Ne sme sve da bude AI: Evo gde EU povlači granicu!

Danas često čujemo da će “AI sve nas da zameni”. Ipak, iako postoje (hiper)inflatorna očekivanja u vezi upotrebe veštačke inteligencije, bitno je naglasiti da ne ulazi svaka mašina ili softver u ovu kategoriju.

Ključna razlika je u tome da li tehnološki sistem zaista koristi metode učenja, zaključivanja ili modelovanja. Upravo tu liniju jasno povlači Uredba EU o veštačkoj inteligenciji (EU AI Act) , prvi sveobuhvatni regulatorni okvir o veštačkoj inteligenciji na nivou Evropske unije , koji precizno definiše šta jeste AI sistem. Prema ovoj uredbi:

‘AI sistem’ označava mašinski zasnovan sistem koji je dizajniran da funkcioniše sa različitim nivoima autonomije i koji može pokazivati adaptivnost nakon što je stavljen u upotrebu, a koji, za eksplicitne ili implicitne ciljeve, izvodi zaključke iz instrukcija koje prima kako bi generisao rezultate poput predikcija, sadržaja, preporuka ili odluka koje mogu da utiču na fizička ili virtuelna okruženja.

Važno je napomenuti da postoje i drugi relevantni izvori definicija — poput NIST AI Risk Management Framework ili smernica OECD-a — koji dodatno pojašnjavaju pojam i svrhu veštačke inteligencije. Ipak, Evropska komisija je u februaru 2025. godine otišla korak dalje i objavila posebno uputstvo, kojim detaljno razlaže šta jeste AI sistem u smislu EU AI Act-a.

Prema tim smernicama, definicija AI sistema se sastoji od sedam elemenata:

1. Mašinski zasnovan sistem (machine-based system)
2. Autonomija (autonomy)
3. Adaptivnost (adaptiveness)
4. Ciljevi AI sistema (AI system objectives)
5. Zaključivanje (inferencing how to generate outputs)
6. Rezultati koji mogu uticati na fizičko ili virtuelno okruženje (outputs that can influence environments)
7. Interakcija sa okruženjem (interaction with the environment)

Ova kolumna detaljnije objašnjava svaki od elemenata definicije date EU AI Act-om. Namenjena je svima koji žele da dublje razumeju šta zaista jeste, a šta nije veštačka inteligencija u regulatornom i praktičnom smislu.

Treba imati u vidu i da su mnogi termini u tekstu slobodni prevodi autora na srpski jezik, dok zvanične verzije ostaju na engleskom jeziku i ostalim zvaničnim jezicima Evropske Unije.

Mašinski zasnovan sistem

Mašinski zasnovan sistem je prvi element definicije veštačke inteligencije. On označava da AI sistem uvek počiva na kombinaciji hardvera i softvera koji omogućavaju njegov rad. To mogu biti procesori, memorija i mrežni uređaji, ali i programski kod, operativni sistemi i aplikacije.

Svi AI sistemi moraju biti mašinski zasnovani jer bez mašina nije moguće sprovesti ključne procese poput treniranja modela, obrade podataka, prediktivnog modelovanja ili donošenja automatizovanih odluka i slično. Drugim rečima, ovaj element naglašava da AI sistemi nisu apstraktni koncepti, već računarski zasnovani sistemi koji zavise od tehničke infrastrukture i algoritamske logike.

Definicija AI sistema obuhvata širok spektar tehnologija — od klasičnih računara, preko kvantnih računara, pa sve do bioloških sistema koji imaju računarsku sposobnost. Na taj način ističe se fleksibilnost i inkluzivnost pristupa u kontekstu definisanja veštačke inteligencije.

Time se osigurava da AI obuhvati sve sisteme koji koriste mašinske kapacitete za generisanje inteligentnih vidova ponašanja.

Autonomija

Autonomija je drugi ključni element u definiciji veštačke inteligencije. Ona označava sposobnost AI sistema da funkcioniše sa određenim stepenom nezavisnosti od ljudskog učešća ili intervencije.

To znači da sistem nije ograničen isključivo na potpuno manuelno upravljanje od strane čoveka, već je osposobljen da samostalno donosi određene odluke ili proizvodi rezultate (output) na osnovu instrukcija koje prima (input). Na taj način, AI sistemi poseduju određeni stepen nezavisnosti delovanja, što ih razlikuje od tradicionalnih softverskih sistema.

Važno je naglasiti da autonomija ne znači potpuna nezavisnost od čoveka. Ona može sa postoji u različitim nivoima. Na primer, neki sistemi traže instrukcije od strane ljudi da bi proizveli rezultat, dok neki drugi su u stanju da u potpunosti izvršavaju zadatke bez ikakve ljudske intervencije.

