Podsjećamo na neke od najzanimljivijih i najčitanijih priča kojima smo se bavili u prethodnoj godini.

                                                 *****

Petar Veličković - naučnik koji uči računare da "misle" kao ljudi, jednostavno rečeno, stručnije i preciznije naučnik u Google DeepMindu, koji je trenutno angažovan na glavnom projektu iz oblasti neuralnog algoritamskog rezonovanja (NAR)- razvoj sistema koji omogućavaju sistemima vještačke inteligencije da "misle". 

No, prije svih uspjeha i onog što piše u biografiji, čini se, mnogo važnije je nešto drugo na početku istaći. A to je jednostavnost, pristupačnost i nadasve kultura visokoobrazovnih i uspješnih ljudi, ali onih istinskih, što Petar Veličković jeste, i što ne ostavlja ravnodušnim. Baš kao ni rezultati. Naučni rad Veličkovića citiran je za samo pet godina 15.000 puta, što je nevjerovatan uspjeh za oblast kojom se bavi. Bio je i dio glavnog tima koji je razvijao sistem koji utiče na živote milijarde ljudi svakodnevno - Google Maps!

U razgovoru za Dnevno.me kaže da je interesovanje za prirodne nauke počelo od malih nogu, a tokom osnovne škole naročito su mu bili interesantni predmeti poput matematike, prevashodno zato što mu je, kako navodi, podosta odgovarala preciznost takvih predmeta.

“Možda pitanja nijesu bila jednostavna, ali sam mogao uvijek znati kada sam došao do tačnog odgovora”, kaže Veličković.

Ta početna impresija kasnije ga vodi do beogradske Matematičke gimnazije, gdje se naročito zainteresovao za oblast programiranja, ali i biologije. Osnovne studije računarskih nauka upisao je 2012. na Triniti Koledžu Univerziteta Kembridž, gdje je obogatio znanje iz teoretskih osnova računarstva.

“Kao 'krunu' tog razvojnog puta, odlučio sam da uradim diplomski rad iz bioinformatike, očekujući da će to biti oblast puna klasičnih algoritama, budući da su algoritmi bili jedna od oblasti koje su me, zapravo, privukle u računarstvo. Moj mentor - profesor Pietro Lio, međutim, na početku me je inspirisao da ovladam tehnikama vještačke inteligencije, jer danas u bioinformatici gotovo svi koriste te metode. To je bio prvi 'susret' sa vještačkom inteligencijom, i ta oblast mi se toliko svidjela da sam nakon odrađenog diplomskog rada odlučio da se posvetim istraživačkom radu u vještačkoj inteligenciji”, kaže nam Veličković. 

Nije uobičajeno - Veličković je “preskočio” master studije i 2016. započeo doktorat iz mašinskog učenja na Univerzitetu Kembridž. 

“Tri godine kasnije sam i uspješno odbranio svoju doktorsku disertaciju, na temu 'Povratak strukture u dubokim neuralnim mrežama' (The resurgence of structure in deep neural networks). Studije na Kembridžu bile su mi potpuno omogućene osvojenim stipendijama. Konkretno, za moje osnovne studije sam dobio punu stipendiju Triniti Koledža, koja je potpuno pokrivala troškove studija, smještaja i života. Tu stipendiju dobija veoma mali broj studenata iz cijelog svijeta svake godine. I dan - danas se često zapitam na koji sam način uspio da 'ubijedim' svoje ispitivače da mi ovu stipendiju dodijele”. 

Tokom osnovnih studija, kao student "prve klase" (najviša ocjena u britanskom visokoškolskom sistemu), dobio je još dvije stipendije Triniti Koledža. Dobitnik je i Vajzmanove nagrade (Wiseman award) koju mu je uručio Departman za računarske nauke i tehnologije Univerziteta Kembridž.

“Ta nagrada se svake godine uručuje studentima koji su izuzetno doprinijeli razvoju Departmana. U mom slučaju, priznanje mi je, prije svega uručeno zato što sam uložio dosta vremena u mentorisanje studentskih projekata.

Imao sam veliku čast da mentorišem više od trideset studenata Kembridža za njihove diplomske i master radove iz računarstva. Izuzetno  mi je zadovoljstvo zbog toga što su svi oni ostvarili odlične ezultate (četvoro su bili među najboljim u generaciji, a značajan dio njih je svoje radove kasnije pretočio u naučne radove na najvećim svjetskim konferencijama iz mašinskog učenja)".

