Kako funkcioniše učenje mašina u tvojoj prodavnici

Jedna licenca za ‘enterprise’ AI rješenje košta u prosjeku 5.000 KM godišnje. Za malu prodavnicu, to je čist gubitak ako ne znaš šta radiš. Ti misliš da ti treba magija, a zapravo ti treba matematika, par starih skripti i hardver koji vjerovatno već imaš. Ako nastaviš nagađati koji ćeš artikal naručiti za idući mjesec, tvoj inventar će pojesti tvoj profit. Ovaj vodič ti daje znanje koje konsultanti naplaćuju suhim zlatom, pod uslovom da si spreman isprljati ruke kodom i podacima.

Zašto ti treba lokalni LLM umjesto skupih pretplata

Prva stvar koju moraš razumjeti: slanje tvojih privatnih podataka o kupcima na tuđe servere je sigurnosni horor. Osjetit ćeš miris spaljene plastike ako tvoj server preopteretiš, ali to je ništa naspram curenja baze kupaca. Umjesto da plaćaš OpenAI-u, možeš pokrenuti lokalni LLM na starom laptopu. To je tvoj mozak prodavnice koji ne priča sa strancima. Ne treba ti najnoviji GPU od 4.000 KM; treba ti optimizacija. Vidio sam ljude kako bacaju novac na hardver, a ne znaju podesiti ni osnovni prompt. Nemoj biti taj lik.

Fizika predviđanja: Zašto tvoj model ‘laže’

Mašinsko učenje nije ništa drugo nego ekstremno precizno pogađanje trendova na osnovu prošlih grešaka. Kada ubaciš podatke iz Excela u model, on ne ‘vidi’ cipele ili hljeb; on vidi vektore. Ako su ti podaci neuredni, rezultat će biti smeće. To je ‘GIGO’ princip (Garbage In, Garbage Out). Često ćeš se susresti sa problemom koji se zove ‘data imbalance’. Ako imaš 1.000 prodaja piva i 2 prodaje skupog viskija, tvoj AI će zaključiti da niko nikad ne kupuje viski. To će te koštati kupaca. Moraš naučiti kako da očistiš AI podatke i riješiš disbalans prije nego što pritisneš ‘train’.

SIGURNOSNO UPOZORENJE: Nikada ne ubacuj sirove brojeve kreditnih kartica u lokalni model za trening. Čak i ako je model lokalan, procesorski keš može biti ranjiv na ‘side-channel’ napade. Anonimiziraj sve prije nego što kreneš. 120v struja te može ubiti, ali curenje podataka ti može ubiti biznis.

Anatomija propasti: Gdje DIY majstori griješe

Najveća greška? Prekomjerno treniranje (overfitting). To je kao kad naučiš jednu rutu do prodavnice napamet, ali se izgubiš čim se otvori rad na cesti. Tvoj model postane toliko specifičan za prošlu godinu da ne vidi da se trendovi u 2026. mijenjaju. Rezultat? Narručiš 500 jakni u sred toplotnog talasa jer je ‘tako pisalo’. Da bi to izbjegao, moraš koristiti confusion matrix da provjeriš tačnost modela. Ako ne znaš razliku između ‘False Positive’ i ‘True Negative’, tvoj AI je samo skupi digitron.

Implementacija: Od baze podataka do pametnog agenta

Nemoj pokušavati odjednom automatizovati cijelu prodavnicu. Kreni od malih stvari. Napravi AI prodajnog agenta bez koda koji će odgovarati na pitanja o stanju zaliha. To će ti uštedjeti 20 sati sedmično koje trošiš na bazične upite. Kasnije, kada osjetiš kako podaci teku, pređi na ozbiljnije stvari poput predviđanja potražnje.

Da li mi stvarno treba Fine-Tuning?

Kratak odgovor: Vjerovatno ne. Većina problema u maloprodaji se rješava sa RAG (Retrieval-Augmented Generation). Fine-tuning je kao da ponovo gradiš motor auta da bi promijenio radio stanicu. Preskupo je i često nepotrebno. Ako se ipak odlučiš na to, treniraj model na laptopu samo za specifične termine tvoje branše.

Zašto tvoja logistika treba AI u 2026.

Logistika je mjesto gdje se pravi ili gubi novac. Ako kamion stoji, ti gubiš. Ako je skladište puno robe koja se ne prodaje, ti gubiš. AI može predvidjeti kašnjenja u isporuci bolje od bilo kojeg dispečera. Provjeri zašto tvoja logistika treba AI za predviđanje potražnje. To nije luksuz; to je preživljavanje.

Često postavljana pitanja (PAA)

Da li AI može zamijeniti radnika u prodavnici?

Ne. AI je alat, kao čekić. Čekić ne zabija eksere sam, treba mu ruka koja zna gdje da udari. AI će samo eliminisati dosadne, repetitivne zadatke.

Koliko košta pokretanje lokalnog AI sistema?

Ako imaš solidan PC sa barem 12GB VRAM-a, košta te nula KM. Sve ostalo je struja i tvoje vrijeme. Ako kupuješ sve novo, budžetiraj oko 1.500 KM za solidnu radnu stanicu.

Zaključak majstora

Na kraju dana, podaci su tvoj materijal. Ako su truli, nikakav algoritam ih neće spasiti. Slatheraj te podatke u dobre modele, testiraj ih dok ti oči ne prokrvare i ne vjeruj nikome ko ti kaže da je ‘jednostavno’. DIY mašinsko učenje je teško, prljavo i frustrirajuće. Ali kada prvi put pogodiš narudžbu u marku tačno, znat ćeš da se isplatilo.