{"id":2168,"date":"2026-07-31T21:05:51","date_gmt":"2026-07-31T19:05:51","guid":{"rendered":"https:\/\/www.prevodioci.co.rs\/blog\/?p=2168"},"modified":"2026-07-31T21:18:14","modified_gmt":"2026-07-31T19:18:14","slug":"recnik-ai-doba","status":"publish","type":"post","link":"https:\/\/www.prevodioci.co.rs\/blog\/recnik-ai-doba\/","title":{"rendered":"Re\u010dnik AI doba jezi\u010dkih modela: \u0161ta zna\u010de LLM, NLP, RAG, AGI&#8230;"},"content":{"rendered":"<p>Ve\u0161ta\u010dka inteligencija nije donela samo nove alate, ve\u0107 i gotovo sasvim novi jezik. AI, ML, LLM, NLP, RAG, GPT, BERT, ASR, TTS, AGI, VLM i MCP <strong>samo su neki od akronima<\/strong> koji se sve \u010de\u0161\u0107e pojavljuju u poslovnim razgovorima, medijima, nau\u010dnim radovima i svakodnevnoj komunikaciji.<\/p>\n<p>Za <a href=\"https:\/\/www.prevodioci.co.rs\/\"><strong>prevodioce<\/strong><\/a>, lingviste, urednike i sve koji profesionalno rade sa jezikom ova terminologija posebno je va\u017ena. Jezik vi\u0161e nije samo sredstvo kojim ljudi komuniciraju sa drugim ljudima. On postaje i interfejs preko kojeg razgovaramo sa ma\u0161inama, opisujemo zadatke, pretra\u017eujemo podatke, generi\u0161emo slike, prevodimo dokumente i upravljamo razli\u010ditim digitalnim sistemima.<\/p>\n<p>Ipak, akronimi \u010desto stvaraju privid razumevanja. <a href=\"https:\/\/www.seoexpert.rs\/blog\/llm-chat-gpt-odgovori-prodaja\/\">Neko mo\u017ee svakodnevno da koristi LLM<\/a>, a da ne zna \u0161ta je jezi\u010dki model. Mo\u017ee da govori o <a href=\"https:\/\/www.prevodioci.co.rs\/blog\/humanizacija-tekstova\/\">GPT<\/a>-u, a da ne razlikuje GPT od \u010detbota. Mo\u017ee da o\u010dekuje da RAG \u201e<strong>ukloni halucinacije<\/strong>\u201c, iako ovaj sistem samo omogu\u0107ava modelu da pre odgovora prona\u0111e dodatne informacije.<\/p>\n<p>Zato ovaj vodi\u010d nije zami\u0161ljen samo kao spisak skra\u0107enica. Cilj je da objasni \u0161ta se nalazi iza najva\u017enijih akronima AI doba, kako su me\u0111usobno povezani i za\u0161to su va\u017eni za ljude koji rade sa jezikom.<\/p>\n<h2>LM i LLM: odakle zapravo po\u010dinje pri\u010da o jezi\u010dkim modelima?<\/h2>\n<h3>LM \u2013 Language Model<\/h3>\n<p>LM je skra\u0107enica za Language Model, odnosno jezi\u010dki model.<\/p>\n<p>U naj\u0161irem smislu, jezi\u010dki model je sistem koji procenjuje verovatno\u0107u pojavljivanja odre\u0111enih jezi\u010dkih jedinica u datom kontekstu. Te jedinice mogu biti slova, delovi re\u010di, cele re\u010di, re\u010denice ili druge vrste tokena.<\/p>\n<p>Jednostavan jezi\u010dki model mogao bi, na primer, da proceni koja re\u010d najverovatnije sledi posle re\u010denice:<\/p>\n<p>\u201ePre nego \u0161to je iza\u0161ao iz na\u0161e prevodila\u010dke agencije, poneo je\u2026\u201c<\/p>\n<p>U zavisnosti od konteksta, model mo\u017ee ve\u0107u verovatno\u0107u dodeliti re\u010dima \u201eklju\u010deve\u201c, \u201etelefon\u201c, \u201ejaknu\u201c ili \u201epe\u010dat\u201c nego re\u010dima koje se gramati\u010dki ili semanti\u010dki ne uklapaju.<\/p>\n<p>Savremeni jezi\u010dki modeli ovaj postupak obavljaju u mnogo slo\u017eenijem obliku. Oni ne biraju samo slede\u0107u re\u010d, ve\u0107 rade sa ogromnim brojem mogu\u0107ih nastavaka, jezi\u010dkih obrazaca i odnosa koji su tokom obuke prona\u0111eni u velikim koli\u010dinama teksta.<\/p>\n<p>Va\u017eno je razumeti da jezi\u010dki model nije klasi\u010dan re\u010dnik niti baza unapred napisanih odgovora. <strong>On generi\u0161e tekst izra\u010dunavanjem verovatnih nastavaka<\/strong> na osnovu unetog sadr\u017eaja i obrazaca nau\u010denih tokom treninga.<\/p>\n<h3>LLM \u2013 Large Language Model<\/h3>\n<p>LLM zna\u010di Large Language Model, odnosno veliki jezi\u010dki model.<\/p>\n<p>Re\u010d \u201eveliki\u201c obi\u010dno se odnosi na kombinaciju nekoliko karakteristika:<\/p>\n<ul data-spread=\"false\">\n<li>velikog broja parametara;<\/li>\n<li>velike koli\u010dine podataka kori\u0161\u0107enih za obuku;<\/li>\n<li>zna\u010dajnih ra\u010dunarskih resursa;<\/li>\n<li>sposobnosti obavljanja razli\u010ditih jezi\u010dkih zadataka;<\/li>\n<li>mogu\u0107nosti rada sa dugim i slo\u017eenim kontekstom.<\/li>\n<\/ul>\n<p>Parametri se mogu pojednostavljeno opisati kao unutra\u0161nje numeri\u010dke vrednosti koje model pode\u0161ava tokom treninga. Oni nisu isto \u0161to i re\u010denice, \u010dinjenice ili dokumenti sa\u010duvani u bazi. Parametri zajedno <strong>oblikuju matemati\u010dke odnose<\/strong> na osnovu kojih model procenjuje \u0161ta treba da proizvede kao odgovor.<\/p>\n<p>Zbog toga veliki jezi\u010dki model mo\u017ee da pi\u0161e, prevodi, sa\u017eima, klasifikuje, preformuli\u0161e i analizira tekst, iako nije za svaki od tih zadataka posebno programiran.<\/p>\n<p>Ipak, veli\u010dina sama po sebi ne garantuje kvalitet. Na sposobnosti modela uti\u010du i kvalitet podataka, arhitektura, na\u010din treniranja, naknadno prilago\u0111avanje, bezbednosna pravila, dostupni alati i na\u010din na koji je formulisan korisni\u010dki zahtev.<\/p>\n<p>LLM tako\u0111e ne treba automatski izjedna\u010diti sa znanjem ili ljudskim razumevanjem. Model mo\u017ee veoma uverljivo da oblikuje gramati\u010dki ta\u010dan odgovor, a da u njemu ipak navede neta\u010dan podatak. On stvara jezi\u010dki verovatan izlaz, ali njegova sigurnost u formulaciji nije dokaz istinitosti sadr\u017eaja.<\/p>\n<h3>Za\u0161to je LLM posebno va\u017ean za prevo\u0111enje?<\/h3>\n<p>Prevod je <strong><a href=\"https:\/\/www.prevodioci.co.rs\/blog\/sta-vestacka-inteligencija-ne-moze-da-zameni-u-prevodima\/\">mnogo vi\u0161e od zamene re\u010di iz jednog jezika re\u010dima drugog jezika<\/a><\/strong>. Potrebno je prepoznati:<\/p>\n<ul data-spread=\"false\">\n<li>zna\u010denje re\u010di u kontekstu;<\/li>\n<li>gramati\u010dku strukturu;<\/li>\n<li>terminologiju odre\u0111ene struke;<\/li>\n<li>stil i registar;<\/li>\n<li>idiome i kulturne reference;<\/li>\n<li>nameru autora;<\/li>\n<li>odnos izme\u0111u delova dokumenta;<\/li>\n<li>ciljnu publiku.