Govoreći o tome kada se i kako zainteresovao za karijeru naučnika, kaže nam da je na početku osnovnih studija njegov cilj bio je da, nakon diplomiranja postane softverski inženjer. Ipak, tako nije bilo:

"Nakon što sam odradio ljetnju praksu softverskog inženjerstva u Majkrosoftu, postalo mi je očigledno da ta oblast nije idealna za mene, ponajviše zato što je bio smanjen akcenat na rješavanju novih, do sad neriješenih problema u računarstvu, a rješavanje takvih problema je meni predstavljalo najveću inspiraciju. Taj ishod me je prirodno zainteresovao za istraživački rad, i sljedeću praksu sam odradio unutar jedne istraživačke grupe na Kembridžu, iz oblasti računarske arhitekture”.

Iako mu, kako kaže, ta oblast nije imponovala, došao je do važnog zaključka, a to je da ga istraživački rad inspiriše.

Pozitivno iskustvo sa diplomskim radom, gdje je razvijao tehnike vještačke inteligencije za prepoznavanje raka dojke dodatno je “zacementiralo” ulazak u naučnu karijeru.

Naučni radovi Veličkovića objavljeni su na najvećim konferencijama vještačke inteligencije, kao i u najprestižnijem svjetskom časopisu za nauku.

“Moje naučne radove, prije svega objavljujem na najvećim konferencijama vještačke inteligencije (ICLR, ICML i NeurIPS), a povremeno i u časopisima. Pogotovo kada naši rezultati imaju potencijal da budu interesantiji široj javnosti. Imao sam čast da nekoliko puta objavim svoj rad u nekim od najprestižnijih časopisa za generalnu naučnu javnost. Konkretno, naš rad o vještačkoj inteligenciji kao 'Džepnom digitronu 21. vijeka za matematičare', unutar koga smo uspjeli da razriješimo probleme stare 50 godina u raznovrsnim granama matematike - objavljen je na naslovnoj strani časopisa Nature, najpoznatijeg svjetskog časopisa za nauku.

Nedavno smo, takođe, objavili jedan pregledni rad u Nature-u, u kojem sam, unutar grupe od 30-tak istaknutih naučnika, dao svoje viđenje kako vještačka inteligencija može da utiče na budućnost bavljenja naukom”.

A do ogromnog uspjeha za nepunih 30 godina Veličković, kako sam kaže, ne bi mogao doći da, u pojedinim bitnim momentima, nije imao podršku i povjerenje naučnika koji su daleko iskusniji od njega. 

“Na sličan način, izuzetno sam motivisan da, radom sa mlađim učenicima, studentima i istraživačima, vratim doprinos zajednici, i doprinesem stvaranju nove generacije talenata u vještačkoj inteligenciji.

Istakao bih, takođe, da često, pri razgovoru sa mlađim studentima, i pokušavajući da im objasnim najvažnije koncepte u mom radu, mogu da steknem vrlo vrijedne perspektive za sopstvenu oblast. Naime, na mojim svakodnevnim projektima, osim povremenih diskusija, uglavnom smo svi jasno usaglašeni po pitanju toga šta nam je cilj i kako doći do njega. Sa druge strane, kada prvi put predajem nekome metode vještačke inteligencije, često imam priliku da čujem raznovrsnost ideja i motivacija koje, inače, ne bih imao priliku da čujem”.

"Bio je potreban izuzetan rad na sebi da bih mogao da prevaziđem osjećaj “nedovoljnog uspjeha”

Ne krije da mu je najveći izazov tokom dosadašnjeg obrazovanog procesa bio prevazilaženje "sindroma uljeza" (impostor syndrome).

“Još od prvog dana u Matematičkoj gimnaziji bio sam okružen izuzetno talentovanim učenicima, koji su bili osvajači velikog broja medalja na međunarodnim naučnim takmičenjima, a koje su meni tada ostajale izvan domašaja”. 

 I taj osjećaj "nedovoljnog uspjeha" samo je nastavio da "raste" kada je otišao na Kembridž.

