Što umjetna inteligencija jest, a što nije

Prodavač kaže da kamera s umjetnom inteligencijom prepoznaje sve greške. Što je zapravo u kutiji — pravilo, statistika ili nešto treće? I zašto je odgovor važniji od cijene.

Serijal Čovjek i inteligentni strojevi · 01/10

Vlasnik pogona za obradu limova, tridesetak zaposlenih, negdje u kontinentalnoj Hrvatskoj. Na stolu mu je ponuda: kamera iznad trake, računalo u ormaru, natpis „vizualna kontrola kvalitete pokretana umjetnom inteligencijom” i brojka koja bi trebala zaključiti razgovor — točnost 99,7 %. Cijena je četveroznamenkasta mjesečno. Pitanje koje bi trebao postaviti nije „koliko košta”, nego „što je zapravo u toj kutiji”.

Jer „umjetna inteligencija” na ponudi može značiti pet vrlo različitih stvari. Neke od njih ima u svakom pogonu već dvadeset godina. Neke su stvarno nove. Jedna ne postoji. A od toga koja je u kutiji ovisi tko će odgovarati kad kroz nju prođe loš komad.

Pet stvari koje se zovu istim imenom

Pravila. Najstarija i najpouzdanija „inteligencija” u pogonu: ako je mjerenje iznad praga, odbaci. Fotoosjetilo, granični prekidač, PLC. Sustav ne uči ništa; radi točno ono što je inženjer zapisao, i to je njegova najveća vrijednost. Ekspertni sustavi iz osamdesetih pokušali su tako zapisati i znanje stručnjaka, u tisućama pravila „ako – onda”, i propali su na prvoj situaciji koju nitko nije predvidio.

Strojno učenje. Ovdje se mijenja logika. Umjesto da inženjer piše pravilo za svaku ogrebotinu, sustavu se pokaže pet tisuća slika dobrih komada i tristo slika loših. Model sam pronađe statističku granicu između njih. Nitko nije napisao što je „ogrebotina”; model je naučio kako ogrebotine u prosjeku izgledaju na tim slikama, pod tim svjetlom, na toj traci.

Duboko učenje. Isti princip, ali s višeslojnim neuronskim mrežama koje same grade obilježja: prvi slojevi vide rubove, sljedeći oblike, gornji „ogrebotinu”. To je tehnologija iza današnjih kamera za kontrolu kvalitete i iza prepoznavanja govora na telefonu. Radi izvanredno — dok su uvjeti slični onima iz učenja.

Generativna umjetna inteligencija. Modeli koji ne klasificiraju nego stvaraju: tekst, sliku, kod. Veliki jezični modeli uče predvidjeti sljedeću riječ na temelju golemog korpusa teksta. Iz te jedne, naizgled skromne zadaće nastaje sposobnost sažimanja, prevođenja, objašnjavanja i pisanja programa.

Opća umjetna inteligencija (AGI). Hipotetski sustav koji bi fleksibilno rješavao bilo koji novi zadatak kao čovjek. Ne postoji. Ne postoji ni jedna općeprihvaćena definicija po kojoj bismo prepoznali da je nastao.[1]

Kako se stvarno pravi model za kontrolu kvalitete

Ono što prodavač zove „AI kamerom” nastaje u sedam koraka, i u svakom se može pokvariti.

1. Definicija zadatka. Što je greška? Ogrebotina od 0,2 mm na vidljivoj strani jest, na nevidljivoj nije. Ako to nije zapisano, model će naučiti nečiju nasumičnu odluku.
2. Prikupljanje podataka. Slike iz stvarnog pogona, sa stvarnim svjetlom, na sve tri smjene. Slike iz laboratorija proizvođača vrijede malo.
3. Podjela podataka na skup za učenje, provjeru i završno ispitivanje. Model se ne smije ocjenjivati na slikama koje je vidio.
4. Izbor modela i funkcije pogreške. Je li gore propustiti loš komad ili odbaciti dobar? Ta odluka ulazi u matematiku, ne u prospekt.
5. Učenje. Sati ili dani računanja.
6. Ispitivanje na podacima koje model nije vidio. Tek ovdje nastaje broj 99,7 %.
7. Praćenje u radu. Nova šarža lima, novi dobavljač, prljava leća, jesenska rasvjeta. Model koji je jučer imao 99,7 % danas može imati 96 %, i to nitko neće primijetiti bez mjerenja.

Model uči sve što mu pokažete — uključujući ono što niste namjeravali pokazati. Ako su svi loši komadi snimljeni u drugoj smjeni, pod drukčijim svjetlom, model može naučiti prepoznavati svjetlo, ne grešku.

