Business&IT Archives - Business&IT

Robotika i veštačka inteligencija u poljoprivredi

Aleksa Blažić — Wed, 29 Oct 2025 14:20:28 +0000

AgAR

Robotika i veštačka inteligencija u poljoprivredi

U eri ubrzanog tehnološkog napretka i poljoprivreda se nalazi na pragu revolucije, koja ima za cilj da transformiše način na koji uzgajamo hranu i upravljamo prirodnim resursima. U središtu ove transformacije nalaze se robotika, veštačka inteligencija i digitalizacija, moćni igrači koji redefinišu agroinovacije širom sveta.

Poljoprivreda u Evropi prolazi kroz značajnu transformaciju, vođenu primenom AI, automatizacijom i robotizacijom.

Glavni faktori i pokretači ovih promena su:

• Nedostatak radne snage, demografske promene i niska produktivnost; • Potreba za očuvanjem resursa i smanjenjem upotrebe hemijskih sredstava;

• Tehnološki napredak i klimatske promene;

• Finansijska podrška iz EU programa i rast investicija u skladu sa principima i inicijativama EU Green Deala.

Digitalne tehnologije – AI, mašinsko učenje, kompjuterska vizija, RTK-GNSS sistemi, IoT, napredni senzori, robotske kopnene platforme i dronovi – omogućavaju farmama da postanu produktivnije, održive i energetski efikasnije, dok robotizacija poljoprivredne proizvodnje izlazi iz domena naučne fantastike. To je realna, brzorastuća industrija, sa jasnim ciljevima i rešenjima za produktivnost i održivost. Mnoge moderne farme već godinama koriste traktore vođene GPS-om i digitalnu tehnologiju, kao što su softverski sistemi za upravljanje farmama. Sada, napredak na polju veštačke inteligencije znači da sledeći korak – autonomna farma sa minimalnim angažovanjem ljudske radne snage – konačno postaje realnost. Možete li da zamislite farmu na kojoj flotom robotskih traktora, dronova i specijalizovanih mašina upravlja veštačka inteligencija, koja u realnom vremenu izvršava operacije na osnovu podataka o stanju zemljišta i vremenskim prilikama? Senzori koji prate zdravlje biljaka na hiljadama hektara pokreću precizno prskanje ili navodnjavanje tačno tamo gde je potrebno. Sistemi robotskih traktora, dronova i senzora, vođenih veštačkom inteligencijom, transformišu farme u moćne proizvodne pogone, zasnovane na prikupljanju i analizi podataka. Detaljnim snimanjem i mapiranjem terena, prikupljanjem rezultata očitavanja senzora i analizom stanja useva, oni stvaraju „Digital Twins“ – virtuelne replike polja, koje sa preciznošću određuju sastav tla, mikrolokacijske uslove ili detektuju delove zasada napadnute bolestima ili štetočinama. Ove tehnoRobotika i veštačka inteligencija u poljoprivredi U eri ubrzanog tehnološkog napretka i poljoprivreda se nalazi na pragu revolucije, koja ima za cilj da transformiše način na koji uzgajamo hranu i upravljamo prirodnim resursima. U središtu ove transformacije nalaze se robotika, veštačka inteligencija i digitalizacija, moćni igrači koji redefinišu agroinovacije širom sveta. AgAR 25 logije omogućavaju poljoprivrednicima da smanje uticaj klimatskih promena, rano uoče probleme i precizno planiraju intervencije, pritom smanjujući količinu otpada, čuvajući životnu sredinu i povećavajući prinose. AgAR ulazi na scenu u pravom trenutku: tržište traži multifunkcijska, ekonomična i interoperabilna rešenja. Dok evropski startapi briljiraju na polju specijalizovanih rešenja, AgAR ima priliku da postane referentna multiplatforma za male i srednje proizvođače, zahvaljujući ceni, modularnosti i razvijenoj distributivnoj i servisnoj podršci. Međutim, put do široke primene vodi kroz investicije i usvajanje standarda, kao i praktične projekte koji dokazuju ROI na terenu. Robotika u poljoprivredi neće zameniti farmera, već će ga osnažiti da upravlja kompleksnijim, održivijim i rezistentnijim poljoprivrednim sistemom.

Glavni igrači na evropskom i svetskom tržištu

Evropska scena poljoprivredne robotike danas je jedno od najživljih polja inovacija u svetu. Startapi, univerzitetski spinoffovi i etablirani proizvođači utrkuju se u razvoju novih generacija robota, koji će transformisati način obrade zemlje, gajenja useva i upravljanja resursima. Najrazvijeniji segment čine specijalizovani roboti, namenjeni vinogradima, voćnjacima i povrtarskoj proizvodnji. Francuski Naïo Technologies i VitiBot fokusirani su na vinograde. Njihovi električni i hibridni roboti pomažu u održavanju zasada i zaštiti vinove loze. Švajcarski Ecorobotix razvija specijalizovana rešenja za tzv. spot spraying (ciljano i usmereno prskanje korišćenjem sofisticiranih AI algoritama i kompjuterske vizije), koja omogućavaju precizno doziranje herbicida i drastično smanjenje njihove upotrebe. Oblast koja izaziva veliko interesovanje jeste robotizovana berba i manipulacija plodovima. Dok su povrće i žitarice relativno lako prilagodljivi mehanizaciji, berba osetljivih kultura, poput jagoda, bobičastog voća, paradajza ili jabuka, zahteva sofisticirane tehnologije. Ovde se ističu startapi poput američko-kanadskog Farmwisea, koji razvija sisteme za specijalizovanu obradu povrtarskih kultura, zatim Tortuga i Oishii, usmereni na bobičasto voće, kao i izraelski Tevel, poznat po svojim „letećim beračima“ – dronovima opremljenim robotizovanim rukama, ali i domaći BSK Obrenovac, sa svojom inovativnom tehnologijom vazdušnog branja.

AgAR ima priliku da postane referentna multiplatforma za male i srednje proizvođače, zahvaljujući ceni, modularnosti i razvijenoj distributivnoj i servisnoj podršci

Šta je AgAR i čime se izdvaja?