“Kada su moje kolege postali studenti koji su već imali izuzetne uspjehe u računarstvu prije dolaska na studije- naučne radove, patente... Da ne pričamo o momentu kada sam počeo da radim u kompaniji Google DeepMind, gdje sam se odjednom našao u istom društvu sa pionirima moderne vještačke inteligencije.

Bio je, priznaje, potreban izuzetan rad na sebi da bi mogao da taj osjećaj “nedovoljnog uspjeha” prevaziđe: ”Da slobodno stupim u kontakt sa mojim 'idolima', i da učinim da taj osećaj radi u moju korist (kao motivaciju da se konstantno poboljšavam). Sav taj trud se i te kako isplatio, kao što, nadam se, moji rezultati to i pokazuju”.

Foto: Privatna arhiva

Priča nam i da u početku nije bio svjestan značaja savjeta koji je dobio od mentora, a to je da “doktorat služi da se gradi mreža”.

“Djelimično zato što sam izuzetno introvertan! Kako su godine odmicale postajalo je sve očiglednije da je doktorat samo jedna ulaznica za karijeru naučnika. Naglašavam nije izuzetno važna sama tema ili doprinosi tokom doktorata. Teme kojima se danas bavim su samo posljedično povezane sa temama koje sam razvijao tokom doktorata.

Period izrade doktorata je vjerovatno najslobodnije vrijeme koje jedan mladi naučnik može da dobije, u smislu apsolutne slobode da se stvaraju saradnje i prijateljstva sa manje više bilo kojim naučnicima iz cijelog svijeta, i da se, generalno šire vidici i perspektive u raznovrsnim oblastima i primjenama odabrane teme. Veze koje sam izgradio tokom doktorata su mi danas neprocjenljive, neke od njih su prerasle i u prijateljstva. A danas, iako smatram da i dalje imam značajne slobode u smislu bavljenja naukom, ipak nije podjednako jednostavno graditi saradnje van firme, kao što je to bilo tokom mog vremena na univerzitetu”, kaže Veličković.

“Duboko učenje” (deep learning) trenutno najpopularnija metoda vještačke inteligencije

Budući da je naš sagovornik trenutno angažovan u Google DeepMindu, tražili smo da nam objasni značenje pojma “duboko učenje” (deep learning) koje trenutno predstavlja najpopularniju metodu vještačke inteligencije. 

“Vjerovatno svakodnevno dolazite u kontakt sa sistemima "dubokog učenja", a da toga nijeste ni svjesni! Duboko učenje je grana mašinskog učenja: nauke izgradnje sistema koji su sposobni da uoče i iskoriste zakonitosti u podacima.

Da bismo razumjeli kako se obučavaju takvi sistemi, uzmimo popularan primjer: predviđanja da li se na fotografiji nalazi mačka ili pas. Na početku obučavanja, sistem mašinskog učenja neće biti pouzdan, i jako često će predviđati da su mačke psi, i obrnuto. U takvim situacijama, tokom obučavanja se sistemu ukazuje na greške koje je napravio, na osnovu čega sistem automatski ažurira svoje parametre, tako da u budućnosti ne ponavlja istu grešku. Ukoliko se taj proces ponovi dovoljno puta, na dovoljno velikom skupu fotografija možemo smatrati da je sistem 'naučio' da prepoznaje mačke i pse u slikama”.

Komjuterska laboratorija na Univerzitetu Kembridž; Foto: Privatna arhiva

Suština ”dubokog učenja” je, objašanjava naš sagovornik, u nivou obrade podataka koju mora da obavlja čovjek. 

“Tradicionalni sistemi mašinskog učenja, uglavnom, su zahtjevali da stručnjaci pažljivo posmatraju podatke koji se obrađuju, i na osnovu njih ručno izgrade određena svojstva koja su bitna za njihovu obradu. Na primjer, prvobitni sistemi za obradu teksta pažljivo analiziraju lingvističku strukturu teksta: koje riječi su imenice, koje riječi su glagoli, na koji način su riječi organizovane u rečenici, pa tek onda obučavaju sistem koji uzima u obzir ovu strukturu.