<\/li>\n<\/ul>\n<p>Veliki jezi\u010dki modeli mogu da obra\u0111uju \u0161iri kontekst od ranijih sistema ma\u0161inskog prevo\u0111enja. Zbog toga \u010desto p<strong>roizvode prirodnije re\u010denice i bolje prilago\u0111avaju stil<\/strong>. Me\u0111utim, mogu i da \u201eulep\u0161aju\u201c sadr\u017eaj, ne ograde se na pravi na\u010din, pogre\u0161no protuma\u010de termin ili samostalno dopune ono \u010dega nema u izvorniku.<\/p>\n<p>U <a href=\"https:\/\/www.prevodioci.co.rs\/blog\/zasto-je-kreativnost-vazna\/\">kreativnom tekstu<\/a> takvo preoblikovanje ponekad mo\u017ee biti korisno. U pravnom, medicinskom, tehni\u010dkom ili finansijskom prevodu mo\u017ee promeniti smisao i stvoriti ozbiljan problem.<\/p>\n<p>Zato LLM ne ukida potrebu za profesionalnim prevodiocem. On menja prirodu pojedinih prevodila\u010dkih procesa i uvodi nove na\u010dine saradnje izme\u0111u \u010doveka i sistema.<\/p>\n<h2>GPT, BERT i Transformer: akronimi koji su promenili obradu jezika<\/h2>\n<h3>GPT \u2013 Generative Pre-trained Transformer<\/h3>\n<p>GPT zna\u010di Generative Pre-trained Transformer.<\/p>\n<p>Svaki deo ovog naziva opisuje va\u017enu osobinu sistema.\u00a0<strong>Generative<\/strong> zna\u010di da model generi\u0161e novi sadr\u017eaj.\u00a0<strong>Pre-trained<\/strong> zna\u010di da je prethodno obu\u010den na velikoj koli\u010dini podataka, pre nego \u0161to je prilago\u0111en konkretnijim zadacima ili interakciji sa korisnicima.<\/p>\n<p>Transformer ozna\u010dava arhitekturu neuronske mre\u017ee na kojoj je model zasnovan.<\/p>\n<p>GPT nije sinonim za svaku ve\u0161ta\u010dku inteligenciju niti za svaki \u010detbot. To je naziv odre\u0111ene porodice generativnih modela. \u010cetbot je aplikacija ili korisni\u010dki interfejs, dok je GPT model koji mo\u017ee da bude jedan od sistema u njegovoj pozadini.<\/p>\n<p><strong>GPT modeli su autoregresivni<\/strong>. Pojednostavljeno re\u010deno, oni generi\u0161u sadr\u017eaj korak po korak, procenjuju\u0107i naredni token na osnovu prethodnih tokena i dostupnog konteksta. Ta osnovna procedura, kada se primeni u veoma velikom modelu, mo\u017ee da dovede do iznena\u0111uju\u0107e slo\u017eenih rezultata: od prevo\u0111enja i pisanja do analize, programiranja i re\u0161avanja problema.<\/p>\n<h3>BERT \u2013 Bidirectional Encoder Representations from Transformers<\/h3>\n<p>Za razliku od autoregresivnih modela koji generi\u0161u tekst sleva nadesno, <strong>BERT je razvijen tako da prilikom obrade uzima u obzir i levi i desni kontekst odre\u0111ene re\u010di<\/strong>. Zbog toga je postao posebno zna\u010dajan za zadatke razumevanja i klasifikacije teksta, prepoznavanje odnosa u re\u010denici i odgovaranje na pitanja.<\/p>\n<p>Razliku mo\u017eemo pojednostaviti ovako:<\/p>\n<ul data-spread=\"false\">\n<li>GPT je prirodno usmeren ka generisanju teksta;<\/li>\n<li>BERT je prvobitno usmeren ka razumevanju i predstavljanju teksta.<\/li>\n<\/ul>\n<p>Granice danas nisu potpuno o\u0161tre, jer se savremeni sistemi razvijaju u razli\u010ditim smerovima, ali ova podela poma\u017ee da se razumeju njihove osnovne namene.<\/p>\n<h3>Transformer<\/h3>\n<p>Iako nije akronim, Transformer je <strong>jedan od najva\u017enijih termina AI doba<\/strong>.<\/p>\n<p>Transformer je arhitektura neuronske mre\u017ee predstavljena 2017. godine u radu \u201e<a href=\"https:\/\/arxiv.org\/abs\/1706.03762\">Attention Is All You Need<\/a>\u201c. Prvobitno je demonstrirana upravo na zadacima <a href=\"https:\/\/www.prevodioci.co.rs\/blog\/prevodilacki-alati\/\">ma\u0161inskog prevo\u0111enja<\/a>. Njena klju\u010dna inovacija bio je sna\u017ean oslonac na mehanizam pa\u017enje, bez potrebe da se sekvenca obra\u0111uje isklju\u010divo korak po korak kao kod ranijih rekurentnih mre\u017ea.<\/p>\n<p>Mehanizam pa\u017enje omogu\u0107ava modelu da proceni koji su delovi ulaznog sadr\u017eaja posebno va\u017eni za tuma\u010denje odre\u0111enog tokena.<\/p>\n<p>U re\u010denici:<\/p>\n<p>\u201eDu\u0161an je knjigu stavio na policu jer je tamo bilo slobodnog mesta\u201c<\/p>\n<p>model mora da pove\u017ee re\u010d \u201etamo\u201c sa policom, a ne sa knjigom ili Du\u0161anom. U mnogo slo\u017eenijim primerima potrebno je pratiti odnose izme\u0111u pojmova kroz pasuse, dokumente ili razgovore.<\/p>\n<p>Transformer arhitektura omogu\u0107ila je efikasnije u\u010denje takvih odnosa i postala osnova velikog broja savremenih jezi\u010dkih, vizuelnih i multimodalnih modela.<\/p>\n<h2>Token, tokenizacija i kontekstualni prozor<\/h2>\n<h3>Token<\/h3>\n<p>Token nije akronim, ali se bez njega ne mo\u017ee razumeti kako funkcioni\u0161u jezi\u010dki modeli.<\/p>\n<p>Model ne mora da \u010dita tekst kao niz celih re\u010di. On tekst razla\u017ee na manje jedinice koje nazivamo tokenima. Token mo\u017ee biti:<\/p>\n<ul data-spread=\"false\">\n<li>cela kratka re\u010d;<\/li>\n<li>deo du\u017ee re\u010di;<\/li>\n<li>znak interpunkcije;<\/li>\n<li>broj;<\/li>\n<li>razmak ili specijalni simbol;<\/li>\n<li>kombinacija karaktera.<\/li>\n<\/ul>\n<p>Razli\u010diti modeli koriste razli\u010dite sisteme tokenizacije. Zato ista re\u010denica ne mora imati isti broj tokena u svakom sistemu.<\/p>\n<p>Ovo je posebno va\u017eno za jezike sa razvijenom morfologijom. Srpski jezik ima pade\u017ee, rod, broj, glagolska vremena i veliki broj mogu\u0107ih oblika iste <a href=\"https:\/\/www.prevodioci.co.rs\/blog\/semantika\/\">lekseme<\/a>.<\/p>\n<p style=\"padding-left: 40px;\"><strong>Re\u010di poput \u201eprevod\u201c, \u201eprevoda\u201c, \u201eprevodima\u201c, \u201eprevo\u0111enje\u201c i \u201eprevodila\u010dki\u201c mogu biti razlo\u017eene na razli\u010dite na\u010dine.<\/strong><\/p>\n<p>Ako je model tokom treninga video manje sadr\u017eaja na odre\u0111enom jeziku ili je tokenizacija manje prilago\u0111ena njegovoj strukturi, taj jezik mo\u017ee zahtevati vi\u0161e tokena za izra\u017eavanje iste koli\u010dine informacija.<\/p>\n<h3>CW \u2013 Context Window<\/h3>\n<p>CW se povremeno koristi kao skra\u0107enica za Context Window, odnosno kontekstualni prozor.<\/p>\n<p>Kontekstualni prozor predstavlja koli\u010dinu sadr\u017eaja koju model mo\u017ee da uzme u obzir tokom jedne obrade. U njega ulaze korisni\u010dki zahtev, prethodne poruke, sistemska uputstva, prilo\u017eeni dokumenti i drugi podaci dostavljeni modelu.