Razlika između AI mašinskog učenja i dubokog učenja [Vodič]

Prestanite zvati svaki algoritam ‘Vještačkom Inteligencijom’ – To je marketinška laž

Prestanite kupovati priču o ‘inteligentnim’ aparatima za kafu. Većina onoga što danas nazivaju AI je obična statistika umotana u sjajni celofan. Ako želite izgraditi nešto što stvarno radi, morate znati razliku između alata. Vi ne biste koristili macolu da zakucate ekser za sliku, pa zašto onda trošite GPU resurse na Deep Learning tamo gdje obična linearna regresija završava posao? Razumijevanje ove tri instance – AI, Machine Learning (ML) i Deep Learning (DL) – je kao poznavanje razlike između nacrta, ručnog alata i automatizovane fabrike. Ako ne znate šta je u vašoj kutiji s alatom, samo ćete gubiti vrijeme i novac na Cloud račune koji će vas spržiti brže nego loš osigurač u radionici.

Mašinsko Učenje (ML): Vaša digitalna stona testera

Mašinsko učenje je radni konj moderne tehnologije. Ovdje vi, kao majstor, još uvijek imate kontrolu. Vi birate ‘karakteristike’ (features) koje su bitne. Ako pravite model koji predviđa cijenu nekretnine, vi mu kažete: ‘Gledaj kvadraturu, gledaj lokaciju, ignoriši boju fasade’. To je proces koji zahtijeva ljudsku intuiciju i poznavanje materijala. ML algoritmi poput Decision Trees ili Random Forest rade na bazi jasnih matematičkih pravila. Osjećaj rada s ML-om je kao rad s drvetom – vidite godove, osjetite otpor i tačno znate zašto je model donio određenu odluku. Nema crne kutije. Ako model ‘pukne’, znate tačno koji je parametar bio previše labav.

Zašto je Feature Engineering ključan za ML?

U mašinskom učenju, feature engineering je proces pretvaranja sirovih podataka u nešto što algoritam može svariti. To je kao šmirglanje daske prije lakiranja. Ako ubacite ‘prljave’ podatke, dobićete smeće. Ja sam jednom proveo 12 sati čisteći bazu podataka samo da bih otkrio da je jedan pogrešan format datuma rušio cijelu logiku predviđanja. ML je osjetljiv na kvalitet, ne samo na kvantitet.

Duboko Učenje (DL): Kada vam treba teška industrijska presa

Duboko učenje je potpuno druga zvijer. To je podskup ML-a koji koristi neuronske mreže sa desetinama ili stotinama slojeva. Ovdje prestaje ručno biranje karakteristika. DL modelima samo ‘istovarite’ kamion sirovih podataka (slike, zvuk, tekst) i oni sami provaljuju šta je bitno. Ali, to ima svoju cijenu. DL je gladan. Treba mu struje, treba mu hiljade grafičkih procesora i milioni primjera. Zamislite DL kao ogromnu industrijsku presu za metal. Može napraviti čuda, ali ako u nju gurnete ruku (ili loše podatke), nema nazad. Vizuelno, DL modeli su neprozirni. To su ‘crne kutije’ gdje backpropagation algoritam podešava milione sitnih ‘šarafa’ (weightova) dok ne dobije rezultat koji želite. Miris spaljenih kablova u serverskoj sobi je često jedini signal da je model u dubokom ‘razmišljanju’.

WARNING: Nikada ne pokrećite Deep Learning trening na lokalnom laptopu bez nadzora temperature. GPU jezgra koja rade na 95°C duže od sat vremena mogu trajno degradirati termalnu pastu i skratiti životni vijek vašeg hardvera. Koristite multimetar za provjeru napona ako planirate DIY rig.

