Iz sveta veštačke inteligencije #2

Nastavljamo sa pregledom dešavanja iz sveta veštačke inteligencije.

Alat Optiverse.ai

Optiverse.ai je softverska platforma koja koristi veštačku inteligenciju za pomoć u vođenju, beleženju i praćenju sastanaka. Glavne funkcionalnosti: automatska transkripcija sastanaka, automatsko generisanje sažetaka (meeting summaries), izdvajanje zadataka (action items) iz sastanaka i njihovo beleženje u workflow. Podržava više od 45 jezika i dijalekata, i omogućava integracije sa velikim brojem alata (calendar, CRM, task-board) — što znači da nije samo „snimanje sastanaka“, već deo šireg procesa upravljanja.

Glavna svrha je da sastanci postanu produktivniji, da informacije koje su razmenjene budu zapisane, sažete i pretvorene u konkretne aktivnosti. Konkretno:

• Umesto da neko ručno beleži sve tokom sastanka, Optiverse to radi automatski (ili delimično automatski) — štedi vreme.
• Omogućava da nakon sastanka imaš sažetak bez da neko mora da piše detaljno.
• Povezuje sastanke sa zadacima i procesima — recimo, zadatak je automatski kreiran iz stavke „moramo poslati ponudu“ koja je izrečena tokom sastanka.
• Pomaže u praćenju komunikacije i rezultata sa sastanaka — smanjuje rizik da se nešto propusti.

Slični alati:

• Fathom – AI alat koji snima i sažima Zoom sastanke.
• Fireflies.ai – automatska transkripcija i sažeci sastanaka, podrška za više platformi.
• Avoma – sastanci + coaching + analitika razgovora, pogodan za timove u prodaji.
• Otter.ai – popularan alat za transkripciju sastanaka i kolaboraciju na zapisu.
• MeetGeek – AI sastanci koji prave sažetke, zadatke i povezuju sa CRM‑om.

GPT 5.1

OpenAI je 12. novembra 2025. zvanično predstavila novu verziju modela iz serije GPT 5.

Novine u odnosu na GPT 5:

1. Dve varijante modela – GPT 5.1 dolazi u dve verzije: Instant i Thinking. Instant je optimizovan za brze odgovore i razgovor, Thinking koristi više „razmišljanja” za složene zadatke.
2. Adaptive reasoning (prilagođeno razmišljanje) – Model dinamički prilagođava koliko „misli” pre odgovora, u zavisnosti od kompleksnosti zadatka. Postoji i “no reasoning” režim za zadatke koji ne zahtevaju duboko razmišljanje, što ubrzava odgovore.
3. Poboljšano čuvanje promptova (caching) – GPT‑1 uvodi produženi keš promptova – do 24 sata – što omogućava brže odgovore na follow-up upite i smanjuje trošak tokena.
4. Bolje podešavanje tona i ličnosti – Uvedeno je više stilova ličnosti (“personality presets”): Friendly, Professional, Candid, Quirky, Efficient, Nerdy, Cynical, Default … ukupno 8 stilova. Model „pamti” preferirani stil tokom sesije, tako da ton ostaje dosledan.
5. Bolje praćenje instrukcija – Preciznost u odgovorima je navodno poboljšana.
6. Novi alati za developere – Dodati su novi alati: apply_patch (model može da modifikuje kod) i „shell tool” — GPT‑5.1 može da izvršava shell komande. Na taj način se poboljšava kodiranje.
7. Brzina i efikasnost – Za jednostavne zadatke, GPT‑5.1 je brži nego GPT‑5. U „Thinking” modu je u testovima efikasniji — koristi manje tokena za složene zadatke nego GPT‑
8. Stabilniji i prirodniji „glas” – Model je „topliji”, manje robotski, što čini komunikaciju prijatnijom. Bolja koherentnost u dužim odgovorima i razmišljanjima.
9. Bezbednost i evaluacija – Objavljena je dopuna „system card”‑a za GPT‑5.1 Instant i Thinking, sa ažuriranim metrikama za bezbednost, uključujući mentalno zdravlje (emocionalna zavisnost, znakovi distresa). Evaluacije su proširene da pokriju situacije emocionalne zavisnosti korisnika.

* system card – zvanični dokument koji OpenAI objavljuje za svaki veliki model (npr. GPT-4, GPT-5, GPT-5.1), a njegova svrha je da transparentno objasni kako je model napravljen, kako je testiran, koje su njegove slabosti, rizici i mere bezbednosti.

Tokeni su najmanje jedinice teksta koje AI koristi da bi razumeo i generisao poruke. Umesto da radi sa celim rečima, model tekst razbija na manje delove, tokene, i na osnovu njih „čita”, obrađuje i predviđa šta dalje treba da napiše. Svrha tokena je da omoguće AI-ju da efikasno razume jezik, kontroliše dužinu i kompleksnost odgovora i odredi koliko „duboko” treba da razmišlja. U praksi, tokeni su osnovni način na koji veštačka inteligencija pretvara tekst u nešto što može matematički da obradi.