U kontrastu sa takvim sistemima, modeli 'dubokog učenja' ne zahtjevaju gotovo nikakav dodatni trud od stručnjaka, već se sistemu direktno serviraju 'sirovi' podaci, na osnovu kojih on sam izvlači najvažnija svojstva tokom obučavanja. U kontekstu obrade teksta, današnji popularni veliki jezički modeli (kao što su Bard, Claude i ChatGPT) obučavaju sistem da predviđa koja je sljedeća riječ u tekstu, na osnovu svih prethodnih riječi. Takvi sistemi su dugo vremena bili jako popularni kao osnova 'pametnih tastatura' koje sugerišu korisniku koju sljedeću riječ da otkuca. Dokazano je, međutim, da, kada se obučavaju nad cjelokupnim sadržajem interneta, postaju daleko više "načitani" od ljudi i stoga predstavljaju jako korisne 'inteligentne asistente' koji mogu odgovarati na razne vrste pitanja korisnika”.

Foto: Privatna arhiva

Veličković navodi još jedan primjer koji može pomoći u objašnjenju razlike između “dubokog učenja” i tradicionalnog mašinskog učenja. Riječ je o korišćenju vještačke inteligencije kod igara. 

“Naime, 1997. vještačka inteligencija je dostigla svoj prvi 'nadljudski' rezultat, kada je IBM-ov sistem Deep Blue pobijedio Garija Kasparova u šahu. Deep Blue je obučen tako što je velika grupa ljudskih šahovskih stručnjaka razvila matematičke modele koje, na osnovu stanja šahovske table, direktno računaju koliku prednost (ili zaostatak) ima bijeli takmičar u odnosu na crnog.

Na osnovu ovih modela, Deep Blue je obučen da pronalazi poteze koji maksimiziraju prednost njegovog takmičara. Dvije decenije kasnije, 2017. DeepMind je razvio sistem AlphaZero, koji je naučio da igra šah na potpuno drugačiji način: sistemu je samo prikazano stanje šahovske table, i on je obučen da sam nauči kolika je prednost bijelog takmičara tako što je odigrao ogromne količine partija sam protiv sebe, i analizirao postignute rezultate (pobjedu, remi ili gubitak). Iako je ovo način obučavanja koji ima daleko manje ljudskih elemenata, AlphaZero je uspješno pobijedio najpopularnije šahovske sisteme tog perioda, uključujući i popularni Stockfish”.

Foto: Privatna arhiva

Radni dan u Google DeepMindu

Angažman u Google DeepMindu začarani je krug učenja, istraživanja, prezentovanja i mentorisanja- tim riječima opisuje radni dan naš sagovornik.

“Uvijek aktivno pokušavam da naučim nove stvari, čitam naučnu literaturu, i slušam predavanja i seminare. Onda, koristeći naučeno, pristupam zajedničkim diskusijama sa članovima mog tima, da bismo predložili načine na koje možemo dodatno produbiti ta znanja da bismo imali pozitivan uticaj na svijet. Iz ovih diskusija se rađaju ideje, nakon čega koristimo kombinaciju teorije i programiranja da bi postavili i potvrdili naše hipoteze. Ukoliko naše predložene metode urode plodom, uglavnom pišemo naučne radove koji dijele naše nalaze sa širom naučnom zajednicom”.

 A istraživanje nekog rezultata nije ni izbliza podjednako vrijedno ukoliko se ne prezentuje na pravi način, i ukoliko se ne pomogne drugima da maksimalno iskoriste zaključke do kojih se došlo tokom rada, poručuje Veličković.

“Zbog toga, provodim dosta vremena prezentujući naše radove na naučnim konferencijama, držeći predavanja, i mentorišući studente. Takve inicijative često dovode do novih povezivanja koncepata, i otkrivanja osnova za dalje istraživanje, čime začarani krug ponovo otpočinje!”

Kaže i da se oblast kojom se trenutno bavi u Google DeepMindu tek "zahuktava", i da tek možemo očekivati neke od najimpresivnijih pomaka:

“Neuralno algoritamsko rezonovanje (NAR -- Neural Algorithmic Reasoning) je metoda koja pokušava da napravi sisteme vještačke inteligencije koji su sposobni da pouzdano rješavaju probleme, tako što uče ne samo da proizvode konačne odgovore, već i da izvršavaju sve korake rezonovanja, na način koji ima veću šansu da generalizuje na nove situacije.

Temelje NAR-a postavili smo Čarls Blandel i ja, tokom mojih početaka u firmi Google DeepMind, 2019.
 
