Kako postati AI inženjer bez iskustva

Privlačan naslov koji obećava rešenje problema.

San o karijeri AI inženjera u današnjem dinamičnom svijetu tehnologije često se čini nedostižnim, pogotovo ako nemate tradicionalnu diplomu iz računarstva ili dugogodišnje iskustvo. Mnogi se pitaju: „Kako mogu ući u ovo polje koje se čini tako naprednim i ekskluzivnim?“ Zamislite Marka, ambicioznog junior developera iz Sarajeva, koji je noćima pretraživao internet, osjećajući se obeshrabreno zbog gomile oglasa za posao koji zahtijevaju godine iskustva i doktorate. Slično njemu, Ana iz Splita, sa iskustvom u softver developingu, želi preći u AI, ali ne zna odakle početi, strahujući da mora ispočetka učiti. Upravo za takve kao što su Marko i Ana, ovaj vodič je napisan.

U današnjem digitalnom dobu, put do uspjeha ne mora pratiti tradicionalne staze. Inspiracija dolazi iz neočekivanih izvora, a jedan takav je i video Jean Lee (0:49-12:47), koji otvara oči za realnost: diploma nije preduvjet, već su demonstrabilne vještine ključ. Vjerovali ili ne, podaci pokazuju da oko 70% softverskih inženjera već posjeduje većinu osnovnih vještina potrebnih za prelazak u AI inženjerstvo. Nije riječ o potpunom prekvalifikovanju, već o fokusiranom nadograđivanju postojećeg znanja. Do kraja ovog sveobuhvatnog vodiča, imaćete jasan i praktičan plan kako postati AI inženjer, čak i bez prethodnog direktnog iskustva, koristeći provjerene strategije i resurse.

Šta je AI inženjer i zašto je ovo vaša prilika (čak i bez iskustva)?

Uloga AI inženjera često se miješa sa ulogama Data Scientista ili ML inženjera, ali su razlike ključne. Dok Data Scientist analizira podatke i izvlači uvide, a ML inženjer gradi i trenira mašinske modele, AI inženjer je arhitekta sistema. On uzima te modele i implementira ih u stvarne aplikacije, sisteme i proizvode, osiguravajući da AI rješenja budu skalabilna, efikasna i robustna. Razmislite o tome ovako: ako je Data Scientist geolog koji pronalazi vrijedne minerale, a ML inženjer rudar koji te minerale vadi i obrađuje, onda je AI inženjer arhitekta i građevinar koji od tih obrađenih materijala gradi pametne zgrade i infrastrukturu koja radi u stvarnom svijetu.

Posebno je važno razumjeti kontekst 2025. godine i eksploziju generativne AI (GenAI). GenAI i prompt engineering predstavljaju nevjerovatnu ulaznu tačku u polje AI-ja. Više nije potrebno provesti godine učeći kompleksne neuronske mreže od nule. Sada, razumijevanje kako efikasno komunicirati sa velikim jezičkim modelima (LLM), kako ih prilagoditi za specifične zadatke i kako ih integrisati u poslovne procese, otvara vrata za AI inženjere. Ova demokratizacija AI-ja je kritična. Za ljude na Balkanu, to znači da ne moramo čekati da se razviju ogromni resursi ili da se uspostave tradicionalni putevi edukacije. Možemo biti konkurentni na globalnom tržištu rada, uštedjeti vrijeme i investirati u vještine koje su tražene SADA. To je kao da ste dobili priliku da naučite novi jezik u trenutku kada se otvaraju svi globalni poslovi koji ga zahtijevaju.

Fundamentalne vještine: Šta vam zaista treba (i šta ne treba)?

Jedan od najvećih mitova o karijeri AI inženjera je da je diploma iz prestižnog univerziteta apsolutno neophodna. To jednostavno nije istina. Dok formalno obrazovanje može pružiti solidne temelje, industrija je sve više fokusirana na demonstrabilne vještine i sposobnost rješavanja stvarnih problema. Kompanije traže ljude koji mogu raditi posao, a ne samo one koji imaju papir koji kaže da to mogu.