<\/p>\n<p>Ve\u0107i kontekstualni prozor omogu\u0107ava rad sa du\u017eim dokumentima, ali ne zna\u010di da \u0107e svaki detalj biti podjednako dobro shva\u0107en. Model mo\u017ee da zanemari informaciju, pogre\u0161no pove\u017ee udaljene delove teksta ili da va\u017enom detalju ne dodeli dovoljno pa\u017enje.<\/p>\n<p>Za prevod du\u017eih dokumenata zato nije dovoljno samo ubaciti ceo dokument u model. Potrebno je kontrolisati terminologiju, ponavljanja, strukturu, reference, naslove, fusnote i doslednost kroz sve delove teksta.<\/p>\n<h2>NLP, NLU i NLG: tri bliska, ali razli\u010dita pojma<\/h2>\n<h3>NLP \u2013 Natural Language Processing<\/h3>\n<p>NLP zna\u010di Natural Language Processing, odnosno obrada prirodnog jezika.<\/p>\n<p>To je \u0161iroka oblast na preseku lingvistike, ra\u010dunarstva i ve\u0161ta\u010dke inteligencije. Bavi se na\u010dinima na koje ra\u010dunari analiziraju, razumeju, obra\u0111uju i generi\u0161u ljudski jezik.<\/p>\n<p>NLP obuhvata veliki broj zadataka:<\/p>\n<ul data-spread=\"false\">\n<li>ma\u0161insko prevo\u0111enje;<\/li>\n<li>klasifikaciju teksta;<\/li>\n<li>analizu sentimenta;<\/li>\n<li>prepoznavanje imena, mesta i organizacija;<\/li>\n<li>izdvajanje klju\u010dnih informacija;<\/li>\n<li>proveru sli\u010dnosti tekstova;<\/li>\n<li>automatsko sa\u017eimanje;<\/li>\n<li>odgovaranje na pitanja;<\/li>\n<li>generisanje sadr\u017eaja;<\/li>\n<li>analizu govora.<\/li>\n<\/ul>\n<p>Pre pojave savremenih velikih jezi\u010dkih modela, mnogi NLP sistemi bili su specijalizovani za samo jedan zadatak. Danas jedan model mo\u017ee da obavlja veliki broj ovih funkcija, iako specijalizovani sistemi u odre\u0111enim oblastima i dalje mogu biti precizniji.<\/p>\n<h3>NLU \u2013 Natural Language Understanding<\/h3>\n<p>NLU zna\u010di Natural Language Understanding, odnosno razumevanje prirodnog jezika.<\/p>\n<p>NLU je deo NLP-a usmeren na tuma\u010denje zna\u010denja, namere i odnosa unutar jezi\u010dkog sadr\u017eaja.<\/p>\n<p>NLU sistem poku\u0161ava da utvrdi:<\/p>\n<ul data-spread=\"false\">\n<li>\u0161ta korisnik \u017eeli;<\/li>\n<li>na koga ili \u0161ta se odnosi zamenica;<\/li>\n<li>da li je re\u010denica pitanje, zahtev ili tvrdnja;<\/li>\n<li>kakav je odnos izme\u0111u pojmova;<\/li>\n<li>da li je iskaz pozitivan, negativan ili neutralan;<\/li>\n<li>da li ista re\u010d u razli\u010ditim re\u010denicama ima razli\u010dito zna\u010denje.<\/li>\n<\/ul>\n<p>Na primer, re\u010d \u201elist\u201c mo\u017ee ozna\u010davati deo biljke, stranicu papira ili deo tela. Ta\u010dno zna\u010denje odre\u0111uje kontekst.<\/p>\n<p>Kada se ka\u017ee da model \u201erazume\u201c jezik, taj izraz treba koristiti oprezno. Sistem mo\u017ee izuzetno uspe\u0161no da prepozna obrasce i semanti\u010dke odnose, ali to ne zna\u010di da poseduje ljudsko iskustvo, svest ili razumevanje sveta na isti na\u010din kao \u010dovek.<\/p>\n<h3>NLG \u2013 Natural Language Generation<\/h3>\n<p>NLG zna\u010di Natural Language Generation, odnosno generisanje prirodnog jezika.<\/p>\n<p>NLG obuhvata procese u kojima ra\u010dunar stvara tekst koji treba da bude gramati\u010dki ispravan, smislen i prilago\u0111en situaciji.<\/p>\n<p>Primeri NLG-a uklju\u010duju:<\/p>\n<ul data-spread=\"false\">\n<li>pisanje odgovora \u010detbota;<\/li>\n<li>automatsko sa\u017eimanje izve\u0161taja;<\/li>\n<li>izradu opisa proizvoda;<\/li>\n<li>pretvaranje podataka iz tabela u tekst;<\/li>\n<li>preformulisanje sadr\u017eaja;<\/li>\n<li>stvaranje nacrta prevoda;<\/li>\n<li>prilago\u0111avanje tona i stila.<\/li>\n<\/ul>\n<p>NLU je, pojednostavljeno, usmeren na pitanje \u201e\u0161ta ovaj tekst zna\u010di?\u201c, dok NLG odgovara na pitanje \u201ekako da sistem izrazi odre\u0111eni sadr\u017eaj jezikom?\u201c.<\/p>\n<h2>MT i NMT: ma\u0161insko prevo\u0111enje pre i posle neuronskih mre\u017ea<\/h2>\n<h3>MT \u2013 Machine Translation<\/h3>\n<p>MT zna\u010di Machine Translation, odnosno ma\u0161insko prevo\u0111enje.<\/p>\n<p>To je op\u0161ti naziv za automatsko prevo\u0111enje teksta ili govora sa jednog jezika na drugi.<\/p>\n<p>Prvi sistemi \u010desto su se oslanjali na re\u010dnike, gramati\u010dka pravila i ru\u010dno definisane odnose. Kasnije su razvijeni statisti\u010dki sistemi koji su birali prevode na osnovu obrazaca prona\u0111enih u paralelnim korpusima.<\/p>\n<p>Savremeno ma\u0161insko prevo\u0111enje uglavnom se oslanja na neuronske mre\u017ee i velike koli\u010dine vi\u0161ejezi\u010dnih podataka.<\/p>\n<h3>NMT \u2013 Neural Machine Translation<\/h3>\n<p>NMT zna\u010di Neural Machine Translation, odnosno neuronsko ma\u0161insko prevo\u0111enje.<\/p>\n<p>NMT koristi neuronske mre\u017ee za prevo\u0111enje \u010ditavih re\u010denica ili ve\u0107ih segmenata, umesto da tekst obra\u0111uje samo kao zbir zasebnih re\u010di i fraza.<\/p>\n<p>To je donelo prirodniji red re\u010di, bolju gramati\u010dku strukturu i ve\u0107u sposobnost povezivanja zna\u010denja sa kontekstom.<\/p>\n<p>Ipak, te\u010dnost prevoda mo\u017ee da prikrije gre\u0161ku. Re\u010denica mo\u017ee zvu\u010dati potpuno prirodno, a da je klju\u010dni termin preveden pogre\u0161no, da je negacija izostavljena ili da je intenzitet tvrdnje promenjen.<\/p>\n<p>Upravo zato profesionalna evaluacija ne sme da se zasniva samo na pitanju: \u201eDa li prevod lepo zvu\u010di?\u201c Potrebno je proveriti vernost izvoru, terminolo\u0161ku doslednost, brojke, imena, pravne formulacije i funkciju teksta.<\/p>\n<h3>QE \u2013 Quality Estimation<\/h3>\n<p>QE zna\u010di Quality Estimation, odnosno procena kvaliteta.<\/p>\n<p>U ma\u0161inskom prevo\u0111enju QE sistemi poku\u0161avaju da procene kvalitet prevoda bez direktnog pore\u0111enja sa unapred pripremljenim idealnim prevodom.<\/p>\n<p>Sistem mo\u017ee da ozna\u010di segmente za koje pretpostavlja da zahtevaju dodatnu proveru. To je korisno kada se obra\u0111uje veliki broj dokumenata, ali QE nije zamena za stru\u010dnu reviziju, naro\u010dito kada su posledice gre\u0161ke zna\u010dajne.<\/p>\n<h3>PEMT \u2013 Post-Editing of Machine Translation<\/h3>\n<p>PEMT ozna\u010dava Post-Editing of Machine Translation, odnosno posteditovanje ma\u0161inskog prevoda.<\/p>\n<p>To je proces u kojem profesionalni prevodilac pregleda i ispravlja automatski generisan prevod.