AgAR je potpuno električna UGV (Unmanned Ground Vehicle) platforma, dizajnirana kao modularni nosač alata. Ključne karakteristike koje ga izdvajaju su:

Modularnost i kompatibilnost sa konvencionalnim traktorskim priključcima i modernim robotskim alatima;
Softverska arhitektura zasnovana na ROS 2, koja omogućava brz razvoj dodataka, integraciju AI modula, autonomno kretanje po unapred zadatim putanjama ili daljinsko upravljanje;
Električni pogon i baterijsko napajanje sa zamenjivim baterijama, autonomija dovolјna za obavljanje celodnevnih zadataka, bez emisije štetnih gasova;
Kompaktnost i mala masa platforme, u cilju manjeg kompaktiranja tla.

AgAR i COMING nastoje da evropskom i svetskom tržištu ponude univerzalnu robotsku platformu za obavljanje više različitih poslova – monitoringa, prskanja, sadnje, mehaničkog suzbijanja korova itd., što eliminiše potrebu za kupovinom više specijalizovanih mašina i malim i srednjim proizvođačima omogućava ulazak u svet robotizacije i automatizacije. Nakon zapaženih nastupa i priznanja na sajmovima u Poljskoj i Nemačkoj, AgAR se ove godine našao među finalistima prestižnog evropskog takmičenja TOTY (Tractor of the Year International Award 2026) u TOTYbot kategoriji. Finale će biti održano 9. novembra na sajmu Agritechnica 2025. u Hanoveru, najvećem evropskom sajmu poljoprivredne mehanizacije i inovacija u agritech sektoru. U konkurenciji autonomnih traktora bez kabine, opremljenih standardnim priključkom (three-point hitch) i minimalno TRL8 nivoom tehnološke zrelosti, osim AgAR-a i COMING-a, u finalu će se naći i AgXeed 2.055 W3 (Holandija), Agricobots ATOMATIKA (Italija), Robotti LR Agrointelli (Danska) i TRAKTORARVID Drever 120 (Švedska). Plasman među finaliste na TOTYbot takmičenju nije samo priznanje za domaći razvoj i dokaz tehnološke zrelosti i spremnosti za komercijalnu upotrebu, već i prilika za ekspanziju na evropsko i globalno tržište. AgAR i COMING nastavljaju da prate trendove u AI integraciji, digitalizaciji i regenerativnoj proizvodnji, te povećavaju šanse da se uvrste među lidere nove generacije proizvođača agrorobota u Evropi.

Marko Tamburić, COMING

The post Robotika i veštačka inteligencija u poljoprivredi appeared first on Business&IT.

Regulisanje veštačke inteligencije

Aleksa Blažić — Wed, 29 Oct 2025 14:10:00 +0000

Odgovornost u razvoju i korišćenju AI

Regulisanje veštačke inteligencije

Ovaj tekst nije napisala veštačka inteligencija

Kroz svaki broj časopisa Business & IT trudimo se da vas upoznamo sa najnovijim trendovima i novostima iz oblasti tehnologije. Kako se nalazimo usred IV tehnološke revolucije, u čijem centru je veštačka inteligencija, u ovom broju osvrnućemo se na temu regulisanja ove oblasti. Regulacija je sporiji pratilac svakog razvoja, pa ipak, sada je uobičajeno da postoje standardi za proizvodnju i upotrebu skoro svakog uređaja. Regulisano je, na primer, kako treba da se ponašamo dok vozimo automobil, kako kontrolišemo odlaganje otpada koji je nusproizvod industrijske proizvodnje i još bezbroj oblasti i pitanja, što se potrebnim nametnulo kada smo počeli da koristimo plodove prethodnih tehnoloških revolucija i osetili probleme i rizike koje njihova upotreba nosi. Više nego ikada ranije, sada posebno dolazi do izražaja nemogućnost da se pravilima i regulativama ide u korak sa razvojem tehnologije, pa se procene uticaja i postavljanje ograničenja ostavljaju za kasnije. Kako regulišemo veštačku inteligenciju, tehnologuju koja će, po svemu sudeći, promeniti svet iz korena i dosegnuti svuda gde doseže i ljudski um?

Zakon posmatra sisteme veštačke inteligencije u odnosu na procenjeni rizik po pojedinca i društvo u celini, te u odnosu na visinu rizika predviđa i pravila za njih

Evropski zakon o veštačkoj inteligenciji

Iako je kompanija koja proizvodi hardver za veštačku inteligenciju trenutno najvrednija kompanija na svetu, a tehnološki giganti koji je prate na listi najvrednijih ogromne resurse okreću upravo razvoju modela i sistema veštačke inteligencije, propisi koji se tiču ove oblasti su i dalje retki. Po broju donetih svakako prednjači Evropska unija. Zakon o veštačkoj inteligenciji EU, prvi sveobuhvatni propis koji se tiče ove oblasti, stupio je na snagu 1. avgusta 2024, sa punom primenom svih odredbi predviđenom do 2. avgusta 2027. godine. Zakon posmatra sisteme veštačke inteligencije u odnosu na procenjeni rizik po pojedinca i društvo u celini, te u odnosu na visinu rizika predviđa i pravila za njih. Sistemi čija upotreba nosi rizik koji se smatra neprihvatljivim, zbog toga što utiču na osnovna ljudska prava, zabranjeni su. Primeri takvih sistema su oni koji koriste manipulativne tehnike za donošenje odluka, koji utiču na svest osoba i usmeravaju ih na donošenje određenih odluka (npr. praćenje navika potrošača, da bi se prepoznao momenat za impulsivnu kupovinu), sistemi koji koriste određene ranjivosti pojedinaca, sistemi koji vrše socijalno bodovanje sa negitivnim ishodom po pojedinca i dr. Osim zabrane navedenih sistema, ovaj zakon se većim delom fokusira na regulisanje sistema visokog rizika. Ovi sistemi će morati da ispunjavaju stroge zahteve, kao što su upravljanje rizikom, korišćenje skupova podataka visokog kvaliteta, evidentiranje aktivnosti, detaljna dokumentacija, transparentnost, ljudski nadzor i visoki standardi za sajber-bezbednost. Uopšteno, bili bi to sistemi koji upotrebu imaju u obrazovanju, zapošljavanju, Regulisanje veštačke inteligencije Ovaj tekst nije napisala veštačka inteligencija Odgovornost u razvoju i korišćenju AI Zakon posmatra sisteme veštačke inteligencije u odnosu na procenjeni rizik po pojedinca i društvo u celini, te u odnosu na visinu rizika predviđa i pravila za njih 23 kritičnim sistemima (npr. vodosnabdevanju, upravljanju saobraćajem), sprovođenju zakona i sličnim oblastima života za koje je procenjeno da bi upotreba veštačke inteligencije mogla imati štetan uticaj na pojedince i društvo.