Od nedavnih uspjeha te tehnike, izdvojio bih naš rad gdje smo uspješno obučili sistem vještačke inteligencije da izvršava, korak po korak, klasične algoritme koji računaju maksimalni protok, i onda njih iskoristili za efikasnu analizu svih krvnih sudova u mozgu. Prije nekoliko godina, principi NAR-a su našli put i u naš rad sa naslovne strane časopisa Nature, u kome smo upotrebili sisteme vještačke inteligencije da bismo pomogli matematičarima da otkriju skrivenu strukturu u matematičkim objektima koje analiziraju, i tako doveli do velikih pomaka na problemima koji su prethodnih 50 godina bili izvan domašaja matematičara. Kao što bi se moglo očekivati, NAR je, takođe, inspirisao mnoge metodologije koje su već našle put u obučavanju današnjih velikih jezičkih modela. Imao sam čast da o neuralnom algoritamskom rezonovanju predajem na brojnim naučnim skupovima, konferencijama i institucijama, ali i podkastima”.

Foto: Privatna arhiva

Najponosniji na dio istraživačkog rada tokom kojeg je razvijao Google maps

A tokom ranijeg angažmana u Google DeepMindu Veličković je bio dio tima koji se bavio onim što je većini od nas dobro poznato - Gugl Mape. Za Veličkovića je to jedan od najponosnijih momenata u dosadašnjem istraživačkom radu, jer je, kaže “iskočio” iz domena Lego kockica i učestvovao u razvijanju sistema koji utiče na živote milijarde ljudi svakodnevno.

"Jedna od najvažnijih informacija koju Gugl Mape (Google Maps) serviraju je očekivano vrijeme putovanja, tj. koliko minuta će vam trebati da putujete na svakoj ruti. To je jako važna informacija koja se servira ne samo milijardima korisnika svakodnevno, već i velikom broju kompanija (npr. dostave hrane, ride-sharing) koje zavise od predviđanja Gugl Mapa da bi svojim korisnicima stavili do znanja kada da očekuju vozilo. Transportne mreže se mogu vrlo elegantno predstaviti kao grafovi raskrsnica povezanih putevima. 

Bio sam jedan od glavnih istraživača u timu unutar Google DeepMinda koji je koristio sistem vještačke inteligencije nad ovakvim grafovima, i uspjeli smo da napravimo sistem koji značajno tačnije predviđa očekivano vrijeme putovanja u Gugl Mapama od prethodnog sistema koji je koristio Gugl.

Konkretno, u gradovima poput Sidneja, preko 40% korisničkih puteva čije je vrijeme putovanja ranije bilo pogrešno procijenjeno su sada pravilno procijenjeni koristeći naš sistem. Uzimanjem u obzir cijelu strukturu putničke mreže, naš sistem je u velikom broju slučaja bio u mogućnosti da predvidi zastoje u saobraćaju prije nego što se dese- nešto što prethodni sistem nije bio u mogućnosti da uradi. Kao rezultat, naš sistem je već u upotrebi širom svijeta, tako da bez obzira gdje se nalazite u svijetu, ukoliko pitate Gugl Mape za predložen put od mjesta A do mjesta B, očekivana vremena putovanja koja ćete dobiti su servirana od modela koji smo mi razvili." 

"Kao što je nestalo zanimanje operater lifta, tako će biti stvoreno neko novo kao što je prompt inženjera"

Govoreći o tome u kojoj mjeri će vještačka inteligencija uticati na tržište rada kaže da će svakako pojedina zanimanja nestati, ali i da će se stvoriti potreba za nekim novim.

“Vještačka inteligencija će definitivno promijeniti tržište rada, u smislu da će to biti još jedna u nizu transformativnih alatki koje je čovječanstvo stvorilo, da bi dodatno automatizovali 'dosadne' djelove naših poslova i ostavili nam više vremena za one segmente našeg posla koji su zaista kreativni.

To će svakako dovesti do nestajanja nekih zanimanja, ali to je normalan proces razvitka čovječanstva!

Da bih ovo ilustrovao, dozvolite mi da vas vratim samo nekoliko decenija unazad, kada liftovi nijesu bili dovoljno automatizovani, i njima nije mogao svaki čovjek da upravlja. Tada je postojalo posebno zanimanje 'operater lifta', tj. osobe koja bukvalno stoji u liftu sa vama i zadaje liftu na koji sprat da vas povede.