<\/p>\n<p>Razlikuju se:<\/p>\n<ul data-spread=\"false\">\n<li><strong>light post-editing<\/strong>, kada je cilj da tekst bude razumljiv i funkcionalan;<\/li>\n<li><strong>full post-editing<\/strong>, kada rezultat treba da bude na nivou kvalitetnog ljudskog prevoda.<\/li>\n<\/ul>\n<p>Posteditovanje nije obi\u010dno lektorisanje. Prevodilac mora istovremeno da poredi izvor i prevod, prepoznaje tipi\u010dne gre\u0161ke sistema, proverava terminologiju i spre\u010dava da prividno prirodna formulacija promeni originalno zna\u010denje.<\/p>\n<h2>Embeddings, RAG i na\u010din na koji model dolazi do dodatnih informacija<\/h2>\n<h3>Embeddings<\/h3>\n<p>Embeddings, odnosno vektorske reprezentacije, numeri\u010dki predstavljaju zna\u010denje odre\u0111enog sadr\u017eaja.<\/p>\n<p>Re\u010denica, pasus, slika ili dokument pretvaraju se u niz brojeva. Sadr\u017eaji sa sli\u010dnim zna\u010denjem dobijaju bli\u017ee pozicije u vi\u0161edimenzionalnom matemati\u010dkom prostoru.<\/p>\n<p>Zbog toga sistem mo\u017ee da zaklju\u010di da su re\u010denice:<\/p>\n<p>\u201ePotrebno mi je prevo\u0111enje ugovora\u201c<\/p>\n<p>i<\/p>\n<p>\u201eTra\u017eim prevodioca za pravnu dokumentaciju\u201c<\/p>\n<p><strong>semanti\u010dki sli\u010dne, iako ne koriste iste re\u010di<\/strong>.<\/p>\n<p>Embeddings se koriste za semanti\u010dku pretragu, preporuke, grupisanje dokumenata, prepoznavanje sli\u010dnosti i pronala\u017eenje sadr\u017eaja koji treba proslediti jezi\u010dkom modelu. Savremeni embedding modeli mogu da predstavljaju ne samo tekst ve\u0107 i slike, zvuk, <a href=\"https:\/\/www.prevodioci.co.rs\/blog\/prevod-audio-i-video-materijala\/\">video<\/a> i PDF dokumente u zajedni\u010dkom prostoru.<\/p>\n<h3>RAG \u2013 Retrieval-Augmented Generation<\/h3>\n<p>RAG zna\u010di <strong>Retrieval-Augmented Generation<\/strong>, odnosno generisanje potpomognuto pronala\u017eenjem informacija.<\/p>\n<p>Veliki jezi\u010dki model ne mora imati pouzdane ili aktuelne informacije o svakoj temi. RAG sistem zato pre generisanja odgovora pretra\u017euje odre\u0111enu zbirku dokumenata, pronalazi relevantne delove i ubacuje ih u kontekst modela.<\/p>\n<p>Tipi\u010dan proces izgleda ovako:<\/p>\n<ol start=\"1\" data-spread=\"false\">\n<li>korisnik postavlja pitanje;<\/li>\n<li>sistem pretvara pitanje u vektorsku reprezentaciju;<\/li>\n<li>pronalaze se semanti\u010dki sli\u010dni delovi dokumenata;<\/li>\n<li>prona\u0111eni sadr\u017eaj prosle\u0111uje se modelu;<\/li>\n<li>model sastavlja odgovor na osnovu pitanja i dodatog konteksta.<\/li>\n<\/ol>\n<p>Za prevodila\u010dku agenciju RAG mo\u017ee da omogu\u0107i pristup odobrenim terminolo\u0161kim bazama, ranijim prevodima, stilskim priru\u010dnicima, ugovorima, tehni\u010dkoj dokumentaciji ili internim pravilima klijenta.<\/p>\n<p>Ipak, RAG ne garantuje ta\u010dnost. Sistem mo\u017ee prona\u0107i nerelevantan, zastareo ili me\u0111usobno protivre\u010dan dokument. Mo\u017ee i pogre\u0161no protuma\u010diti dobar izvor. Istra\u017eivanja zato nagla\u0161avaju da kvalitet prona\u0111enog konteksta presudno uti\u010de na kvalitet kona\u010dnog odgovora.<\/p>\n<h3>GraphRAG<\/h3>\n<p>GraphRAG je naziv za pristupe koji kombinuju RAG sa grafovima znanja i odnosima izme\u0111u entiteta.<\/p>\n<p>Klasi\u010dna semanti\u010dka pretraga mo\u017ee prona\u0107i pasuse koji li\u010de na korisni\u010dko pitanje. Me\u0111utim, nekada je va\u017eno pratiti slo\u017eenu mre\u017eu odnosa: ko je vlasnik kompanije, koji propis menja prethodni propis, koja komponenta pripada odre\u0111enom ure\u0111aju ili koji termin je dozvoljen za odre\u0111eno tr\u017ei\u0161te.<\/p>\n<p><strong>GraphRAG poku\u0161ava da o\u010duva upravo takve veze<\/strong>, umesto da dokument posmatra samo kao kolekciju izdvojenih tekstualnih fragmenata.<\/p>\n<h3>KG \u2013 Knowledge Graph<\/h3>\n<p>KG zna\u010di Knowledge Graph, odnosno graf znanja.<\/p>\n<p>Graf znanja organizuje podatke kroz entitete i njihove odnose. Umesto obi\u010dnog spiska informacija, dobija se struktura poput:<\/p>\n<ul data-spread=\"false\">\n<li>kompanija proizvodi odre\u0111eni proizvod;<\/li>\n<li>proizvod pripada odre\u0111enoj kategoriji;<\/li>\n<li>dokument je vezan za odre\u0111eni propis;<\/li>\n<li>stru\u010dni termin ima odobren prevod;<\/li>\n<li>prevod va\u017ei samo za odre\u0111eno tr\u017ei\u0161te.<\/li>\n<\/ul>\n<p>Za vi\u0161ejezi\u010dne sisteme graf znanja mo\u017ee pomo\u0107i da isti pojam ostane pravilno povezan kroz razli\u010dite jezike i dokumente.<\/p>\n<h2>SLM, VLM i MLLM: modeli vi\u0161e nisu samo veliki i tekstualni<\/h2>\n<h3>SLM \u2013 Small Language Model<\/h3>\n<p>SLM zna\u010di Small Language Model, odnosno <strong>mali jezi\u010dki model<\/strong>.<\/p>\n<p>SLM ima manje parametara i obi\u010dno zahteva manje ra\u010dunarskih resursa od velikog modela. Mo\u017ee se izvr\u0161avati lokalno, na slabijem hardveru ili u kontrolisanom poslovnom okru\u017eenju.<\/p>\n<p>Mali modeli mogu biti veoma korisni za jasno ograni\u010dene zadatke:<\/p>\n<ul data-spread=\"false\">\n<li>klasifikaciju dokumenata;<\/li>\n<li>prepoznavanje jezika;<\/li>\n<li>izdvajanje podataka;<\/li>\n<li>rad sa internom terminologijom;<\/li>\n<li>proveru odre\u0111enih obrazaca;<\/li>\n<li>lokalnu obradu osetljivih sadr\u017eaja.<\/li>\n<\/ul>\n<p>Izbor izme\u0111u SLM-a i LLM-a ne svodi se na pitanje koji je \u201epametniji\u201c. Va\u017eni su namena, tro\u0161kovi, brzina, privatnost, slo\u017eenost zadatka i potreban nivo kontrole.<\/p>\n<h3>VLM \u2013 Vision-Language Model<\/h3>\n<p>VLM zna\u010di Vision-Language Model, odnosno <strong>vizuelno-jezi\u010dki model<\/strong>.<\/p>\n<p>VLM povezuje obradu slike i jezika. Mo\u017ee da analizira fotografiju, dokument, grafikon, dijagram ili snimak ekrana i da o tome odgovara tekstom.<\/p>\n<p>Za prevodila\u010dku praksu to zna\u010di da model mo\u017ee da poku\u0161a da:<\/p>\n<ul data-spread=\"false\">\n<li>pro\u010dita tekst sa fotografije;<\/li>\n<li>razume raspored elemenata u dokumentu;<\/li>\n<li>opi\u0161e grafikon;<\/li>\n<li>pove\u017ee natpis sa slikom;<\/li>\n<li>prepozna gde se tekst nalazi u korisni\u010dkom interfejsu;<\/li>\n<li>prevede sadr\u017eaj koji nije dostavljen kao obi\u010dan tekst.