Poseban fokus propis stavlja na modele veštačke inteligencije opšte namene, tj. modele predviđene za izvršavanje velikog broja različitih zadataka u raznim oblastima, kao što su ChatGPT, DeepSeek, Claude i sl. Na takve modele, koji poseduju određene tehničke karakteristike (više od 1025 operacija sa pokretnim zarezom), primenjuju se striktna pravila, pošto se smatra da sa sobom nose rizik koji je sistemski, tj. da mogu negativno i dalekosežno uticati na više sfera društva. Svi modeli opšte namene, bilo da podrazumevaju sistemski rizik ili ne, moraju da poštuju propise Evropske unije koji se tiču intelektualne svojine, da jasno predstave na kojim podacima je model treniran itd. Ova posebna pravila počela su da važe od 2. avgusta 2025. Sistemi koji nose ograničen rizik moraju da na transparentan način upoznaju korisnike sa činjenicom da komuniciraju sa alatom veštačke inteligencije (npr. četbotom), da je određeni sadržaj nastao upotrebom AI alata i sl. Najveći broj sistema koji će u privredi imati svakodnevnu upotrebu najverovatnije će pripadati grupi proizvoda minimalnog rizika, gde neće postojati obaveza usklađivanja (npr. filteri elektronske pošte, razni pomoćni alati). Slično GDPR-u, za Zakon o veštačkoj inteligenciji predviđena je ekstrateritorijalna primena, tj. važenje i za lica koja nemaju prebivalište ili sedište u EU, ukoliko sisteme veštačke inteligencije stavljaju na tržište ili u upotrebu u Evropskoj uniji. Dakle, ukoliko kompanija iz Srbije pravi softver zasnovan na veštačkoj inteligenciji koji će plasirati korisnicima u EU, njeno poslovanje mora biti usaglašeno sa odredbama ovog zakona. Uz određene izuzetke, koji se odnose na oblast bezbednosti, istraživačkog rada i sl., kao i upotrebu od strane fizičkih lica za lične, neprofesionalne svrhe, ovi propisi se odnose na sve aktere uključene u životni ciklus ovih sistema, od isporučilaca, uvoznika i distributera, do krajnjih korisnika na koje tehnologija utiče. Kršenje obaveza može dovesti do kazni koje se, u zavisnosti od vrste prekršaja, kreću i do 35 miliona evra ili 7% ukupnog godišnjeg prihoda na globalnom nivou. Početak primene ovog propisa nije prošao bez protivljenja, koja su najviše dolazila iz pravca startap zajednice, velikih tehnoloških kompanija iz SAD i američke administracije.

Srbija je jedna od 44 članice, a trenutno i predsedavajuća, Globalnog partnerstva za veštačku inteligenciju, osnovanog sa ciljem odgovornog razvoja i upotrebe ove tehnologije

Propisi o AI van granica EU

Sjedinjene Američke Države trenutno zauzimaju pristup izbegavanja opsežne regulacije ove oblasti, iz straha od ograničavanja inovativnosti i gubljenja trke u tehnološkom razvoju, najviše od Kine, svog najvećeg takmaca. U Kini takođe nije na snazi jedinstvena regulativa, ali postoji više propisa koji se odnose na primenu u određenim sektorima i za specifične namene, kao i propisi koji pretežno vode računa o informacionoj bezbednosti sistema i podataka. U Srbiji je usvojena Strategija razvoja veštačke inteligencije za period 2025-2030, a radi se na donošenju zakona koji reguliše ovu oblast, koji će pretežno pratiti propise EU, u skladu sa obavezama Srbije u procesu pridruživanja. Srbija je i jedna od 44 članice, a trenutno i predsedavajuća, Globalnog partnerstva za veštačku inteligenciju, osnovanog pod okriljem Organizacije za ekonomsku saradnju i razvoj, sa ciljem odgovornog razvoja i upotrebe ove tehnologije. Za kompanije iz Srbije biće izazov da se prilagode propisima EU, koja je i dalje naše najveće izvozno tržište, ali i šarolikom pravnom okviru i mnoštvu različitih propisa u SAD i na svim ostalim ciljanim tržištima. Takođe, sve kompanije imaće obavezu da sagledaju upotrebu alata veštačke inteligencije u svakodnevnom poslovanju, ne samo da bi osigurale usaglašenost sa propisima koji regulišu ovu oblast, već i da bi predvidele i sprečile moguće posledice na ostale segmente poslovanja i života – radne odnose, poštovanje propisa u vezi sa intelektualnom svojinom, poverljivost podataka, zaštitu podataka o ličnosti i sl. Trenutno je nepoznanica koliko će upotreba veštačke inteligencije promeniti tržište rada i da li će biti potrebe za intervencijama država i međunarodnih organizacija na tom polju, ali je sigurno da se društva upotrebom ove tehnologije menjaju brže nego ikad pre.

Višnja Crnogorac, COMING

The post Regulisanje veštačke inteligencije appeared first on Business&IT.

AI demokratizacija na talasu malih i otvorenih modela

Aleksa Blažić — Wed, 29 Oct 2025 13:39:34 +0000

AI demokratizacija na talasu malih i otvorenih modela

Evolucija malih i otvorenih modela otvara nove mogućnosti za kompanije svih industrija da koriste veštačku inteligenciju na načine koji su ranije bili dostupni samo tehnološkim gigantima

