Kako sam napravio prvi AI model
Kada sam počeo učiti o veštačkoj inteligenciji i mašinskom učenju, činilo mi se kao kompleksna tema rezervisana samo za stručnjake. Međutim, shvatio sam da svako može napraviti jednostavan AI model koristeći dostupne alate i podatke. Evo kako sam napravio svoj prvi AI model koristeći Python i podatke o zaposlenima.
Prikupljanje i priprema podataka
Prvi korak u bilo kom AI projektu je prikupljanje podataka. U ovom slučaju, koristio sam CSV fajl sa podacima o zaposlenima koji sadrže sledeće informacije:
- ID
- Ime i prezime
- Godine
- Departman
- Plata
- Datum zapošljavanja
- Performans (ocena od 1 do 10)
U Pythonu, Pandas je biblioteka za analizu i manipulaciju podacima, posebno namenjena za rad sa tabelarnim podacima (kao što su Excel ili SQL tabele).
Konverzija kategorijskih podataka:
- Departman je tekstualna vrednost koju model ne može direktno razumeti
- Koristio sam „one-hot encoding“ da pretvorim departman u numeričke vrednosti
Obrada datuma:
- Datum zapošljavanja pretvoren je u broj dana koliko je zaposleni u firmi
- Ovo daje modelu numeričku vrednost koja pokazuje iskustvo
Analiza podataka
Pre nego što počnemo sa modelom, važno je razumeti podatke. Proverio sam osnovne statistike:
Prosečna plata je oko 96,000, prosečna ocena performansi 7.7, a prosečne godine zaposlenih 31.7.
Definisanje cilja modela
Odlučio sam da napravim model koji predviđa platu zaposlenog na osnovu ostalih faktora. Ciljna promenljiva je (target) plata.
Odabrao sam AI model regresije gde:
- Cilj (target): Plata (numerička vrednost)
- Ulazni faktori (features): Godine, departman, performans, staž
Izbor i treniranje modela
Za početak odlučio sam se za jednostavan model linearne regresije:
Moj prvi model imao je srednju apsolutnu grešku od oko 2,500, što znači da je u proseku greška predviđanja bila ±2,500 u odnosu na stvarne plate.
Šta MAE od 2,500 znači?
- Model u proseku greši za ±2,500 u predviđanju plate
- Npr. za platu od 100,000, predviđanje bi bilo između 97,500 i 102,500
Šta je AI model u mašinskom učenju?
- Model je algoritam koji uči veze između ulaznih podataka i izlaznih vrednosti.
- Primer: Predviđanje zarade na osnovu postojećih podataka.
Koje su faze rada sa modelom?
- Definisanje modela: Izbor algoritma (npr.
Linear Regression). - Treniranje modela: Učenje na osnovu podataka (
model.fit). - Predviđanje: Primena modela na nove podatke (
model.predict).
Zašto delimo podatke na trening i test skup?
Kada pravimo AI model, moramo testirati koliko je dobar! Zato delimo podatke na:
- Trening skup (train set) – podaci koje model koristi za učenje
- Test skup (test set) – podaci koje model NIKAD nije video, koristimo ih za proveru tačnosti modela
Ako bismo koristili sve podatke za trening, model bi „zapamtio“ podatke i ne bi mogao da predviđa nove vrednosti (overfitting).
Kako se trenira AI model?
Proces treniranja zavisi od vrste modela, ali obično izgleda ovako:
- Izaberemo model (npr. Linear Regression, Random Forest, Neural Networks…)
- Damo mu trening podatke (
X_train,y_train) - Model „uči“ obrasce u podacima
- Proverimo njegovu tačnost na test podacima (
X_test,y_test)
Kako znamo da je model dobar?
Koristimo metrike greške (MAE, MSE, R²) iz sklearn.metrics.
Realni primer upotrebe
Zamislimo da kompanija želi zaposliti novog inženjera sa 5 godina iskustva i očekivanim performansama na nivou 8. Model može:
- Odrediti poštenu početnu platu koja je konkurentna na tržištu
- Proveriti jel postojeće plate u timu odstupaju od očekivanih vrednost
- Predvideti kako će plata rasti tokom vremena na osnovu istorijskih podataka
Zaključak
Kroz ovaj jednostavan projekat videli smo:
- Kako se pripremaju podaci za AI model
- Osnove podela na trening i test skup
- Kako se treniraju i evaluiraju modeli
- Da čak i jednostavni modeli mogu dati korisne rezultate
Najvažnija lekcija je da svako može početi sa AI, čak i sa malom količinom podataka. Ključ je u eksperimentisanju i kontinuiranom učenju. Sledeći korak bi mogao biti dodavanje više podataka ili pokušaj sa drugačijim vrstama modela. Ključ je u tome da krenete od konkretnih i upotrebljivih primera, a zatim postepeno gradite složenije sisteme.