<\/li>\n<\/ul>\n<p>Ipak, vizuelni model mo\u017ee pogre\u0161no pro\u010ditati sitna slova, pome\u0161ati kolone, zanemariti fusnotu ili pogre\u0161no protuma\u010diti grafi\u010dki odnos elemenata.<\/p>\n<h3>MLLM \u2013 Multimodal Large Language Model<\/h3>\n<p>MLLM zna\u010di Multimodal Large Language Model, odnosno <strong>multimodalni veliki jezi\u010dki model<\/strong>.<\/p>\n<p>Takav model radi sa vi\u0161e vrsta sadr\u017eaja, odnosno modaliteta:<\/p>\n<ul data-spread=\"false\">\n<li>tekstom;<\/li>\n<li>slikama;<\/li>\n<li>zvukom;<\/li>\n<li>videom;<\/li>\n<li>dokumentima;<\/li>\n<li>tabelama;<\/li>\n<li>ponekad i podacima iz drugih sistema.<\/li>\n<\/ul>\n<p>Multimodalnost je va\u017ena zato \u0161to ljudska komunikacija nikada nije bila samo tekstualna. Zna\u010denje se \u010desto nalazi u kombinaciji re\u010di, glasa, izgleda dokumenta, ilustracije, gestova i konteksta.<\/p>\n<h2>ASR, STT, TTS i OCR: kada AI slu\u0161a, govori i \u010dita slike<\/h2>\n<h3>ASR \u2013 Automatic Speech Recognition<\/h3>\n<p>ASR zna\u010di Automatic Speech Recognition, odnosno <strong>automatsko prepoznavanje govora<\/strong>.<\/p>\n<p>ASR pretvara izgovoreni govor u tekst. Koristi se za transkripciju sastanaka, intervjua, predavanja, telefonskih razgovora, video-sadr\u017eaja i titlova.<\/p>\n<p>Sistem mora da se izbori sa razli\u010ditim akcentima, brzinom govora, \u0161umom, preklapanjem govornika, stru\u010dnom terminologijom i nejasnim izgovorom. <a href=\"https:\/\/whisperai.com\/\">Whisper<\/a> je, na primer, predstavljen kao <strong>vi\u0161ejezi\u010dni ASR sistem<\/strong> obu\u010den na velikoj koli\u010dini raznovrsnih audio-podataka, sa mogu\u0107no\u0161\u0107u transkripcije i prevo\u0111enja govora.<\/p>\n<h3>STT \u2013 Speech-to-Text<\/h3>\n<p>STT zna\u010di Speech-to-Text, odnosno pretvaranje govora u tekst.<\/p>\n<p>STT se u praksi \u010desto koristi gotovo kao sinonim za ASR. Razlika je uglavnom u perspektivi: ASR ozna\u010dava oblast i tehnologiju prepoznavanja govora, dok STT opisuje konkretnu funkciju pretvaranja audio-signala u pisani tekst.<\/p>\n<h3>TTS \u2013 Text-to-Speech<\/h3>\n<p>TTS zna\u010di Text-to-Speech, odnosno pretvaranje teksta u govor.<\/p>\n<p>TTS sistem iz pisanog sadr\u017eaja generi\u0161e zvu\u010dni govor. Savremeni sistemi mogu menjati glas, tempo, intonaciju, emocionalni ton i <a href=\"https:\/\/www.prevodioci.co.rs\/blog\/kako-popraviti-izgovor-na-stranom-jeziku\/\">izgovor<\/a>.<\/p>\n<p>Za vi\u0161ejezi\u010dne projekte posebno je va\u017eno proveriti:<\/p>\n<ul data-spread=\"false\">\n<li>pravilan izgovor imena;<\/li>\n<li>naglasak;<\/li>\n<li>\u010ditanje skra\u0107enica;<\/li>\n<li>prirodnost pauza;<\/li>\n<li>izgovor brojeva i datuma;<\/li>\n<li>prilago\u0111enost lokalnom jezi\u010dkom standardu.<\/li>\n<\/ul>\n<h3>OCR \u2013 Optical Character Recognition<\/h3>\n<p>OCR zna\u010di Optical Character Recognition, odnosno <strong>opti\u010dko prepoznavanje znakova<\/strong>.<\/p>\n<p>OCR pretvara tekst sa skeniranih stranica, fotografija i slika u ma\u0161inski \u010ditljiv sadr\u017eaj.<\/p>\n<p>OCR je \u010desto prvi korak u obradi starih ugovora, knjiga, ra\u010duna, potvrda i arhivskih dokumenata. Me\u0111utim, gre\u0161ke u prepoznavanju mogu kasnije postati gre\u0161ke u prevodu.<\/p>\n<p>Broj \u201e1\u201c mo\u017ee biti pro\u010ditan kao slovo \u201eI\u201c, slovo \u201eO\u201c kao nula, a dijakriti\u010dki znaci mogu nestati. Zbog toga OCR rezultat mora biti pregledan pre nego \u0161to se prepusti daljoj automatskoj obradi.<\/p>\n<h3>HTR \u2013 Handwritten Text Recognition<\/h3>\n<p>HTR zna\u010di Handwritten Text Recognition, odnosno <strong>prepoznavanje rukopisa<\/strong>.<\/p>\n<p>Za razliku od OCR-a, koji je prvenstveno usmeren na \u0161tampani tekst, HTR poku\u0161ava da prepozna rukom napisani sadr\u017eaj. To je posebno zahtevno zbog individualnih rukopisa, povezanih slova, prepravki i o\u0161te\u0107enih istorijskih dokumenata.<\/p>\n<h2>ML, DL, NN i druge osnove ma\u0161inskog u\u010denja<\/h2>\n<h3>AI \u2013 Artificial Intelligence<\/h3>\n<p>AI zna\u010di Artificial Intelligence, odnosno <strong>ve\u0161ta\u010dka inteligencija<\/strong>.<\/p>\n<p>To je naj\u0161iri pojam u ovom re\u010dniku. Obuhvata sisteme koji obavljaju zadatke povezane sa u\u010denjem, zaklju\u010divanjem, prepoznavanjem obrazaca, jezikom, percepcijom, planiranjem i dono\u0161enjem odluka.<\/p>\n<p>Nije svaki AI sistem generativan, nije svaki zasnovan na velikom jezi\u010dkom modelu i nije svaki napravljen pomo\u0107u dubokog u\u010denja.<\/p>\n<h3>ML \u2013 Machine Learning<\/h3>\n<p>ML zna\u010di Machine Learning, odnosno ma\u0161insko u\u010denje.<\/p>\n<p>Kod klasi\u010dnog programiranja \u010dovek pi\u0161e pravila koja sistem treba da prati. Kod ma\u0161inskog u\u010denja sistem pronalazi obrasce u podacima i na osnovu njih u\u010di da pravi procene ili klasifikacije.<\/p>\n<p>ML se koristi za filtriranje ne\u017eeljene po\u0161te, prepoznavanje govora, preporuke, procenu rizika, analizu teksta i brojne druge zadatke.<\/p>\n<h3>DL \u2013 Deep Learning<\/h3>\n<p>DL zna\u010di Deep Learning, odnosno <strong>duboko u\u010denje<\/strong>.<\/p>\n<p>To je podoblast ma\u0161inskog u\u010denja zasnovana na neuronskim mre\u017eama sa velikim brojem slojeva. Duboko u\u010denje omogu\u0107ilo je zna\u010dajan napredak u obradi jezika, slike, zvuka i videa.<\/p>\n<p>Odnos izme\u0111u ovih pojmova mo\u017ee se predstaviti ovako:<\/p>\n<p>AI je naj\u0161ira oblast, ML je njen deo, a DL je deo ma\u0161inskog u\u010denja.<\/p>\n<h3>NN i ANN \u2013 Neural Network i Artificial Neural Network<\/h3>\n<p>NN zna\u010di Neural Network, a ANN Artificial Neural Network.<\/p>\n<p>Oba izraza ozna\u010davaju neuronsku mre\u017eu, matemati\u010dki sistem sastavljen od povezanih jedinica koje obra\u0111uju podatke i prilago\u0111avaju svoje parametre tokom u\u010denja.<\/p>\n<p>Naziv je <a href=\"https:\/\/www.prevodioci.co.rs\/blog\/vrste-meditacije\/\">inspirisan biolo\u0161kim neuronima<\/a>, ali ve\u0161ta\u010dke neuronske mre\u017ee nisu digitalne kopije ljudskog mozga. Sli\u010dnost je pre svega metafori\u010dka i organizaciona.<\/p>\n<h3>RNN \u2013 Recurrent Neural Network<\/h3>\n<p>RNN zna\u010di Recurrent Neural Network, odnosno rekurentna neuronska mre\u017ea.