Zašto vam treba GPU, a ne običan procesor (Fizika performansi)

CPU (centralni procesor) je kao jedan vrhunski hirurg – može uraditi nevjerovatno kompleksne operacije, ali jednu po jednu. GPU (grafički procesor) je kao hiljadu radnika sa lopatama. Za Deep Learning vam ne treba hirurg, trebaju vam kopači. DL se oslanja na matrično množenje. To je čista matematika koja se dešava paralelno. Ako pokušate trenirati neuronsku mrežu na CPU-u, osjetićete ‘prazan hod’. To je kao da pokušavate iskopati bazen kašičicom. As of 2026, standardni DIY setup zahtijeva barem 24GB VRAM-a ako ne želite da vam proces ‘pukne’ usred noći zbog ‘Out of Memory’ greške. Ne bacajte pare na skupe procesore, uložite u grafiku sa što više Tensor jezgara. To je okretni moment vašeg AI sistema.

Da li moj mali biznis stvarno treba Deep Learning?

Kratko i jasno: Vjerovatno ne. Većina problema u retailu, logistici ili maloj proizvodnji rješava se klasičnim ML-om. DL vam treba samo ako radite s nepovezanim podacima poput prepoznavanja lica ili prevođenja jezika u realnom vremenu. Ne kupujte bager da biste posadili jedan cvijet.

Anatomija kiksa: Kako spržiti budžet koristeći DL tamo gdje ne treba

Evo kako izgleda katastrofa u praksi. Jedan klijent je htio da koristi Deep Learning za predviđanje prodaje u pekari. Imali su podatke za tri mjeseca. Rezultat? Model je ‘halucinirao’ da će prodaja hljeba skočiti za 500% jer je jedan dan bila svadba u blizini. DL je pretrenirao (overfitting) na tom malom uzorku. Da su koristili običnu linearnu regresiju, vidjeli bi realnu sliku. Šest mjeseci kasnije, taj model je bio neupotrebljiv, a Cloud račun je iznosio 4.000 KM. To je ‘Anatomija kiksa’. Uvijek počnite sa najjednostavnijim alatom. Ako čekić radi posao, ne palite CNC mašinu.

Why It Works: Hemija neuronskih mreža

Neuronska mreža radi na principu pokušaja i greške, ali na steroidima. Svaki sloj u mreži filtrira podatke. Prvi sloj vidi samo ivice (kod slika), drugi vidi oblike, treći vidi objekte. Magija je u ‘Gradient Descent’ algoritmu. Zamislite da ste na vrhu planine u gustoj magli i želite se spustiti u dolinu (minimalna greška). Vi ne vidite put, ali osjetite pod nogama gdje je nagib najveći. Napravite korak u tom smjeru. To je ono što DL radi – matematički se ‘spušta’ ka rješenju dok greška ne postane zanemariva. Ali pazite, ako je korak (learning rate) prevelik, preskočićete dolinu i završiti na drugoj planini. To se zove divergencija i to je razlog zašto vaši modeli ponekad izbacuju čiste gluposti.

Code Reality Check: Lokalna vlast nad podacima

Prema GDPR pravilima i lokalnim zakonima o zaštiti podataka iz 2026. godine, ne smijete tek tako slati podatke svojih korisnika na strane servere radi ‘treniranja’. Ako pravite AI bot za podršku, koristite lokalne modele. Danas možete pokrenuti solidan Llama ili Mistral model na jačoj kućnoj mašini. To je ‘Renter-Friendly’ pristup – zadržavate privatnost, nema mjesečne pretplate, a vaši podaci ostaju u vašoj ‘garaži’. Mirza, stari sistem administrator iz Sarajeva, uvijek kaže: ‘Ako podaci odu u Cloud, više nisu tvoji. To je kao da posuđuješ alat komšiji koji se nikad ne javlja na telefon’.

Zavrnite rukave i krenite od osnova

Nemojte biti samo korisnik, budite majstor. Razlika između AI, ML i DL nije samo teorijska – ona diktira koliko ćete struje potrošiti i koliko ćete se nervirati. Počnite sa malim ML projektima u Pythonu. Osjetite kako podaci dišu. Tek kad osjetite da vam ručni alat (ML) nije dovoljan za volumen posla, pređite na tešku mašineriju (DL). I zapamtite, najbolji AI model je onaj koji zapravo završi posao, a ne onaj koji ima najviše slojeva na papiru. Sretno s kodiranjem, i čuvajte te grafičke kartice – zlata vrijede.