Koliko je brz napredak — i što taj broj ne govori

Stanfordov AI Index, najcitiraniji godišnji pregled stanja područja, u izdanju za 2026. donosi podatak koji zvuči nevjerojatno: na jednom od standardnih testova programiranja rezultat najboljih modela porastao je sa 60 % na gotovo 100 % u jednoj godini. Na testu sastavljenom od najtežih pitanja koja su smislili stručnjaci iz svojih područja, s 8,8 % u 2025. na više od 50 % u proljeće 2026.[1] [2]

Isti izvještaj u istoj rečenici upozorava: testovi zastarijevaju čim se objave, a rezultat na testu nije rezultat u stvarnom radu. Model koji riješi 98 % zadataka s ispita nije zbog toga „opće inteligentan”; možda je samo dobro istreniran za ispit. Više od 90 % značajnih modela u 2025. razvila je industrija, ne sveučilišta, a organizacijska primjena AI-ja dosegla je 88 %.[1]

Najzanimljiviji podatak nije tehnički. Stručnjaci i javnost isto stanje vide potpuno drukčije: 73 % stručnjaka očekuje pozitivan učinak AI-ja na radna mjesta, a samo 23 % javnosti.[3] Kad se dvije skupine toliko razilaze, to nije dokaz da je jedna glupa. To je znak da rasprava treba bolje pojmove — što je upravo posao tehničkog obrazovanja.

Što umjetna inteligencija nije

Nije razumijevanje. Kamera koja odbaci ogrebani komad ne zna što je lim, što je kupac ni zašto ogrebotina smeta. Jezični model koji napiše uvjerljiv odgovor o normi ISO 9001 nije pročitao normu; naučio je kako izgledaju rečenice o njoj.

Nije nepogrešiva. Vratimo se na 99,7 %. To znači tri pogrešne odluke na tisuću komada. Pogon koji dnevno pusti dvadeset tisuća komada kroz kameru dobit će oko šezdeset pogrešnih odluka dnevno. Dio su lažna odbijanja — skupo, ali vidljivo. Dio su lažna prihvaćanja — jeftino, i odlaze kupcu. Broj koji zaključuje prodajni razgovor zapravo ga tek otvara.

Nije oslobođenje od odgovornosti. Kad automatizirani sustav pogriješi, rečenica „algoritam je odlučio” ne postoji ni u ugovoru ni u zakonu. Europski Akt o umjetnoj inteligenciji od 2. kolovoza 2026. traži transparentnost prema korisniku, a od 2. kolovoza 2028. obveze za visokorizični AI ugrađen u strojeve i medicinske uređaje.[4] Tko projektira, tko uvodi, tko nadzire i tko može zaustaviti sustav — to mora biti dokumentirano, ne pretpostavljeno.

Nije jedna stvar. Zato pitanje „vjerujete li u AI” nema smisla, kao ni pitanje „vjerujete li u elektromotore”. Pitanje je: koji model, na kojim podacima, ispitan kako, praćen od koga.

Što to znači za pogon — i za učionicu

Vlasniku pogona s početka priče ne treba tečaj iz dubokog učenja. Trebaju mu pitanja za prodavača:

• Na čijim je slikama model učio, i hoće li učiti na našima prije puštanja u rad?
• Kako je dobiven broj 99,7 % — na kojem skupu, koliko velikom, iz kojeg pogona?
• Koliko je lažnih prihvaćanja, a koliko lažnih odbijanja u tih 0,3 %?
• Što se događa kad promijenimo dobavljača lima ili rasvjetu u hali?
• Tko kod nas vidi da model slabi, i kako zaustavljamo sustav ako treba?

Studentu mehatronike ili računarstva treba nešto drugo: razumjeti cijeli lanac, ne samo model. Senzor, podaci, podjela skupova, funkcija pogreške, ispitivanje, praćenje, čovjek koji nadzire. Model je jedan korak od sedam. Četiri od pet studenata danas koriste generativni AI u učenju[1]; pitanje više nije hoće li ga koristiti, nego hoće li znati što on jest.

Sustav će optimirati ono što mjerimo — ne ono što smo stvarno željeli. To vrijedi za kameru iznad trake, za jezični model i za svakog od nas kad odlučujemo prema jednom broju.

Tri pitanja za vas

1. Ako sustav donese 99,7 % ispravnih odluka, tko u vašem pogonu odgovara za preostalih 0,3 %? Je li to napisano igdje?
2. Koji dio svog posla ili studija biste dopustili modelu da radi bez provjere? Zašto baš taj?
3. Zašto stručnjaci i javnost isto stanje vide toliko različito — i što bi vas pomaknulo s jedne strane na drugu?

Literatura i izvori

1. Stanford Institute for Human-Centered AI. Artificial Intelligence Index Report 2026. Travanj 2026.
2. IEEE Spectrum. Stanford’s AI Index for 2026 Shows the State of AI. Lipanj 2026.
3. AIhub. 2026 AI Index Report released — ten key takeaways. Travanj 2026.
4. Gibson Dunn. EU AI Act Omnibus Agreement — Postponed High-Risk Deadlines. Svibanj 2026.; Uredba (EU) 2026/1744.
5. Bengio Y. i sur. International AI Safety Report 2026. Veljača 2026.

© ForTroniQ d.o.o. — Sva prava pridržana