Koje su onda te ključne vještine? Evo osnovnih tehničkih vještina koje su vam potrebne:

• Python programiranje: Ovo je de facto jezik AI-ja. Morate biti proficientni u Pythonu, razumjeti njegove biblioteke (NumPy, Pandas, Matplotlib, Scikit-learn, TensorFlow/PyTorch) i moći pisati čist, efikasan kod.
• Osnove mašinskog učenja (ML): Razumijevanje ključnih algoritama (regresija, klasifikacija, klasterovanje), evaluacionih metrika i životnog ciklusa ML projekta. Ne morate biti ekspert za svaki algoritam, ali razumijevanje osnovnih principa je ključno.
• Rad sa podacima: Sposobnost prikupljanja, čišćenja, transformacije i analize podataka. To uključuje SQL za baze podataka i rad sa različitim formatima podataka.
• Razumijevanje algoritama i struktura podataka: Ovo je temelj svakog dobrog inženjera. Pomaže vam da pišete efikasan kod i da razumijete kako AI sistemi funkcionišu ispod površine.
• Osnove softverskog inženjerstva: Principi kao što su verziranje (Git), testiranje, objektno-orijentisano programiranje i razvoj softvera.

Dobra vijest je da se sve ove vještine mogu steći bez formalnog obrazovanja, kroz samostalno učenje, online kurseve, bootcampove i, što je najvažnije, kroz praktične projekte. Sjetite se podatka da 70% softverskih inženjera već posjeduje većinu potrebnih vještina za prelazak u AI inženjerstvo. To znači da mnogi od vas već imaju jaku bazu; AI je često samo nova domena u koju primjenjujete postojeće inženjerske principe, uz učenje specifičnih alata i koncepata.

Vaš praktični put: 6 dokazanih strategija za ulazak u AI (prema Jean Lee)

Jean Lee, u svom inspirativnom videu, iznosi šest efikasnih strategija za ulazak u AI polje bez tradicionalnog iskustva. Ove strategije su testirane i dokazane kao putokaz za ambiciozne početnike.

1. Internships (Praksa)

Internships su idealan način za sticanje prvog relevantnog iskustva. Mnoge kompanije su spremne uzeti junior profile i obučiti ih, jer im je potreban svježi kadar. Prednost prakse je što vam omogućava da radite na stvarnim projektima pod mentorstvom iskusnih profesionalaca, dok gradite svoju mrežu kontakata i razumijete industrijske standarde.

• Detaljno objašnjenje: Praksa vam omogućava da primijenite teorijsko znanje u realnom okruženju, razumijete poslovne procese i steknete uvid u svakodnevni rad AI inženjera. Takođe, pruža priliku za transformaciju teorije u praksu i sticanje referenci.
• Primjer iz regiona: Zamislite Mariju, studenticu elektrotehnike iz Beograda, koja je kroz fakultetski program za praksu aplicirala za poziciju „Junior AI Engineer Intern“ u lokalnoj softverskoj firmi koja razvija rješenja za optimizaciju logistike. Tokom tri mjeseca, radila je na prototipu sistema za predviđanje zastoja u saobraćaju koristeći postojeće biblioteke mašinskog učenja i javno dostupne podatke. Njen rad je rezultirao razvojem MVP-a (Minimum Viable Product), a firma joj je ponudila stalno zaposlenje.
• Praktični resursi: Pratite oglase na LinkedIn-u, sajtovima za zapošljavanje (Infostud, MojPosao), studentskim karijernim centrima. Mnoge veće tehnološke kompanije imaju strukturirane internship programe.
• PROMPT:
  

  „Pretraga za AI internship programima na LinkedIn-u: AI internship Balkan ili ML engineer intern Serbia“

2. Open-Source Contributions (Doprinosi otvorenog koda)

Doprinosi otvorenog koda su fantastičan način da pokažete svoje vještine, sarađujete sa globalnom zajednicom i steknete iskustvo na realnim projektima. To je vaš javni portfolio koji govori više od bilo koje diplome.

• Detaljno objašnjenje: Pronađite projekte na GitHubu koji su vezani za AI ili ML i počnite sa malim doprinosima – ispravke grešaka, poboljšanja dokumentacije, pisanje testova, pa čak i implementacija novih, manjih funkcija. To vam omogućava da učite od iskusnih developera, razumijete standarde kodiranja i kako funkcionišu timski projekti.
• Primjer iz regiona: Luka, samouki programer iz Podgorice, želio je da uđe u AI. Pronašao je popularan Python ML framework sa aktivnom zajednicom na GitHubu. Počeo je sa ispravljanjem manjih grešaka u dokumentaciji, zatim je predložio i implementirao manju optimizaciju u jednom od modula. Njegovi doprinosi su bili prepoznati, a on je stekao neprocjenjivo iskustvo i vidljivost u AI zajednici.
• Praktični resursi: Pregledajte GitHub trending repozitorijume, sekciju