Robot NEO

NEO je kućni robot namenjen da obavlja svakodnevne zadatke u domaćinstvu. Robota karakterišu tri glavna “stuba”: korisnost, dizajn i inteligencija. NEO koristi AI model nazvan Redwood AI (od 1X) za učenje i ponavljajuće zadatke, uči iz iskustva u kućnom okruženju. Ako robot naiđe na zadatak koji ne zna, postoji opcija da korisnik zakaže da “1X Expert” (daljinsko upravljanje ili nadzor) pomogne robotu da nauči taj zadatak. Poseduje glasovno upravljanje, pa možete komunicirati prirodnim jezikom, a kroz mobilnu aplikaciju možete pratiti raspored zadataka i nadgledati rad robota. Robot se samostalno puni kada mu zatreba energija.

Njegovi senzori i inteligencija uključuju vizuelno opažanje za navigaciju i interakciju, prepoznavanje zvuka i konteksta razgovora, kao i memoriju koja prilagođava interakcije sa korisnikom. Dizajn robota je bezbedan i udoban za kućnu upotrebu. Koristi pogone koji oponašaju tetive, telo mu je obloženo posebnim polimerom za ublažavanje udara. Ruke i noge imaju veliki broj stepeni slobode za precizne pokrete. NEO nije samo fizički uređaj – on je i inteligentni pomoćnik sa kojim možete razgovarati, tražiti savete ili informacije, i koji se kreće po stanu da bi obavljao zadatke na različitim mestima. Njegova konstrukcija i materijali omogućavaju sigurnost i nisku buku tokom rada.

IBM: Data silos are holding back enterprise AI

U tekstu „IBM: Data silos are holding back enterprise AI” ističe se da najveća prepreka za uspešnu primenu veštačke inteligencije u velikim kompanijama nije sama tehnologija, već način na koji se podaci čuvaju i upravljaju njima. Problem se posebno odnosi na enterprise organizacije — finansijske institucije, farmaceutske kompanije, proizvodne firme, telekomunikacione kompanije i druge korporacije koje raspolažu ogromnim količinama podataka.

Glavni izazov su tzv. data silosi: podaci se nalaze izolovano u različitim odeljenjima ili sistemima, često u različitim formatima i bez zajedničke standardizacije. Kao rezultat, AI projekti često postaju dugotrajni i skupi jer timovi provode mnogo vremena samo na pripremu i usklađivanje podataka, umesto da kreiraju vredne uvide ili automatizuju procese.

IBM naglašava da tradicionalni pristupi centralizaciji podataka, poput klasičnih data lake‑ova (termin koji se koristi u oblasti upravljanja podacima i odnosi se na centralizovano skladište u kojem se čuvaju veliki obimi podataka u njihovom izvornom obliku — bez prethodne obrade ili strukturiranja), nisu dovoljno efikasni. Umesto toga, preporučuju se moderne arhitekture poput data mesh i data fabric (Data Mesh – daje vlasništvo i odgovornost domenima, ali omogućava globalni pristup. Data Fabric – inteligentni sloj koji povezuje sve podatke i omogućava da AI i analitika odmah koriste podatke, bez fizičkog premeštanja.), koje omogućavaju da AI sistemi imaju pristup podacima tamo gde oni fizički postoje, bez potrebe za njihovim premeštanjem ili dupliranjem. U tabeli 1 su prikazane razlike između pojmova data mesh i data fabric. Takođe se ističe važnost upravljanja podacima kao resursom. Podaci treba da postanu „data proizvodi” — strukturisani, ponono upotrebljivi i lako dostupni AI sistemima.

Tekst takođe ukazuje na poslovne posledice: kompanije koje ne rešavaju problem silosa gube vreme i resurse. One koje integrišu podatke mogu značajno povećati efikasnost i brzinu donošenja odluka. Pomenuti su i konkretni primeri iz prakse, kao što su Medtronic i Matrix Renewables, koji su smanjenjem fragmentacije podataka i uvođenjem automatizovanih sistema uspeli da ubrzaju procese i smanje greške.

Tekst se odnosi na organizacije koje imaju podatke, ali ne znaju da ih pravilno organizuju i iskoriste. Problem je što upravo ta izolovanost podataka — data silosi — sprečava AI da pruži punu vrednost i doprinese poslovnim rezultatima.

Tabela 1: Glavne razlike između Data Mesh i Data Fabric

Karakteristika	Data Mesh	Data Fabric
Fokus	Decentralizacija i vlasništvo podataka po domenima	Centralizacija pristupa i integracije kroz virtuelni sloj
Vlasništvo	Domen-specifični timovi	Infrastrukturni sloj automatski povezuje podatke
Cilj	Eliminisanje silosa kroz odgovornost domena	Eliminisanje silosa kroz tehnologiju i automatizaciju
Pristup	Standardizovani API-jevi, „data products”	Virtuelni sloj, automatska integracija i klasifikacija

Zašto je ovo važno

• Pokazuje da tehnološki napredak u AI nije dovoljan — organizacione strukture i strategija upravljanja podacima su presudne.
• Ističe potrebu da se podaci integrišu i strukturiraju tako da AI može da ih koristi efikasno, a ne da se troši vreme na pripremu podataka.
• Naglašava da kompanije koje to uspeju mogu znatno da unaprede ROI (povrat na ulaganje) u AI, jer ne koriste AI samo kao „pokretač”, već kao alat za donošenje stvarnih poslovnih odluka.

Tina Paunović, master inženjer informacionih sistema