<\/p>\n<p>RNN je dizajnirana za obradu sekvencijalnih podataka, kao \u0161to su tekst, govor ili vremenske serije. Informacije iz prethodnih koraka uti\u010du na obradu narednih.<\/p>\n<p>Pre dominacije Transformera, RNN i njene varijante imale su va\u017enu ulogu u ma\u0161inskom prevo\u0111enju i obradi govora.<\/p>\n<h3>CNN \u2013 Convolutional Neural Network<\/h3>\n<p>CNN zna\u010di Convolutional Neural Network, odnosno konvolutivna neuronska mre\u017ea.<\/p>\n<p>CNN je posebno zna\u010dajna u ra\u010dunarskom vidu. Koristi se za prepoznavanje objekata, lica, oblika, rukopisa i razli\u010ditih vizuelnih obrazaca.<\/p>\n<p>Iako su transformeri danas veoma prisutni i u obradi slika, CNN ostaje va\u017ean deo istorije i savremene prakse ma\u0161inskog u\u010denja.<\/p>\n<h2>GenAI, GAN i difuzioni modeli<\/h2>\n<h3>GenAI \u2013 Generative Artificial Intelligence<\/h3>\n<p>GenAI zna\u010di Generative Artificial Intelligence, odnosno generativna ve\u0161ta\u010dka inteligencija.<\/p>\n<p>Generativna AI stvara novi sadr\u017eaj:<\/p>\n<ul data-spread=\"false\">\n<li>tekst;<\/li>\n<li>sliku;<\/li>\n<li>govor;<\/li>\n<li>muziku;<\/li>\n<li>video;<\/li>\n<li>programski kod;<\/li>\n<li>trodimenzionalne objekte;<\/li>\n<li>sinteti\u010dke podatke.<\/li>\n<\/ul>\n<p>\u201eNovi\u201c sadr\u017eaj ne zna\u010di da je sistem kreativan na isti na\u010din kao \u010dovek. Model stvara rezultate na osnovu obrazaca nau\u010denih iz podataka, korisni\u010dkog zahteva i matemati\u010dkog procesa generisanja.<\/p>\n<h3>GAN \u2013 Generative Adversarial Network<\/h3>\n<p>GAN zna\u010di Generative Adversarial Network, odnosno generativna suparni\u010dka mre\u017ea.<\/p>\n<p>GAN se sastoji od dva sistema:<\/p>\n<ul data-spread=\"false\">\n<li>generatora, koji poku\u0161ava da napravi uverljiv sadr\u017eaj;<\/li>\n<li>diskriminatora, koji poku\u0161ava da razlikuje generisani sadr\u017eaj od stvarnog.<\/li>\n<\/ul>\n<p>Tokom treninga oni se me\u0111usobno nadme\u0107u, pa generator postepeno postaje bolji.<\/p>\n<p>GAN modeli imali su veliku ulogu u razvoju generisanja slika, sinteti\u010dkih lica i vizuelnih transformacija.<\/p>\n<h3>DDPM \u2013 Denoising Diffusion Probabilistic Model<\/h3>\n<p>DDPM zna\u010di Denoising Diffusion Probabilistic Model.<\/p>\n<p>Difuzioni modeli u\u010de da stvaraju sadr\u017eaj tako \u0161to postepeno uklanjaju \u0161um iz po\u010detnog nasumi\u010dnog signala. Proces mo\u017eemo zamisliti kao sliku koja se korak po korak pojavljuje iz vizuelnog \u0161uma.<\/p>\n<p>Ovi modeli postali su veoma va\u017eni u generisanju i ure\u0111ivanju slika, a postoje i primene u zvuku, videu i drugim oblastima.<\/p>\n<h3>T2I, I2I i T2V<\/h3>\n<p>Ovi akronimi opisuju smer generisanja:<\/p>\n<ul data-spread=\"false\">\n<li>T2I \u2013 Text-to-Image: tekst u sliku;<\/li>\n<li>I2I \u2013 Image-to-Image: slika u izmenjenu sliku;<\/li>\n<li>T2V \u2013 Text-to-Video: tekst u video;<\/li>\n<li>I2T \u2013 Image-to-Text: slika u tekst;<\/li>\n<li>A2T \u2013 Audio-to-Text: zvuk u tekst;<\/li>\n<li>T2A \u2013 Text-to-Audio: tekst u zvuk.<\/li>\n<\/ul>\n<p>Ovakve skra\u0107enice korisne su jer brzo opisuju koji modalitet sistem prima, a koji proizvodi.<\/p>\n<h2>SFT, RLHF, DPO, PEFT i LoRA: kako se modeli dodatno prilago\u0111avaju?<\/h2>\n<h3>SFT \u2013 Supervised Fine-Tuning<\/h3>\n<p>SFT zna\u010di Supervised Fine-Tuning, odnosno nadgledano dodatno obu\u010davanje.<\/p>\n<p>Nakon osnovnog treninga, model se dodatno trenira na primerima po\u017eeljnog pona\u0161anja. Dobija parove u kojima se vidi kako bi trebalo odgovoriti na odre\u0111eni zahtev.<\/p>\n<p>SFT mo\u017ee da pomogne modelu da prati instrukcije, koristi odre\u0111eni format, govori odre\u0111enim stilom ili bolje obavlja specifi\u010dnu vrstu zadatka.<\/p>\n<h3>RLHF \u2013 Reinforcement Learning from Human Feedback<\/h3>\n<p>RLHF zna\u010di Reinforcement Learning from Human Feedback, odnosno u\u010denje potkrepljivanjem na osnovu ljudskih povratnih informacija.<\/p>\n<p>Ljudi upore\u0111uju razli\u010dite odgovore modela i ozna\u010davaju koje smatraju boljim. Na osnovu tih procena formira se signal koji se koristi za dalje prilago\u0111avanje pona\u0161anja sistema.<\/p>\n<p>Cilj nije samo da tekst bude jezi\u010dki verovatan ve\u0107 da odgovor bude korisniji, relevantniji i vi\u0161e uskla\u0111en sa ljudskim o\u010dekivanjima. RLHF je imao zna\u010dajnu ulogu u razvoju modela koji bolje prate korisni\u010dke instrukcije.<\/p>\n<h3>DPO \u2013 Direct Preference Optimization<\/h3>\n<p>DPO zna\u010di Direct Preference Optimization, odnosno direktna optimizacija preferencija.<\/p>\n<p>DPO je metod kojim se model prilago\u0111ava na osnovu pore\u0111enja po\u017eeljnih i nepo\u017eeljnih odgovora, ali bez svih slo\u017eenih koraka klasi\u010dnog RLHF postupka. Razvijen je kao jednostavniji i ra\u010dunarski lak\u0161i na\u010din uskla\u0111ivanja modela sa ljudskim preferencijama.<\/p>\n<h3>PEFT \u2013 Parameter-Efficient Fine-Tuning<\/h3>\n<p>PEFT zna\u010di Parameter-Efficient Fine-Tuning, odnosno parametarski efikasno dodatno obu\u010davanje.<\/p>\n<p>Umesto da se menjaju svi parametri velikog modela, PEFT metode prilago\u0111avaju samo mali deo parametara ili dodaju manje komponente koje se posebno treniraju.<\/p>\n<p>Na taj na\u010din smanjuju se tro\u0161kovi, potrebna memorija i vreme obuke, dok se osnovni model zadr\u017eava.<\/p>\n<h3>LoRA \u2013 Low-Rank Adaptation<\/h3>\n<p>LoRA zna\u010di Low-Rank Adaptation.<\/p>\n<p>To je jedna od najpoznatijih PEFT metoda. Umesto menjanja \u010ditavih velikih matrica modela, LoRA uvodi manje matrice koje se treniraju za odre\u0111eni zadatak ili stil.<\/p>\n<p>LoRA se koristi za prilago\u0111avanje jezi\u010dkih i vizuelnih modela odre\u0111enom domenu, na\u010dinu izra\u017eavanja, vrsti sadr\u017eaja ili specifi\u010dnoj nameni, uz znatno manje resursa nego kod potpunog dodatnog obu\u010davanja.<\/p>\n<h3>MoE \u2013 Mixture of Experts<\/h3>\n<p>MoE zna\u010di Mixture of Experts, odnosno me\u0161avina eksperata.<\/p>\n<p>Kod ove arhitekture model sadr\u017ei vi\u0161e specijalizovanih delova, ali se za svaki ulaz aktivira samo odre\u0111eni broj njih. Poseban mehanizam odlu\u010duje koji \u201eeksperti\u201c treba da obrade odre\u0111eni token ili zadatak.