Sa poboljšanom automatizacijom, takvo zanimanje više ne postoji. Na sličan način, pojavom današnjih sistema vještačke inteligencije zasnovanim na velikim jezičkim modelima, 'niču' nova zanimanja koja se tiču pravilnom upotrebom takvih sistema (kao što je zanimanje 'prompt inženjera', osobe koja se specijalizuje u izdavanju što boljih zahtjeva jezičkom modelu, da bi odgovori bili što korisniji korisniku ili organizaciji)”, objašnjava Veličković, uz napomenu da kao i svaka nova tehnologija koju čovječanstvo izmisli, ni vještačka inteligencija nije imuna na malicioznu upotrebu, pogotovo ako padne u ruke "zlih aktera".

“Prema mom mišljenju, glavni načini borbe sa takvim problemima je ulaganje u edukaciju ljudi o tim sistemima: da umiju da prepoznaju kada imaju interakciju sa sistemom vještačke inteligencije, da znaju načine na koji ti sistemi mogu da proizvode neželjene informacije, i da, ukoliko se upuste u inženjerske vode, da razvijaju takve sisteme sa ugrađenim etičkim normama.

Lično, optimista sam da će ti sistemi biti upamćeni po njihovom pozitivnom doprinosu ljudima, znajući da sve organizacije koje trenutno imaju resurse za izradu takvih sistema, takođe, imaju izuzetno razvijene timove za etiku vještačke inteligencije, kao i da su potpisali ugovore o međusobnoj saradnji ka bezbjednosti takvih sistema”.

Foto: Privatna arhiva

Želi da u budućnosti doprinese izgradnji bezbjednih i korisnih sistema vještačke inteligencije

U jednom intervjuu Veličković je kazao da, trenutno, ne bi pristao na let avionom kojim bi se upravljalo uz pomoć vještačke inteligencije. Pitali smo ga koliko smo “daleko” od tog leta?

“Trenutno bih rekao da je glavni problem u tome da, iako ti sistemi mogu dostići nadljudske nivoe tačnosti, takođe i dalje mogu biti 'izuzetno zbunjeni'. Na primjer, sistem za samovozeći automobil, tokom jako svijetlog dana, možda neće biti uvijek u mogućnosti da prepozna bijeli kamion ispred sebe.U takvim situacijama, čovjek može brzo reagovati, dok sistemi vještačke inteligencije mogu da, tokom svoje zbunjenosti, konstantno nastave sa neispravnim komandama.

Da bismo smanjili rizik od takvih situacija, neophodno je da naučimo modele da pravilno donose zaključke, a ne samo da iskorišćavaju sirove zakonitosti u podacima. To nas opet vraća na sisteme rezonovanja, koji su aktivna tema mog istraživačkog rada. Ne bih mogao da predvidim sa sigurnošću koliko smo daleko od sistema koji su sposobni da rigorozno rezonuju, ali se nadam da ćemo do takvih sistema doći u narednih nekoliko godina”, kaže Veličković.

Otkriva nam da mu je, u skorijem periodu, glavni plan da nastavi da se bavim istraživačkim radom, i da što je moguće više doprinese izgradnji bezbjednih i korisnih sistema vještačke inteligencije.

“Koliko god je moguće, planiram i da se aktivno uključim u primjenama takvih sistema na zanimljive i važne naučne i industrijske probleme. Uskoro ćemo izbaciti jedan rad gdje smo primijenili sisteme vještačke inteligencije na sportsku analitiku... jedva čekam da podijelim rezultate sa vama”!

“Crnogorski korijeni su me naučili koliki značaj ima porodica u izgradnji uspjeha”

Ne želeći da potenciramo, ali ni da zanemario podatak korijeni Petra Veličkovića, sa očeve strane su iz Crne Gore, tačnije iz Bijelog Polja. I na to je, kaže, naročito ponosan:

“Rekao bih da je moja crnogorska strana imala izuzetan uticaj na razvoj mene kao ličnosti - naučila me značaju porodice u izgradnji nečijeg uspjeha. Bez obzira na situaciju kroz koju sam prolazio, uvijek sam mogao da računam na bezrezervnu podršku od mojih rođaka, i ponekad mi je samo saznanje da takvu podršku imam davalo motivaciju da jurim ka novim uspjesima. Nadam se da sam i ja uspio, na sličan način da pozitivno doprinesem njihovim uspjesima”.