Sem Altman, izvršni direktor kompanije OpenAI, koja je sa ChatGPT-om pokrenula AI lavinu, izjavio je pre oko dve godine da startapi koji imaju 10 miliona dolara finansiranja protiv njih nemaju nikakve šanse (tačan izraz koji je upotrebio je „totally hopeless“ – potpuno beznadežno). I ako bismo se vratili u tu 2023, videli bismo da ponudom AI servisa dominira mali broj ogromnih kompanija, baš onako kako Altmanu i njegovoj konkurenciji i odgovara. Skočimo sada na 27. januar 2025, dan kada su indeksi američke berze pali za nekoliko procenata, a NVIDIA, dominantni proizvođač GPU čipova koji se masovno koriste za AI primene, izgubila 600 milijardi dolara vrednosti kompanije. Razlog? Jedan kineski startap, za koji do tada praktično niko nije čuo i objava njihovog DeepSeek-R1 AI modela, koji je pokazao performanse uporedive sa najboljim AI servisima, a navodno je istreniran za manje od 6 miliona dolara. Iako ne prikazuje kompletnu investiciju u razvoj (koja se verovatno meri i milijardama), ova brojka je dosta efektna, posebno imajući u vidu Altmanovu izjavu s početka članka. Koliki god da je tačan trošak, DeepSeek je pokazao da se inovacijama u načinu treniranja modela mogu dramatično smanjiti troškovi razvoja, pa samim tim i cena AI usluga ka krajnjim korisnicima i praktično niotkuda uzeo deo kolača na tržištu kojim su do tada dominirale pretežno kompanije iz SAD. Ali DeepSeek je otišao i korak dalje – svoj model nije ponudio samo kao plaćeni servis, već ga je učinio otvorenim i dostupnim svima za preuzimanje i korišćenje. Otvoreni AI Da bismo razumeli značaj ove objave, potrebno je prvo objasniti razliku između otvorenih i zatvorenih AI modela. Kod klasičnog softvera otvorenost podrazumeva mogućnost pristupa izvornom kodu i njegovog korišćenja (sa ili bez ograničenja). Kod ovih modela ne postoji jasan pandan izvornom kodu, pa su stvari nešto komplikovanije. Otvoreni model kao minimum podrazumeva dostupnost za preuzimanje njegovih treniranih parametara (weights), što omogućava da se model dalje prilagođava i pokreće u lokalu. Ovo su tzv. open-weights modeli i većina otvorenih modela (pa i DeepSeek) spada u ovu grupu. S druge strane, puristi open source pokreta otvorenost definišu kao dostupnost, ne samo parametara već i podataka, metodologije i koda korišćenih za treniranje, što bi bilo kome (naravno, sa dovoljno hardvera na raspolaganju) omogućilo da model istrenira od nule i postigne iste rezultate u radu. Ovakvih primera nema mnogo, pa većina aktuelnih mehanizama za unapređivanje gotovih AI modela ne podrazumeva manipulaciju trening procesom i podacima, već se fokusira na metode koje su primenjive i na open-weights modele. Pre DeepSeeka, najmoćniji, tzv. „state of the art“ (SOTA) modeli bili su zatvorene crne kutije, korisnicima dostupne samo kroz plaćene pretplate. U trenutku kada je ponuda otvorenih modela bila ograničena na relativno mali broj manjih modela, DeepSeek je javnosti na korišćenje dao model koji je po svojim performansama bio blizak komercijalnim AI servisima. To je ponovo skrenulo pažnju na otvorene modele i posredno dovelo do toga da se ovog leta čak i OpenAI priseti da sadrži „open“ u svom imenu i prvi put posle šest godina objavi otvoreni model. U ponudi otvorenih modela su, sa jedne strane, zastupljene zapadne kompanije, kao što su Microsoft, IBM, Google i francuski Mistral AI, koje javno objavljuju uglavnom manje modele (Meta je jedan izuzetak koji potvrđuje pravilo). Nasuprot njima, tu su kineske kompanije koje objavljuju modele raznih veličina. Među njima ima više startapa, javnosti ne toliko poznatih, poput Moonshot AIja i MiniMaxa, ali i renomiranih igrača kao što je Alibaba, čiji je Qwen3 u trenutku pisanja teksta vodeći otvoreni model po performansama.

Uticaj objave DeepSeek-R1 modela na cene akcija 27. januara 2025. (Izvor: DrWealth)

Performanse otvorenihi zatvorenih modela na MMLU testu
(Izvor: https://x.com/maximelabonne)

Da li je veće uvek i bolje?

Fokusirani pristup malih modela često rezultuje boljim performansama na specijalizovanim zadacima u poređenju sa korišćenjem većih modela opšte namene

Već smo se par puta u tekstu dotakli pojma veličine modela, pa je dobar trenutak da ga i objasnimo. Veličina modela obično se izražava brojem njegovih parametara – numeričkih vrednosti koje model podešava pri treniranju i koji kasnije određuju kako će model procesirati ulazne podatke da bi generisao odgovor. Po veličini, modeli se mogu podeliti na male, srednje i velike. Ne postoje precizne granice i opšte prihvaćena definicija, ali za potrebe ovog članka pod malim modelima (SLM – Small Language Model) podrazumevamo one koji imaju do 10 B (milijardi) parametara, dok su veliki (LLM – Large Language Model) oni sa više od 100 B parametara. Veličina modela direktno je povezana sa hardverskim resursima potrebnim za njihovo izvršavanje: što više parametara i što je veća preciznost kojom su definisani, to je potrebno i više GPU memorije. Najmanji modeli se sa zadovoljavajućim performansama mogu pokrenuti i na kućnim računarima, čak i bez dedikovane grafike, dok su za srednje i velike modele potrebni snažni višeserverski klasteri i high-end grafički čipovi. Primera radi, procena je da GPT-4 ima oko 1,8 T (biliona) parametara. S druge strane, otvoreni modeli se obično objavljuju u više edicija, koje pokrivaju širok spektar veličina i primena. Tako je pomenuti Qwen3 dostupan u izdanjima od 0,6 B do 480 B parametara i u tri edicije: Thinking (kompleksniji zadaci i istraživanje), Instruct (optimizovan za najbolje performanse i jednostavnije zadatke) i Coder (razvoj softvera). Interesovanje za male modele raste na talasu primena u edge i IoT okruženjima, gde se obrada vrši lokalno, na uređajima vrlo ograničenih resursa, kao i agentskog AI-ja, sledećeg koraka u evoluciji AI sistema koji su u stanju da Interesovanje za male modele raste na talasu primena u edge i IoT okruženjima, gde se obrada vrši lokalno, na uređajima vrlo ograničenih resursa Fokusirani pristup malih modela često rezultuje boljim performansama na specijalizovanim zadacima u poređenju sa korišćenjem većih modela opšte namene Performanse otvorenih i zatvorenih modela na MMLU testu (Izvor: https://x.com/ maximelabonne) 15 samostalno vrše planiranje, donose odluke i koriste alate kako bi ispunili zadati cilj, npr. refaktor softverskog koda ili planiranje puta i rezervacija smeštaja. U mnogim primenama mali modeli predstavljaju kompaktniju i efikasniju alternativu LLM-ovima, nudeći dobre performanse za specifične namene, uz nisku potrošnju resursa. Razlika između malih i velikih modela može se objasniti i na primeru poređenja velike fabrike sa specijalizovanom radionicom. LLM fabrika može da proizvede ogroman spektar različitih proizvoda i da se nosi sa složenim, višefaznim proizvodnim procesima, ali zahteva značajnu infrastrukturu, energiju i održavanje. SLM radionica, iako ograničena po mogućnostima, može da proizvede kvalitetne specijalizovane proizvode sa mnogo nižim troškovima, ali i da se brzo prilagodi različitim zadacima.