U oba slučaja, zajedničko je da sistem pokazuje određeni stepen nezavisnog delovanja, što ga izdvaja od tradicionalnog softvera koji funkcioniše samo po strogo zadatim pravilima.

Adaptivnost

Adaptivnost kod AI sistema možemo najlakše uporediti sa našim (ljudskim) učenjem koje je bazirano na iskustvu. Kada čovek nauči novu veštinu, on je vremenom usavršava i prilagođava različitim situacijama — isto to radi i veštačka inteligencija.

Sistem koji je adaptivan ne ostaje zakovan za ono što je naučeno u početku, već sistem menja svoje ponašanje na osnovu novih podataka i iskustava. Zato iste instrukcije mogu vremenom da daju drugačije rezultate.

To znači da AI sistem može da postane precizniji ili da otkriva nove obrasce vremenom tokom korišćenja. Ipak, važno je napomenuti da adaptivnost nije obavezna da bi se sistem smatrao veštačkom inteligencijom — ali kada postoji, adaptivnost daje dodatnu fleksibilnost i snagu da se AI prilagođava novim okolnostima.

Ciljevi AI sistema

Ciljevi AI sistema jesu sledeći ključni elemenat u oblikovanju pojma veštačke inteligencije. Ciljevi nam pomažu da razumemo šta tačno AI sistem želi da postigne. Ti ciljevi mogu biti jasno postavljeni (eksplicitni) ili prikriveni (implicitni).

Eksplicitni ciljevi su direktno programirani od strane stvaroca sistema — na primer, da sistem daje tačne preporuke ili optimizuje određene troškove. Implicitni ciljevi se ne vide odmah, već proističu iz podataka na kojima je sistem obučen ili iz načina na koji sistem komunicira sa okruženjem.

Tako AI asistent može da ima eksplicitni cilj da odgovora na pitanja korisnika, ali implicitno teži da to uradi što brže i sa što manje grešaka. Ono što je posebno važno jeste razlika između ciljeva sistema i njegove namene (intended purpose).

Ciljevi su unutrašnja logika samog sistema – zadaci koje on obavlja i rezultati koje pokušava da postigne. Namena, s druge strane, govori o tome zašto je sistem napravljen i u kom kontekstu će se koristiti.

Na primer, AI chatbot da ima cilj da pruži precizne i brze odgovore, ali njegova namena može da bude da podrži korisnički servis neke kompanije. Razumevanje ove razlike je bitno jer ona pokazuje da ciljevi nisu isto što i svrha korišćenja — dok su ciljevi vezani za tehničko funkcionisanje, namena objašnjava kako se AI uklapa u neku širu sliku, kao što je poslovanje neke kompanije.

Zaključivanje

Jedna od osnovnih karakteristika veštačke inteligencije jeste sposobnost sistema da zaključi kako da generiše rezultat na osnovu ulaznih podataka. Zaključivanje (inferencing) predstavlja ono što AI razlikuje od klasičnog softvera.

Tradicionalni programi izvršavaju unapred zadate zadatke, dok AI sistemi koriste metode učenja i zaključivanja da bi samostalno odlučili kako da od ulaznih podataka, to jest instrukcija, stignu do odgovarajućeg rezultata.

Zajedničko za sve rezultate je to da sistemi veštačke inteligencije dolaze do njih kroz sopstveni proces zaključivanja, a ne samo sledeći unapred definisana pravila. Zaključivanje može da se posmatra i kroz dve faze životnog ciklusa AI sistema.

U fazi izgradnje (building phase) ono podrazumeva razvijanje modela i algoritama koji omogućavaju da sistem uči iz trening podataka i razvija sposobnost da razume različite obrasce i odnose između podataka.

U fazi korišćenja (use phase), isti ti mehanizmi omogućavaju da sistem obrađuje nove podatke i generiše relevantne rezultate u realnom vremenu. Upravo ova sposobnost čini AI fleksibilnijim i moćnijim sistemom od običnih softverskih rešenja.

Da bi AI bio sposoban da zaključi kako da generiše rezultate, koristi se čitav niz različitih tehnika. Najpoznatije su metode mašinskog učenja (machine learning) , gde sistem uči iz velikih setova podataka kako bi postigao određene ciljeve.

U ovu grupu metoda spadaju nadgledano učenje (supervised learning), gde sistem uči iz označenih primera, to jest podataka, nenadgledano učenje (unsupervised learning) , gde sistem otkriva obrasce u neoznačenim podacima, kao i samo-nadgledano (self-supervised) gde sistem kombinije prethodna dva metoda.

