliteta.

Zašto je ovo važno u kontekstu NOAI? Zato što mladi kroz takmičenja često ulaze baš preko vizuelnih zadataka, a industrija u Srbiji ima veliki broj procesa gde je vizuelna inspekcija i dalje ručna.

Prediktivno održavanje (senzori + modeli)

Održavanje se u mnogim pogonima i dalje oslanja na iskustvo i „slušanje mašine“. To znanje je dragoceno, ali nije skalabilno.

AI pristup uvodi:

• praćenje vibracija/temperature/struje,
• modeliranje normalnog režima,
• rano upozorenje na odstupanja.

Kad dobijete tim koji razume podatke i statistiku (što olimpijada podstiče), lakše je preći sa reaktivnog na planirano održavanje.

Optimizacija planiranja i smanjenje zaliha

U Srbiji se i dalje često planira „na osećaj“ jer su podaci rasuti, potražnja šarena, a rokovi kratki. AI ne rešava haos sam od sebe, ali može da donese veliku korist kada postoje osnovni podaci:

• prognoza potražnje,
• optimizacija nabavke i bezbednosnih zaliha,
• optimizacija rasporeda proizvodnje.

Takmičarski mentalitet (testiranje, metrika, iteracija) je ovde presudan jer je planiranje oblast gde retko postoji jedno savršeno rešenje.

Kako proizvodne kompanije mogu da iskoriste olimpijadu (bez glume sponzorstva)

Ako vam je cilj LEADS i dugoročno jačanje kapaciteta, postoji praktičan način da se uključite. Ne mora to da bude skupa kampanja. Bitno je da bude konkretno.

1) Ponudite mikro-prakse i mentorski rad (2–6 nedelja)

Najveći problem mladih talenata je prelazak iz „zadatka“ u „sistem“. Ponudite:

• rad na mini projektu (npr. klasifikacija šarta iz slika, analiza zastoja iz logova),
• mentora iz proizvodnje + mentora iz IT/automatike,
• jasne kriterijume uspeha (šta je „dobro dovoljno“).

Rezultat: dobijate rani uvid u kandidate, a oni dobijaju iskustvo koje vredi više od kursa.

2) Dajte industrijski dataset (anonimizovan) i problem iz fabrike

Ako imate slike defekata, logove mašina, podatke o potrošnji energije ili škartu, možete napraviti dataset koji je bezbedan za deljenje (bez poverljivih parametara i bez identifikacije kupaca).

Jedan dobro postavljen problem može da donese:

• rešenje koje stvarno testirate,
• employer branding koji ima težinu,
• razgovor sa školama i mentorima na pravom nivou.

3) Tražite od kandidata „objašnjenje“, ne samo rezultat

U industriji je najskuplji model onaj koji niko ne razume. Kad razgovarate sa učesnicima:

• pitajte kako su merili kvalitet modela,
• kako su sprečili preučenje,
• šta bi uradili da se promeni distribucija podataka (npr. druga smena, druga serija materijala).

Ko na to ima odgovor, vredi pažnje.

Dobra rečenica za HR i tehničke intervjue: „Objasni mi kako bi model propao u proizvodnji.“

NOAI Serbia 2025: šta znamo o formatu i rokovima

Olimpijada je otvorena za srednjoškolce iz cele Srbije. Učenici 7. i 8. razreda mogu učestvovati u ranim fazama, ali se ne kvalifikuju za finalne faze.

Plan takmičenja je bio podeljen po mesecima (kampanja i selekcije tokom proleća, pripreme tima, a međunarodno takmičenje tokom leta), uz finale u Beogradu u maju 2025.

Za industriju je bitno jedno: ovakve aktivnosti imaju sezonalnost. Kraj decembra je dobar trenutak (kao sada) da firme postave plan za narednu školsku godinu:

• gde ulazite kao mentor,
• koji problem dajete,
• koji budžet odvajate za mini-prakse i nagrade,
• ko je vlasnik inicijative (HR + proizvodnja + IT, zajedno).

Šta da uradite sledeće (ako ste proizvodna firma u Srbiji)

Ako ozbiljno razmišljate o veštačkoj inteligenciji u proizvodnji, najbolja odluka u 2026. često neće biti „kupili smo softver“, nego napravili smo tim i proces. NOAI Serbia 2025 je signal da se baza talenata širi. Pitanje je da li ćete je posmatrati sa strane ili ćete je pretvoriti u konkretan kanal za zapošljavanje i pilot-projekte.

Evo jednostavnog plana za narednih 30 dana:

1. Napišite listu od 3 industrijska problema koja biste merili u evrima (škart, zastoji, energija).
2. Proverite da li imate podatke (ili koliko vas košta da ih prikupite).
3. Definišite mini-projekat od 4 nedelje koji može da radi jedan učenik/tim uz mentora.
4. Pripremite internu osobu koja će biti mentor (2 sata nedeljno je dovoljno za početak).

Ako vam sve ovo zvuči „previše“, iskreno: problem nije u AI, nego u tome što vam fali osnovna struktura za rad sa podacima. A to je tačka od koje svakako morate krenuti.

Ostaje pitanje koje volim da postavim direktorima proizvodnje: da li želite da prvi ozbiljan AI projekat u vašoj fabrici dođe spolja, ili da imate barem jednu internu osobu koja razume šta kupujete i kako to radi?