Modeli za široke MaaSe

Kod MaaS-a do izražaja dolaze prednosti koje otvoreni modeli pružaju organizacijama u odnosu na zatvorene: predvidljivost troškova, bezbednost i fleksibilnost

Dostupnost kvalitetnih otvorenih modela raznih veličina promenila je fokus enterprise organizacija sa problematike razvoja i treniranja sopstvenih modela na prilagođavanje i izvršavanje otvorenih modela i njihovu integraciju u svoje procese i aplikacije. Cilj organizacija postaje ostvarenje Models-as-a-Service (MaaS) koncepta – pružanja AI modela kao deljene usluge korisnicima i aplikacijama u organizaciji. Jedna od ideja MaaS-a je da kompanijama omogući interno korišćenje tipičnih AI obrazaca, poput RAG-a, agenata i koding asistenata, bez potrebe da treniraju sopstvene modele ili koriste komercijalne AI servise. Umesto toga, mogu koristiti otvorene modele, u originalnoj formi ili dodatno fino podešene i prilagođene specifičnoj nameni. Platformski timovi ove modele ostatku organizacije daju na raspolaganje preko API-ja, tipično kompatibilnog sa OpenAI API specifikacijom. MaaS slagalica ima više delova: od modela, preko AI platforme, integrativnih komponenata (npr. rešenja za API Management, Single Sign-On i sl.) i aplikacija kao konzumenata. AI platforma, sa jedne strane, treba da omogući prilagođavanje i optimizaciju modela, a sa druge njihov efikasni inferencing – fazu izvršavanja modela, kada on analizira primljene inpute i generiše odgovore na bazi naučenog. Defakto standard u ovom domenu je vLLM, open source projekat koji je originalno razvijen na Univerzitetu Kalifornije u Berkliju, a danas pokreće razne enterprise AI platforme, poput OpenShift AI-ja. VLLM poseduje više inference optimizacija sa ciljem izvlačenja maksimuma iz hardvera na raspolaganju, podršku za različite hardverske GPU i TPU akceleratore, OpenAI kompatibilan API, a moguće ga je pokrenuti na različitim infrastrukturama, od Linux servera do Kubernetesa.

Elementi Models-as-a-Service koncepta (Izvor: Red Hat, AI at scale, without the price tag: Why enterprises are turning to Models-as-a-Service

AI demokratizacija

Kod MaaS-a do izražaja dolaze prednosti koje otvoreni modeli pružaju organizacijama u odnosu na zatvorene. Prva je predvidljivost troškova, jer kompanije nisu izložene promenama cena API-ja i ograničenjima upotrebe komercijalnih servisa. Sledeća je bezbednost, jer osetljivi podaci ne moraju napuštati infrastrukturu organizacije. Tu je zatim i fleksibilnost – model se može modifikovati i optimizovati za specifične primene, što nije izvodljivo sa zatvorenim alternativama. Mali modeli pokazali su se kao pragmatičan izbor za enterprise primene, koje često ne zahtevaju punu širinu znanja i mogućnosti koje veliki modeli pružaju. Tako četbot za korisničku podršku treba da poseduje duboko znanje o proizvodima i procesima jedne kompanije, ali ne mora da piše poeziju ili rešava složene matematičke probleme. Fokusirani pristup malih modela često rezultuje boljim performansama na specijalizovanim zadacima u poređenju sa korišćenjem većih modela opšte namene. Zajednica koja se oformila oko otvorenih modela stvorila je ozbiljne ekosisteme alata, fine-tuned modela i znanja koji kompanijama značajno spuštaju prag za ulazak u AI sferu. Organizacije često mogu da pronađu modele već optimizovane za svoje specifične slučajeve korišćenja ili industrijske vertikale. Jedan od primera je i Red Hat AI skladište modela (https://huggingface.co/RedHatAI), koje sadrži više optimizovanih i validiranih otvorenih modela, spremnih za preuzimanje i pokretanje pomoću vLLM-a. Evolucija malih i otvorenih modela otvara nove mogućnosti za kompanije svih industrija da koriste AI na načine koji su ranije bili dostupni samo tehnološkim gigantima. Ova AI demokratizacija predstavlja fundamentalnu promenu od AI kao servisa kontrolisanog od strane nekoliko velikih igrača ka AI kao široko dostupnoj tehnologiji, kojom organizacije mogu da upravljaju i prilagođavaju sopstvenim potrebama i vrednostima.

Autor: Nebojša Ilić, COMING

The post AI demokratizacija na talasu malih i otvorenih modela appeared first on Business&IT.

Bezbedno otključajte GenAI potencijale uz Check Point

Aleksa Blažić — Mon, 04 Nov 2024 12:42:49 +0000

Generative AI revolucija je već stigla. Kakve su njene implikacije?

Generativni AI u potpunosti menja način na koji radimo. Developeri vrše debugging svojih kodova brže, ljudi iz finansija sprovode duple provere svojih kalkulacija, a kreatori digitalnog sadržaja imaju dodatne „digitalne ruke“ kao pomoć. Međutim, sa eksponencijalnim rastom produktivnosti, raste isto tako i rizik. Generativni AI lako se može iskoristiti za deljenje osetljivih podataka, čime se ugrožava usklađenost sa raznim regulativama. Neprilagođenost konvencionalnih alata AI-ju Na žalost, kada je reč o ovim rizicima, praćenje i preventivno reagovanje su vrlo teški ako koristimo konvencionalne bezbednosne alate. Zašto? Zato što su dojučerašnji DLP (Data Loss Prevention) alati bili predviđeni da prate predefinisane reči i obrasce. Oni nisu u mogućnosti da razumeju kontekst koji proizilazi iz nestrukturiranih podataka, koji su tipični kao ulaz za GenAI, a suštinski dovoljni za komunikaciju. Najveći AI rizici i pretnje su: curenje podataka (za potrebe treniranja AI koriste se vrlo osetljivi podaci), neprijateljski napadi (učenje AI modela šta je benigno a šta maligno, što sam haker može da iskoristi prilikom pripreme i učenja svog AI alata), manipulacija podacima i „trovanje“ (pronalaženje podataka koji nemaju svoj marker i korišćenje istih za treniranje AI alata na pogrešan način), pristrasnost i diskriminacija (korišćenjem specifičnih setova podataka za treniranje AI modela dobija se i pristrasan izlaz iz istog), nedostatak transparentnosti (AI model je treniran na osnovu seta ulaznih podataka, pa su i odluke i izlazi bazirani na osnovu njih, ali bez transparentnosti), automatsko generisanje malvera (sam AI alat zaštićen je od generisanja malvera, ali je moguće koristiti rupe u sistemu i kreirati napredne zlonamerne kodove).