Takođe, koristi se i potkrepljeno učenje (reinforcement learning), koje sistemu omogućava da uči iz sopstvenog iskustva na osnovu nagrada i grešaka. Posebno mesto u procesu razvoja sistem zauzima duboko učenje (deep learning), koje koristi složene neuronske mreže u procesu prepoznavanja obrazaca i odnosa među velikim količinama podataka koji su najčešće nestruktuirani i neobeleženi.

Ova tehnologija stoji iza mnogih današnjih naprednih AI rešenja, poput sistema za prepoznavanje govora, analize medicinskih snimaka ili generativnih modela poput GPT-a. Pored toga, postoje i logički i znanjem zasnovani pristupi, gde sistem ne uči primarno iz podataka već koristi unapred definisana pravila, činjenice i odnose.

Takvi sistemi mogu da zaključuju pomoću logičkih struktura i pravila koja su u njih uneli stručnjaci, što je primer ranijih ekspertskih sistema u medicini ili u okviru sistema za obradu jezika na osnovu gramatičkih pravila.

Zajedno za sve ove metode jeste da one čine temelj savremenog AI ekosistema. Kombinacija ovih tehnika obezbeđuje fleksibilnost AI sistema i njihovu sposobnost da sistemi funkcionišu u složenim, dinamičnim i nepredvidivim uslovima.

Rezultati koji mogu uticati na fizičko ili virtuelno okruženje

Još jedan od elemenata definicije veštačke inteligencije jeste sposobnost sistema da proizvodi rezultate koji mogu da utiču na fizička ili virtuelna okruženja. Ti rezultati mogu da imaju različite forme (predikcije, sadržaj, preporuke, odluke), ali kao što je gore objašnjeno, zajedničko za sve razultate je to da oni nisu puka reprodukcija podataka, već rezultat procesa zaključivanja koje AI sistem sprovodi.

Na primer, AI može da predvidi potrošnju energije u domaćinstvu, generiše tekst ili sliku, preporuči film korisniku ili donese automatsku odluku o odobravanju kredita. Svaka od ovih kategorija ima različit nivo ljudskog učešća.

Predikcije i generisanje sadržaja često se odvijaju uz minimalnu intervenciju čoveka, dok preporuke obično zahtevaju proveru i/ili odobrenje od strane ljudi. Odluke, s druge strane, predstavljaju najviši stepen automatizacije — kada sistem sam donosi konačan zaključak. Takav zaključak direktno utiče na okruženje, bilo fizičko (npr. pokret robota) ili virtuelno (npr. blokiranje korisničkog naloga).

Interakcija sa okruženjem

Poslednji element definicije AI sistema odnosi se na sposobnost sistema da svojim rezultatima utiče na fizičko ili virtuelno okruženje. To znači da AI nije pasivan alat koji samo obrađuje podatke, već aktivno menja okruženje u kojem se koristi.

Taj uticaj može biti materijalan — recimo, robot koji pomera predmete u fabrici ili autonomno vozilo koje upravlja na putu — ili digitalan, poput algoritma koji menja tok podataka u softverskom ekosistemu, preporučuje sadržaj korisniku ili filtrira informacije na mreži.

Na ovaj način sistemi veštačke inteligencije postaju deo složenih društvenih, ekonomskih i tehničkih procesa. Njihova interakcija sa okruženjem može doneti velike koristi — brže procese, bolje personalizovane usluge ili efikasniju upotrebu resursa.

Ipak, istovremeno sistemi veštačke inteligencije stvaraju velike rizike. Zato je važno da prilikom dizajna i upotrebe AI sistema postoji jasno razumevanje na koji način oni utiču na svoje okruženje i koje mehanizme nadzora i kontrole je potrebno primeniti.

Upravo ovaj element definicije podseća da AI nije izolovan sistem, već složen socio-tehnički sistem koji predstavlja tehnologiju koja svojim delovanjem ostavlja trag u realnom svetu. Razumevanje definicije veštačke inteligencije nije samo akademsko pitanje — ono ima praktične posledice za regulativu, tržište i svakodnevnu upotrebu AI tehnologija.

EU AI Act jasno razdvaja šta spada u AI, a šta ne. Sedam elemenata definicije pomažu da se ta granica precizno povuče i da se izbegne konfuzija između običnog softvera i pravih AI sistema.

Na kraju, upravo ovakvo razumevanje omogućava nam da AI posmatramo realno — bez preteranog entuzijazma, ali i bez neopravdanog straha — i da veštačku inteligenciju koristimo tamo gde ona zaista donosi vrednost.