<\/p>\n<p>Prednost je mogu\u0107nost izgradnje modela sa veoma velikim ukupnim kapacitetom, bez potrebe da se za svaki zahtev aktiviraju svi njegovi parametri.<\/p>\n<p>Naziv \u201eekspert\u201c ne treba shvatiti kao stru\u010dnjaka u ljudskom smislu. To je tehni\u010dki naziv za odre\u0111eni deo mre\u017ee koji je tokom treninga postao specijalizovan za pojedine obrasce.<\/p>\n<h2>AI agenti, MCP i sistemi koji ne proizvode samo tekst<\/h2>\n<h3>AI agent<\/h3>\n<p>AI agent je sistem koji ne odgovara samo tekstom ve\u0107 mo\u017ee da planira korake, koristi alate, pristupa spoljnim izvorima i izvr\u0161ava radnje.<\/p>\n<p>Na primer, agent mo\u017ee da:<\/p>\n<ol start=\"1\" data-spread=\"false\">\n<li>primi dokument;<\/li>\n<li>utvrdi jezik i vrstu sadr\u017eaja;<\/li>\n<li>izdvoji terminologiju;<\/li>\n<li>prona\u0111e relevantnu bazu;<\/li>\n<li>pripremi nacrt prevoda;<\/li>\n<li>ozna\u010di nejasne segmente;<\/li>\n<li>prosledi rezultat ljudskom prevodiocu;<\/li>\n<li>sa\u010duva potvr\u0111enu verziju u odgovaraju\u0107i sistem.<\/li>\n<\/ol>\n<p>Granica izme\u0111u obi\u010dnog automatizovanog procesa i AI agenta nije uvek jasna. Bitna razlika je u tome \u0161to agent u odre\u0111enoj meri sam bira kako \u0107e do\u0107i do cilja, umesto da samo prati potpuno fiksiran niz koraka.<\/p>\n<h3>MCP \u2013 Model Context Protocol<\/h3>\n<p>MCP zna\u010di Model Context Protocol.<\/p>\n<p>To je otvoreni standard koji omogu\u0107ava povezivanje AI aplikacija sa spoljnim podacima, poslovnim alatima i razli\u010ditim sistemima. Umesto da se za svaki model i svaki izvor pravi potpuno posebno povezivanje, MCP defini\u0161e zajedni\u010dki na\u010din komunikacije.<\/p>\n<p>Pojednostavljeno, MCP mo\u017ee pomo\u0107i modelu da pristupi:<\/p>\n<ul data-spread=\"false\">\n<li>bazi dokumenata;<\/li>\n<li>terminolo\u0161kom sistemu;<\/li>\n<li>kalendaru;<\/li>\n<li>poslovnoj aplikaciji;<\/li>\n<li>sistemu za upravljanje projektima;<\/li>\n<li>internim podacima;<\/li>\n<li>specijalizovanim alatima.<\/li>\n<\/ul>\n<p>Va\u017eno je da povezivanje modela sa alatima pove\u0107ava i njegove mogu\u0107nosti i rizike. Sistem koji samo predla\u017ee tekst ima manji operativni uticaj od sistema koji mo\u017ee da po\u0161alje dokument, promeni zapis ili pokrene poslovni proces.<\/p>\n<h3>MAS \u2013 Multi-Agent System<\/h3>\n<p>MAS zna\u010di Multi-Agent System, odnosno <strong>vi\u0161eagentski sistem<\/strong>.<\/p>\n<p>U njemu vi\u0161e agenata sara\u0111uje na zadatku. Jedan mo\u017ee da analizira dokument, drugi da proverava terminologiju, tre\u0107i da ocenjuje kvalitet, a \u010detvrti da upravlja tokom rada.<\/p>\n<p>Ovakav sistem ne mora uvek biti bolji od jednog dobro pode\u0161enog modela. Vi\u0161e agenata zna\u010di i vi\u0161e mogu\u0107nosti za pogre\u0161nu komunikaciju, dupliranje posla i preno\u0161enje gre\u0161ke iz jednog koraka u drugi.<\/p>\n<h2>ANI, AGI i ASI: tri nivoa sposobnosti o kojima se mnogo govori<\/h2>\n<h3>ANI \u2013 Artificial Narrow Intelligence<\/h3>\n<p>ANI zna\u010di Artificial Narrow Intelligence, odnosno uska ili specijalizovana ve\u0161ta\u010dka inteligencija.<\/p>\n<p>ANI je napravljena za ograni\u010denu grupu zadataka. To mo\u017ee biti sistem za prepoznavanje govora, preporuku sadr\u017eaja, klasifikaciju dokumenata ili detekciju objekata.<\/p>\n<p>Ve\u0107ina sistema koje danas prakti\u010dno koristimo mo\u017ee se svrstati u ovu \u0161iroku kategoriju, \u010dak i kada deluju veoma fleksibilno.<\/p>\n<h3>AGI \u2013 Artificial General Intelligence<\/h3>\n<p>AGI zna\u010di Artificial General Intelligence, odnosno op\u0161ta ve\u0161ta\u010dka inteligencija.<\/p>\n<p>Ne postoji jedna op\u0161teprihva\u0107ena i precizna definicija AGI-ja. Naj\u010de\u0161\u0107e se pod tim podrazumeva sistem sposoban da uspe\u0161no obavlja veliki broj intelektualnih zadataka, prilago\u0111ava se novim situacijama i prenosi znanje iz jedne oblasti u drugu na nivou uporedivom sa ljudskim sposobnostima.<\/p>\n<p>Problem je \u0161to se kriterijumi razlikuju. Da li je potrebna samostalnost, sposobnost u\u010denja u realnom vremenu, razumevanje fizi\u010dkog sveta, dugoro\u010dno planiranje ili uspe\u0161nost na ve\u0107ini ekonomskih zadataka? Od odgovora zavisi i procena da li je AGI blizu, daleko ili uop\u0161te dobro definisan cilj.<\/p>\n<h3>ASI \u2013 Artificial Superintelligence<\/h3>\n<p>ASI zna\u010di Artificial Superintelligence, odnosno ve\u0161ta\u010dka superinteligencija.<\/p>\n<p>To je hipoteti\u010dki sistem koji bi u velikom broju kognitivnih oblasti zna\u010dajno nadma\u0161ivao najbolje ljudske sposobnosti.<\/p>\n<p>ASI za sada pripada teorijskim raspravama, procenama budu\u0107nosti i pitanjima bezbednosti. Ne treba ga me\u0161ati sa dana\u0161njim jezi\u010dkim modelima, bez obzira na to koliko njihovi pojedini odgovori mogu delovati impresivno.<\/p>\n<h2>XAI, RAI i HITL: za\u0161to je va\u017ena kontrola AI sistema?<\/h2>\n<h3>XAI \u2013 Explainable Artificial Intelligence<\/h3>\n<p>XAI zna\u010di Explainable Artificial Intelligence, odnosno <strong>obja\u0161njiva ve\u0161ta\u010dka inteligencija<\/strong>.<\/p>\n<p>Cilj XAI pristupa jeste da ljudima u\u010dini razumljivijim kako je sistem do\u0161ao do odluke ili procene.<\/p>\n<p>Kod slo\u017eenih modela to nije jednostavno. Jezi\u010dki model mo\u017ee da proizvede obja\u0161njenje svog odgovora, ali to obja\u0161njenje nije nu\u017eno veran zapis stvarnog unutra\u0161njeg procesa.<\/p>\n<p>U oblastima kao \u0161to su medicina, pravo, finansije i javna uprava nije dovoljno da sistem samo pru\u017ei odgovor. Potrebno je znati na kojim podacima je odgovor zasnovan, koje su njegove granice i ko snosi odgovornost.<\/p>\n<h3>RAI \u2013 Responsible Artificial Intelligence<\/h3>\n<p>RAI zna\u010di Responsible Artificial Intelligence, odnosno odgovorna ve\u0161ta\u010dka inteligencija.<\/p>\n<p>Ovaj pojam obuhvata razvoj i primenu AI sistema uz razmatranje:<\/p>\n<ul data-spread=\"false\">\n<li>pravi\u010dnosti;<\/li>\n<li>privatnosti;<\/li>\n<li>bezbednosti;<\/li>\n<li>transparentnosti;<\/li>\n<li>odgovornosti;<\/li>\n<li>pouzdanosti;<\/li>\n<li>ljudskog nadzora;<\/li>\n<li>mogu\u0107ih dru\u0161tvenih posledica.