GenAI revolucija može biti bezbedna! Check Point je tu da omogući bezbedno korišćenje GenAI. Check Point GenAI alati implementiraju se za nekoliko minuta i prate sve GenAI servise koji se koriste u vašim kompanijama, procenjujući rizike i primenjujući revolucionarne AI-pokretane mehanizme za zaštitu podataka, čime vam pružaju mogućnost da dodajete nove servise bez dodatnog rizika. Mogu da otkriju shadow i sankcionisane GenAI aplikacije, spreče gubitak podataka i informišu odgovorna lica o statusu usklađivanja sa regulativama u ovoj oblasti. Otkrivanje i procena rizika u korišćenju GenAI aplikacija u vašem preduzeću: • Otkrivanje sankcionisanih i shadow GenAI aplikacija koje koriste zaposleni, kao što su ChatGPT i druge; • Praćenje GenAI aplikacija koje se koriste u domenu kodiranja, marketinga, analize podataka i drugih; • Praćenje izvora odakle se kopiraju podaci koji se koriste kao ulaz u GenAI alat, kao npr. podaci kopirani iz e-maila, CRM-a i slično; • Praćenje rizične GenAI aktivnosti na aplikativnom i nivou sesija. Sprečavanje curenja podataka u realnom vremenu, sa ciljem čuvanja intelek- tualnog vlasništva i brige o privatnosti: • Sprečavanje curenja podataka tokom korišćenja GenAI, koristeći prilago- đene polise, uključujući i zabrane copy/ paste operacija;

• Primena Check Point transformativnih AI-powered data analiza, sa ciljem što preciznijeg klasifikovanja komunikacionih podataka unutar polja za unos upita/konverzacije. Usklađivanje sa regulativama na nivou velikih kompanija, uključujući praćenje i izveštavanje: • Granularno praćenje, u cilju ispunjavanja zahtevanih regulativa; • Kreiranje prilagođenih izveštaja za demonstraciju napretka i deljenje sa višim menadžmentom; • Pregled rizičnih događaja, uključu-jući specifične korisničke unose. Na koji način je Check Point sve to rešio? Check Point GenAI bezbednosna rešenja omogućavaju potpunu kontrolu kod korišćenja GenAI unutar vaše korporacije: • Koristeći ekstenziju unutar pretraživača, moguće je sprečiti unos osetljivih podataka, čak i sprečiti copy/paste osetljivih podataka unutar GenAI aplikacija. Korisnici Harmony Browse, Harmony Endpoint i Harmony SASE rešenja mogu se nadograditi da primaju najnovija GenAI rešenja i DLP mogućnosti; • U pozadini, Check Point GenAI bezbednosna rešenja koriste svoj next- gen DLP cloud servis, sa ciljem prepoznavanja nestrukturiranih unosa podataka u GenAI polja za unos; • Zero-trust pristup u doba AI revolucije nudi jedan dodatni nivo zaštite i kontrolu nad svim akcijama izvršenim od strane GenAI alata.

Check Point genai alati implementiraju se za nekoliko minuta i prate sve genai servise koji se koriste u vašim kompanijama, procenjujući rizike i primenjujući revolucionarne mehanizme za zaštitu podataka

The post Bezbedno otključajte GenAI potencijale uz Check Point appeared first on Business&IT.

Benefiti uvođenja Business Central ERP-a

Aleksa Blažić — Mon, 04 Nov 2024 12:38:06 +0000

Implementacija Business Central ERP sistema može doneti značajne prednosti organizacijama svih veličina, omogućavajući im da optimizuju operativne procese, poboljšaju produktivnost i postignu bolju kontrolu nad poslovanjem

Business Central, kao deo Microsoft Dynamics 365 portfolija, nudi integrisana rešenja koja pokrivaju sve ključne poslovne funkcije, od finansija i nabavke do prodaje i ljudskih resursa. Evo ključnih benefita koje Business Central može doneti vašem poslovanju.

1. integracija poslovnih procesa: Zašto je to važno? Jedan od najvećih izazova u poslovanju je upravljanje različitim procesima, koji često funkcionišu kao izolovane celine. Business Central integriše sve ključne poslovne funkcije u jedan sistem, omogućavajući centralizovano upravljanje i bolju koordinaciju.

Benefiti: Eliminacija redundance podataka i smanjenje grešaka uzrokovanih višestrukim unosom podataka. Povećana efikasnost kroz automatizaciju procesa i smanjenje manuelnog rada. Poboljšana saradnja između različitih odeljenja, čime se ubrzava donošenje odluka i rešavanje problema.

2. Povećana vidljivost i kontrola: Pristup tačnim i ažurnim informacijama ključan je za donošenje informisanih odluka. Business Central pruža sveobuhvatan pregled poslovnih operacija u realnom vremenu.

Benefiti: Real-time izveštavanje i analitika omogućavaju brze reakcije na tržišne promene i poslovne izazove. Poboljšana kontrola nad inventarom i zalihama, što smanjuje troškove skladištenja i rizik od nestašica ili viškova. Bolje praćenje finansijskih tokova, uz umanjenje rizika od prevara i grešaka.

3. Povećana efikasnost i produktivnost: Automatizacija rutinskih zadataka i standardizacija procesa smanjuju manuelni rad i omogućavaju zaposlenima da se fokusiraju na zadatke sa većom dodatnom vrednošću.

Benefiti: Smanjenje vremena potrebnog za obavljanje administrativnih zadataka, što povećava produktivnost zaposlenih. Optimizacija procesa proizvodnje i nabavke dovodi do bržih ciklusa proizvodnje i isporuke. Poboljšana korisnička usluga, kroz brže obrade narudžbi i efikasnije rešavanje upita.