Foto: Privatna arhiva

Kaže nam i da postoji izuzetna volja da održi kontakt sa lokalnom zajednicom vještačke inteligencije u Crnoj Gori. 

„Već sam preduzeo neke korake ka tom cilju: prošlog ljeta sam prvi put održao predavanje o mom naučnom radu u Podgorici, na poziv Univerziteta Donja Gorica. To je, ujedno, bila prva prilika da o svojim nedavnim dostignućima govorim na maternjem jeziku - sve moje prezentacije do tada su bile na engleskom. Iskustvo je bilo izuzetno, kao i interakcije sa učenicima, studentima i naučnicima koji su mom predavanju prisustvovali. Kasnije sam, igrom slučaja, upoznao nekoliko članova crnogorske zajednice vještačke inteligencije u dijaspori, koji su mi obaviijestili da će izgraditi Crnogorsku asocijaciju vještačke inteligencije (Montenegrin AI Association, MAIA). Bez oklijevanja sam pristupio toj organizaciji kao savjetodavni član, i svakodnevno sam inspirisan pozitivnom energijom njenih članova”.

Tvrdoglavost - osobina kojom je prkosio i postizao rezultate

U iskrenom razgovoru od početka do kraja, Veličković kaže da je, upravo zahvaljujući jednoj osobini zacrtano uvijek i ostvario:

“Ne bih za sebe rekao da sam pretjerano prirodno talentovan za nauku kojom se bavim, ali jesam istrajao u svojim ciljevima. Čak i kada je gotovo sve u mom okruženju ukazivalo da su ti ciljevi izvan mog domašaja - često tvrdoglavo ignorisao sam savjete ljudi oko mene. To sam uradio, prije svega zato što sam imao veliku vjeru u svoje ideje, kao i ljubav prema oblasti kojom se bavim. Dokle god je ta ljubav prisutna, imam sigurnost da će dolaziti i dobri rezultati, bez obzira koliko negativnih signala dobijao”, kaže sagovornik portala Dnevno.me.

Kao veliki problem kod mlađe generacije izdvaja nedostakak motivacije, a locira i  jedan od mogućih uzročnika takvog stanja:

“Ono što bih rekao da nam najviše nedostaje (još uvijek brojim i sebe u "mlade") je nedostatak pristupa relevantnim prilikama, kao i manja motivacija da se takve prilike zatraže. Naime, dok na univerzitetima poput Kembridža studenti bukvalno bivaju obasipani prilikama za prakse, zaposlenje i istraživački rad u prestižnim institucijama, slične prilike ne postoje ni izbliza u tolikoj mjeri na našim prostorima, i naši studenti su onda manje motivisani da onda takve prilike zatraže".

"Ponekad je dovoljno poslati mejl profesoru sa kojim biste željeli da sarađujete"

Razgovorom za Dnevno.me, Petar Veličković naročito želi da pošalje jednu poruku:

"To je, možda, najvažnija poruka koju bih istakao u ovom intervjuu: naši studenti definitivno imaju znanja koja su relevantna i tražena, i samo treba da budu motivisani da zatraže relevantne istraživačke projekte ili prakse - ponekad je dovoljno poslati mejl profesoru sa kojim biste željeli da radite. Naravno, moja je želja da takve prilike učinim još dostupnijim našim studentima i naučnicima. Generalno, uvijek sam otvoren za saradnje i diskusije sa studentima, naučnicima i institucijama u Crnoj Gori - slobodno mi pošaljite mejl, ako ste zainteresovani!

Jer, svojim uspjehom, zaista, smatram kada god pozitivno utičem na ljude: bilo to pažljivim mentorstvom ili razgovorom, razvijanjem metoda koje nađu put u aplikacije koji koriste milijarde ljudi. Jednako tako uspjeh je i kada pored svih izazova koje zanimanje naučnika svakodnevno pruža, provedem kvalitetno vrijeme u krugu porodice i prijatelja”, zaključuje Veličković za Dnevno.me.