Navigacija

26D111SIVI - Softversko inženjerstvo za sisteme sa veštačkom inteligencijom

Specifikacija predmeta
Naziv Softversko inženjerstvo za sisteme sa veštačkom inteligencijom
Akronim 26D111SIVI
Studijski program Elektrotehnika i računarstvo
Modul modul Softversko inženjerstvo
Tip studija doktorske akademske studije
Nastavnik (predavač)
Nastavnik/saradnik (vežbe)
    Nastavnik/saradnik (DON)
      Broj ESPB 9.0 Status predmeta izborni
      Uslovljnost drugim predmetima
      Ciljevi izučavanja predmeta Cilj predmeta je da studentima pruži znanje i veštine neophodne za prelazak od razvoja modela mašinskog učenja ka izgradnji, implementaciji, održavanju i upravljanju produkcionim AI sistemima.Osposobljavanje studenata da razumeju i primene inženjerske, arhitektonske, testne, operativne i etičke aspekte stvaranja proizvoda sa komponentama mašinskog učenja.
      Ishodi učenja (stečena znanja) Po završetku predmeta, student treba da bude sposoban da: analizira kompromise u dizajnu –tačnost modela, latenciju, operativne troškove, skalabilnost, objašnjivost i bezbednost; planira i implementira sisteme koji su robustni na greške modela, imaju testiranja, monitoring i mogu da se održavaju u produkciji; projektuje infrastrukturu za podatke i modele; sagleda sistemski kvalitet.
      Sadržaj predmeta
      Sadržaj teorijske nastave • Kvalitet modela i sistema: latencija, skalabilnost, operativni troškovi, objašnjivost, pristrasnost, privatnost, bezbednost. • Infrastruktura, MLOps: CI/CD za ML, verzionisanje modela i podataka, eksperimenti u produkciji, detekcija drifta i povratnih petlji. • Timovi i procesi: uloga softverskih inženjera, data naučnika, operacija, domenskih eksperata; saradnja, odgovornosti. • Etika i odgovornost.
      Sadržaj praktične nastave • Programski zadaci koji uključuju modeliranje, implementaciju servisa, automatizaciju testiranja i raspoređivanja u radno okruženje. • Projekat gde studenti implementiraju, raspoređuju i prate sistem koji koristi model mašinskog učenja u radnom okruženju i upravljaju njegovim kvalitetom, skaliranjem i monitoringom. • Semestralni radovi u cilju razumevanja teorijskih aspekata i studiju slučajeva iz prakse.
      Literatura
      1. C. Huyen, Designing Machine Learning Systems, O'Reilly 2022.
      2. N. Gift, A. Deza, Practical MLOps: Operationalizing Machine Learning Models, O'Reilly 2021.
      3. M. Staron, Machine Learning Infrastructure and Best Practices for Software Engineers, Packt 2024.
      4. S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed, Pearson 2021.
      5. Odabrani stručni i naučni radovi
      Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
      Predavanja Vežbe DON Studijski i istraživački rad Ostali časovi
      8
      Metode izvođenja nastave Predavanja i mentorski rad sa studentima na izradi projektnog zadatka.
      Ocena znanja (maksimalni broj poena 100)
      Predispitne obaveze Poena Završni ispit Poena
      Aktivnosti u toku predavanja Pismeni ispit
      Praktična nastava Usmeni ispit 30
      Projekti 70
      Kolokvijumi
      Seminari