4. Skalabilnost i fleksibilnost: Poslovanje se neprekidno menja i raste, a ERP sistem mora biti u stanju da prati te promene. Business Central je dizajniran da raste sa poslovanjem, omogućavajući lako prilagođavanje novim poslovnim zahtevima i proširenjima.

Benefiti: Lako proširenje sistema dodatnim modulima i funkcionalnostima, bez potrebe za velikim investicijama u novi softver. Fleksibilnost u prilagođavanju poslovnim promenama, kao što su uvođenje novih proizvoda, ulazak na nova tržišta ili promene u poslovnim procesima. Povećana mogućnost integracije sa drugim Microsoft alatima i rešenjima, kao što su Office 365 i Power BI, što dodatno unapređuje funkcionalnost sistema.

5. Bolje upravljanje finansijama: Zašto je to važno? Precizno i detaljno upravljanje finansijama je ključ za održivo poslovanje i dugoročnu profitabilnost.

Benefiti: Tačno praćenje prihoda i rashoda omogućava bolje upravljanje budžetom i finansijskim planiranjem. Automatizacija finansijskih transakcija smanjuje greške i poboljšava tačnost finansijskih izveštaja. Povećana transparentnost finansijskih operacija olakšava usklađivanje sa regulatornim zahtevima i internim politikama.

6. unapređenje lanca snabdevanja: Efikasan lanac snabdevanja je ključan za pravovremenu proizvodnju i isporuku proizvoda.

Benefiti: Optimizacija nabavnih procesa smanjuje troškove i vreme potrebno za nabavku materijala i sirovina. Poboljšano praćenje zaliha omogućava bolje planiranje proizvodnje i smanjuje rizik od zastoja u proizvodnji. Automatizacija procesa naručivanja i praćenja zaliha povećava efikasnost i smanjuje rizik od ljudskih grešaka.

7. Povećana sigurnost podataka: Zaštita poslovnih podataka kritična je za očuvanje poverljivosti i integriteta informacija.

Benefiti: Centralizovan sistem upravljanja podacima omogućava bolju kontrolu pristupa i zaštitu od neovlašćenih pristupa. Napredne sigurnosne funkcionalnosti, kao što su enkripcija i redovno bekapovanje, smanjuju rizik od gubitka podataka. Poboljšana usklađenost sa regulativama o zaštiti podataka, kao što je GDPR, kroz bolje upravljanje i praćenje pristupa podacima.

Implementacija Business Central
ERP sistema može značajno unaprediti poslovanje, kroz integraciju i optimizaciju svih ključnih poslovnih procesa. Povećana efikasnost, bolja kontrola, skalabilnost i fleksibilnost, te unapređeno upravljanje finansijama i lancem snabdevanja, čine Business Central moćnim alatom za modernizaciju i rast poslovanja. Ove prednosti omogućavaju organizacijama da se efikasno nose sa izazovima tržišta, poboljšaju konkurentnost i postignu dugoročan uspeh.

The post Benefiti uvođenja Business Central ERP-a appeared first on Business&IT.

Najčešće greške pri implementaciji ERP-a

Aleksa Blažić — Mon, 04 Nov 2024 12:32:37 +0000

ERP rešenja mogu značajno unaprediti poslovanje, ali njihovo uvođenje zahteva pažljivo planiranje, kako bi se izbegle neke uobičajene greške i ostvario pun potencijal sistema

Implementacija Enterprise Resource Planning sistema predstavlja ključni korak ka modernizaciji poslovnih procesa. Međutim, ovaj kompleksan poduhvat često je praćen brojnim izazovima. Greške koje se dešavaju pri implementaciji ERP rešenja mogu ostaviti dugoročne posledice po poslovanje. U tekstu koji sledi ćemo detaljno razmotriti najčešće greške i kako ih izbeći.

1. Nedovoljna priprema i planiranje: Implementacija ERP sistema zahteva sveobuhvatno planiranje, koje uključuje detaljnu analizu postojećih poslovnih procesa i potreba. Mnoge kompanije prave grešku tako što se ne posvete dovoljno ovoj fazi, što kasnije dovodi do neusklađenosti ERP sistema sa stvarnim potrebama poslovanja.

Preporuka: Provedite dovoljno vremena u fazi planiranja. Uključite sve relevantne strane i kreirajte detaljan plan, koji obuhvata sve aspekte poslovanja.

2. Neprecizno definisani zahtevi: Jasno definisanje zahteva je ključ za uspešnu implementaciju. Često se dešava da kompanije ne postave precizne ciljeve i očekivanja, što rezultira ERP rešenjem koje ne zadovoljava stvarne poslovne potrebe.

Preporuka: Definišite precizne zahteve i ciljeve. Angažujte ključne ljude iz svih sektora kompanije da daju svoj doprinos u definisanju ovih zahteva.

3. Nedovoljno angažovanje zaposlenih:

Zaposleni su krajnji korisnici ERP sistema i njihovo angažovanje od samog početka je od suštinskog značaja. Ako zaposleni nisu uključeni, može se javiti otpor prema promenama i loša adaptacija na nov sistem.

Preporuka: Uključite zaposlene u sve faze implementacije. Organizujte radionice i sastanke kako biste od njih dobili povratne informacije i osigurali njihovu podršku.

4. Neadekvatna obuka: Obuka zaposlenih je jedan od najkritičnijih faktora za uspeh ERP implementacije. Nedovoljno ili neadekvatno obučeni korisnici često imaju teškoće u korišćenju novog sistema, što može dovesti do grešaka i izazvati frustracije. Preporuka: Organizujte sveobuhvatne obuke za sve korisnike ERP sistema. Osigurajte kontinuiranu podršku i dodatne treninge, kako bi se zaposleni osećali sigurnim u korišćenju novog sistema.

5. Potcenjivanje troškova i vremena: Implementacija ERP sistema često traje duže i košta više nego što se prvobitno planira. Potcenjivanje ovih faktora može dovesti do finansijskih problema i nedovršene implementacije.
Preporuka: Prilikom planiranja budžeta, uključite dodatne resurse za neočekivane troškove. Budite realni u proceni vremena potrebnog za implementaciju i postavite fleksibilne rokove.

6. Nedostatak prilagođavanja: ERP sistemi često zahtevaju prilagođavanje specifičnim potrebama organizacije. Ukoliko se sistem ne prilagodi, može doći do problema u poslovanju i smanjenja efikasnosti. Preporuka: Prilagodite ERP sistem specifičnim potrebama vašeg poslovanja. Uključite stručnjake koji mogu napraviti neophodne izmene i prilagođavanja.