<\/li>\n<\/ul>\n<p>Za prevodila\u010dke agencije RAI uklju\u010duje i pitanje da li osetljivi dokumenti smeju biti poslati odre\u0111enom sistemu, gde se podaci obra\u0111uju, da li se \u010duvaju i da li se koriste za dalju obuku.<\/p>\n<h3>HITL \u2013 Human in the Loop<\/h3>\n<p>HITL zna\u010di Human in the Loop, odnosno \u010dovek uklju\u010den u proces.<\/p>\n<p>To je pristup u kojem \u010dovek proverava, odobrava, koriguje ili usmerava rad AI sistema.<\/p>\n<p>U prevodila\u0161tvu HITL mo\u017ee zna\u010diti da model priprema nacrt, pronalazi termine ili ozna\u010dava problemati\u010dne segmente, dok profesionalni prevodilac donosi kona\u010dne odluke.<\/p>\n<p>HITL ne zna\u010di samo da se \u010dovek formalno pojavljuje na kraju procesa. Da bi nadzor imao smisla, osoba mora imati dovoljno vremena, stru\u010dnosti, pristupa izvoru i mogu\u0107nosti da zaista promeni rezultat.<\/p>\n<h2>BLEU, COMET, WER i CER: kako se ocenjuje rezultat?<\/h2>\n<h3>BLEU \u2013 Bilingual Evaluation Understudy<\/h3>\n<p>BLEU je jedna od poznatijih metrika za automatsku procenu ma\u0161inskog prevoda.<\/p>\n<p>Ona poredi generisani prevod sa jednim ili vi\u0161e referentnih prevoda, pre svega kroz podudaranje nizova re\u010di.<\/p>\n<p>Prednost BLEU metrike jeste mogu\u0107nost brzog pore\u0111enja velikog broja rezultata. Slabost je to \u0161to dobar prevod ne mora koristiti iste re\u010di kao referentni prevod, dok tekst sa sli\u010dnim re\u010dima ne mora uvek imati isto zna\u010denje.<\/p>\n<h3>COMET \u2013 Crosslingual Optimized Metric for Evaluation of Translation<\/h3>\n<p>COMET je neuronska metrika za procenu prevoda koja poku\u0161ava da uzme u obzir semantiku izvornika, prevoda i, kada je dostupan, referentnog prevoda.<\/p>\n<p>Takve metrike \u010desto bolje prepoznaju zna\u010denjsku sli\u010dnost od jednostavnog brojanja podudarnih re\u010di. Ipak, nijedna automatska metrika ne mo\u017ee potpuno zameniti stru\u010dnu procenu prevoda u konkretnom kontekstu.<\/p>\n<h3>WER \u2013 Word Error Rate<\/h3>\n<p>WER zna\u010di Word Error Rate, odnosno <strong>stopa gre\u0161aka na nivou re\u010di<\/strong>.<\/p>\n<p>Naj\u010de\u0161\u0107e se koristi za procenu sistema za prepoznavanje govora. Ra\u010duna koliko je re\u010di zamenjeno, izostavljeno ili dodato u odnosu na ta\u010dnu transkripciju.<\/p>\n<h3>CER \u2013 Character Error Rate<\/h3>\n<p>CER zna\u010di Character Error Rate, odnosno stopa gre\u0161aka na nivou znakova.<\/p>\n<p>Koristi se kod prepoznavanja govora, OCR-a i HTR-a. Posebno mo\u017ee biti korisna kod jezika ili dokumenata kod kojih gre\u0161ka u jednom slovu menja ime, broj, oznaku ili stru\u010dni termin.<\/p>\n<h2>Akronimi treba da olak\u0161aju razumevanje, a ne da ga zamene<\/h2>\n<p>Akronimi su neizbe\u017ean deo svake oblasti koja se brzo razvija. Oni stru\u010dnjacima omogu\u0107avaju da slo\u017eene pojmove ozna\u010de sa nekoliko slova, ali istovremeno lako postaju prepreka ljudima koji tek ulaze u oblast.<\/p>\n<p>Najva\u017enije je razumeti odnose izme\u0111u pojmova.<\/p>\n<p>AI je \u0161iroko polje. ML je jedan od na\u010dina <strong>razvoja AI sistema<\/strong>. DL je deo ma\u0161inskog u\u010denja. NLP se bavi obradom jezika. LM je model jezika, dok je LLM njegova velika i fleksibilna savremena varijanta. Transformer je arhitektura na kojoj su zasnovani brojni poznati modeli. RAG omogu\u0107ava modelu da pre odgovora prona\u0111e dodatni sadr\u017eaj. VLM povezuje sliku i jezik. ASR pretvara govor u tekst. TTS pretvara tekst u govor. MCP povezuje modele sa podacima i alatima.<\/p>\n<p>Za ljude koji se profesionalno bave prevo\u0111enjem, najva\u017enije pitanje ipak nije koliko akronima poznaju, <strong>ve\u0107 koliko dobro razumeju mogu\u0107nosti i ograni\u010denja sistema koji se iza njih kriju<\/strong>.<\/p>\n<p>Ve\u0161ta\u010dka inteligencija mo\u017ee ubrzati rad, pomo\u0107i pri obradi velikih koli\u010dina sadr\u017eaja, prona\u0107i terminolo\u0161ke obrasce i ponuditi koristan nacrt. Ali jezik nije samo statisti\u010dki niz re\u010di. U njemu se nalaze pravo, identitet, kultura, emocija, odgovornost i namera.<\/p>\n<p>Zbog toga \u0107e u AI dobu biti sve va\u017eniji stru\u010dnjaci koji razumeju i jezik i tehnologiju. Ne zato da bi se takmi\u010dili sa modelima u brzini generisanja, ve\u0107 da bi znali kada je rezultat dobar, kada samo zvu\u010di dobro i kada jedna naizgled mala jezi\u010dka razlika potpuno menja zna\u010denje.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Ve\u0161ta\u010dka inteligencija nije donela samo nove alate, ve\u0107 i gotovo sasvim novi jezik. AI, ML, LLM, NLP, RAG, GPT, BERT, ASR, TTS, AGI, VLM i MCP samo su neki od akronima koji se sve \u010de\u0161\u0107e pojavljuju u poslovnim razgovorima, medijima, nau\u010dnim radovima i svakodnevnoj komunikaciji. Za prevodioce, lingviste, urednike i sve koji profesionalno rade sa [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":2169,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2}},"categories":[45],"tags":[],"class_list":["post-2168","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-internet-marketing"],"aioseo_notices":[],"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/www.prevodioci.co.rs\/blog\/wp-content\/uploads\/2026\/07\/AI-terminologija.png","jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/p7Xlcj-yY","post_mailing_queue_ids":[],"_links":{"self":[{"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/posts\/2168","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/comments?post=2168"}],"version-history":[{"count":3,"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/posts\/2168\/revisions"}],"predecessor-version":[{"id":2172,"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/posts\/2168\/revisions\/2172"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/media\/2169"}],"wp:attachment":[{"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/media?parent=2168"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/categories?post=2168"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.prevodioci.co.rs\/blog\/wp-json\/wp\/v2\/tags?post=2168"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}