Prati model u produkciji: Nađi greške prije korisnika [2026]

Prestanite vjerovati u marketinšku laž da je vaš AI model ‘gotov’ onog trenutka kada prođe validacijski set na vašem lokalnom serveru. To je opasna zabluda koja košta hiljade dolara. Ako mislite da će se model ponašati isto u ‘divljini’ interneta kao i u vašem kontrolisanom okruženju, spremite se za bolno prizemljenje. Vaš kod će se raspasti. Pitanje je samo da li ćete vi prvi nanjušiti taj smrad izgorjelog koda ili će vam to javiti bijesan klijent u tri sata ujutro.

Zašto ‘Accuracy’ metriki ne smiješ vjerovati ni koliko je crno pod noktom

Prva stvar koju naučiš u pravoj radionici je da metar može lagati ako ga ne znaš držati. U svijetu mašinskog učenja, ‘accuracy’ je taj pokvareni metar. Ako tvoj model predviđa rijetke kvarove na mašinama, on može imati tačnost od 99% samo tako što će stalno govoriti ‘sve je u redu’, dok se u pozadini ležajevi pretvaraju u prah. Ti trebaš specifičnost, trebaš senzitivnost i, iznad svega, trebaš uvid u to kako se granica odlučivanja pomjera pod pritiskom stvarnih podataka.

Zašto tvoj model ‘truhne’ čim dodirne produkciju?

U industriji to zovemo konceptualni drift. To nije neka apstraktna nauka; to je fizika digitalnog propadanja. Zamisli da si napravio savršenu stolicu od hrasta, a onda je neko iznio na kišu i sunce. Drvo će raditi, savijati se i pucati. Isto se dešava sa podacima. Korisnici mijenjaju navike, trendovi se okreću, a tvoj model ostaje zarobljen u prošlosti. Ako ne postaviš senzore koji prate distribuciju ulaznih podataka u realnom vremenu, ti zapravo voziš auto sa povezom preko očiju. Naguraj te metrike u dashboard odmah.

WARNING: Nikada, ali nikada ne dozvolite da se podaci iz produkcije automatski vraćaju u trening set bez rigorozne filtracije. 120v struja te može ubiti, a ‘data leakage’ će ubiti tvoj biznis brže nego što stigneš reći ‘fino podešavanje’. Ako se podaci o ishodu pomiješaju sa ulaznim parametrima, dobit ćeš lažni osjećaj sigurnosti dok sistem zapravo krvari.

Anatomija jednog raspada: Kako sam izgubio vikend zbog loših logova

Bilo je to u jesen 2025. Sistem za detekciju anomalija je pokazivao zeleno, dok su u pozadini serveri vrištali. Problem? Logovi su bili toliko ‘sterilni’ i ‘čisti’ da u njima nije bilo ničega korisnog. Izbjegavajte generičke ‘error’ poruke. Pišite logove koji imaju teksturu. Želim čuti zvuk greške. Umjesto ‘Processing failed’, tvoj log treba da vrišti: ‘Timeout na API pozivu ka skladištu nakon 2500ms pri pokušaju povlačenja JSON-a od 14MB’. To je razlika između popravke od pet minuta i pet sati čupanja kose.

Kako postaviti ‘zamke’ za greške u kodu

Koristite ‘Canary deployments’. To je kao da pošalješ kanarinca u rudnik prije nego što sam uđeš. Pustite novi model na 5% korisnika. Ako kanarinac počne da kašlje (ako latency skoči za 10%), gasite sve. Nemojte biti heroji i gurati kod svima odjednom. To nije hrabrost, to je glupost. U 2026. godini imamo alate koji automatski porede performanse starog i novog modela. Iskoristite ih. Slather (namažite) te testove na svaku liniju koda koja dodiruje bazu podataka. Ne budite škrti na ‘assert’ komandama.

Nauka o materijalu: Zašto Kolmogorov-Smirnov test nije samo za matematičare

Vrijeme je za malo ‘Why It Works’ analize. KS-test je vaš digitalni mikrometar. On mjeri distancu između dvije distribucije podataka. Ako se distribucija onoga što tvoj model ‘vidi’ danas razlikuje od onoga na čemu je treniran za više od kritičnog praga, ti si u problemu. To nije nagađanje; to je čista statistička mehanika. Kada se te dvije krive razdvoje, tvoj model počinje da halucinira. Razumijevanje ove fizike podataka omogućava ti da predvidiš grešku danima prije nego što ona postane očigledna krajnjem korisniku. To je prava moć monitoringa.

Code Check: EU AI Act i tvoj monitoring plan

Napomena: Prema standardima iz 2026. godine, za sisteme visokog rizika, ljudski nadzor (human-in-the-loop) više nije opcija, već zakonska obaveza. Ako tvoj sistem donosi odluke o kreditima ili zapošljavanju, moraš imati jasan audit log svakog odstupanja. Neispunjavanje ovih normi donosi kazne koje čine cijenu tvojih servera zanemarljivom. Provjeri lokalne regulative prije nego što pustiš skriptu da sama donosi odluke.

Najčešća greška koju prave amateri (i kako je izbjeći)

Najveći promašaj je postavljanje previše alarma. Ako ti telefon vibrira svakih pet minuta zbog beznačajnih oscilacija, na kraju ćeš ignorisati i onaj alarm koji javlja da ti se cijela infrastruktura urušava. To se zove ‘alert fatigue’. Postavite pragove pametno. Koristite dinamičke granice koje se prilagođavaju dobu dana. Nedjeljom u tri ujutro saobraćaj je manji; tvoji alarmi moraju to znati. Budi precizan kao hirurg sa skalpelom, a ne kao mesar sa sjekirom.

Sjetite se, monitoring nije nešto što dodajete na kraju projekta kao ukrasnu traku na poklon. To je skelet vašeg sistema. Bez njega, vaša AI aplikacija je samo hrpa koda koja čeka da se sruši pod prvim ozbiljnim teretom. Budite grubi prema svom kodu, testirajte ga do pucanja, i budite onaj koji će naći grešku dok je još mala i laka za popraviti. Vaša reputacija (i vaš san) zavise od toga.