7. Neusklađenost sa poslovnim procesima:

ERP sistem mora biti usklađen sa postojećim poslovnim procesima; ili obrnuto, poslovni procesi moraju biti prilagođeni ERP sistemu. Ovaj balans je često teško postići, ali je ključan za uspeh. Preporuka: Temeljno analizirajte svoje poslovne procese i prilagodite ih potrebama ERP sistema. Uključite sve relevantne strane kako bi se osigurala usklađenost i efikasnost.

Preporuke za uspešnu implementaciju ERP sistema
1. detaljno planiranje i analiza: Potrebno je posvetiti dovoljno vremena fazi planiranja kako bi se razumeli svi aspekti poslovanja i kako ERP može da ih unapredi.

2. uključivanje svih relevantnih strana: Treba osigurati da svi relevantni zaposleni budu uključeni u proces, od inicijalne faze do finalne implementacije.

3. jasno definisanje ciljeva i očekivanja: Precizno definisanje koja su očekivanja od ERP sistema, kao i da su svi uključeni svesni tih ciljeva.

4. adekvatan budžet i resursi: Osiguravanje dovoljnog budžeta, kao i resursa za uspešnu implementaciju, uključujući vreme, novac i ljudske resurse.

5. kontinuirana obuka i podrška: Obukom zaposlenih ne završava se implementacija. Kontinuirana podrška i dodatna obuka su ključni za dugoročni uspeh.

6. redovno praćenje i evaluacija: Nakon implementacije, potrebno je redovno pratiti performanse sistema i praviti potrebna prilagođavanja kako bi sistem ostao efikasan i koristan.

Implementacija ERP sistema može značajno unaprediti poslovanje, ali zahteva pažljivo planiranje, resurse i angažovanje svih zaposlenih, kako bi se izbegle uobičajene greške i ostvario pun potencijal sistema. Uz pravilan pristup implementaciji vaša organizacija može postići visok nivo efikasnosti i konkurentnosti na tržištu.

The post Najčešće greške pri implementaciji ERP-a appeared first on Business&IT.

Nova implementacija vs. konverzija sistema

Aleksa Blažić — Mon, 04 Nov 2024 12:27:14 +0000

Pri prelasku na novo ERP rešenje pred organizacije se postavlja izbor između konverzije ili potpuno nove implementacije. Obe ove metode imaju svoje prednosti i izazove, u zavisnosti od postojećeg sistema, poslovnih potreba i budućih ciljeva.

Udanašnjoj digitalnoj ekonomiji stalan kontakt sa spoljnim svetom, posebno sa klijentima, predstavlja imperativ za svako preduzeće. Digitalizacija poslovnog okruženja na mnogo načina utiče na organizaciju, posebno na njene poslovne modele, odnosno način na koji posluje. U ovom kontekstu, uspeh poslovanja zavisi i od dva glavna faktora – sposobnosti organizacije da se neprimetno poveže sa kupcima i njene sposobnosti da upravlja promena- ma koje dolaze zajedno sa novim poslovnim modelima.

SAP S/4HANA je aplikacija za pre- duzeća, dizajnirana za organizacije koje žele da napreduju u digitalnoj ekonomiji. S jedne strane, digitalno jezgro S/4HANA omogućava organizaciji da obavlja svoje poslovne procese u skladu sa novom digitalnom ekonomijom, kroz pojednostavljenje aplikacija, modela podataka i korisničkog interfejsa. S druge strane, tehnička arhitektura S/4HANA omogućava organizaciji da se brzo i lako poveže sa spoljnim svetom, posebno sa kupcima i eksternim servisima.

Opcije za implementaciju S/4HANA

Za uspešno poslovanje implementacija S/4HANA, kao poslovne aplikacije za sve procese u organizaciji, poželjna je, ako ne i neizbežna.

Prilikom prelaska na SAP S/4HANA organizacije se obično suočavaju sa odlukom između konverzije (brownfield pristup) i nove implementacije (greenfield pristup). Svaka metoda ima svoje prednosti i izazove, u zavisnosti od postojećeg SAP sistema, poslovnih potreba i budućih ciljeva.

U slučaju organizacije koja je nova u SAP svetu odgovor je očigledan – upuštanje u novu implementaciju. Međutim, za organizaciju koja već koristi SAP put do S/4HANA predstavlja izazov.

Cilj ovog teksta je da predstavi opcije dostupne postojećim SAP korisnicima da efikasno usvoje S/4HANA i da pruži jasnost u vezi sa ključnim parametrima i faktorima odlučivanja u ovom poduhvatu.

Greenfield pristup – nova implementacija

Naše praktično iskustvo pokazuje da mnoga preduzeća koja trenutno koriste SAP ne postižu njegovu optimalnu primenu. U takvim slučajevima, uprkos ogromnoj akumulaciji podataka, najbolja opcija bi ipak mogla biti nova implementacija S/4HANA. Slede neki od razloga zašto je nova implementacija pogodnije rešenje.

• Organizaciona struktura preduzeća je najvažniji aspekt implementacije SAP-a. U većini slučajeva definicija strukture preduzeća na početku implementacije ne primenjuje se u potpunosti, jer ne postoji sveobuhvatno razumevanje SAP procesa. Struktura preduzeća igra glavnu ulogu u strukturama izveštavanja organizacije, kao i u kontrolama koje želi da izgradi u svojim procesima. Kao i u mnogim slučajevima u stvarnom životu, vrednost strukture preduzeća se bolje razume kada upotreba sistema sazri. Ali do tada, promena strukture preduzeća postaje donekle ograničena u odnosu na implementaciju sistema. Ovo onda postaje glavni razlog da počnete iznova kada prelazite na S/4HANA, a ne samo da konvertujete postojeći sistem.

Loš kvalitet podataka, posebno master podataka. Problem sa kvalitetom matičnih podataka je dvostruk.

Strukturna definicija glavnih podataka mogla je biti pogrešna (ovo je slično definiciji optimalne strukture preduzeća). To može biti logika numerisanja za mastere materijala, osnova za definisanje grupa naloga kupaca i dobavljača ili strukturiranje kontnog plana. Sve ovo može dovesti do nefleksibilnosti u novijim poslovnim procesima ili zahtevima za izveštavanje, čime bi se poslovanje vezalo za neujednačen rad.
Nedostatak upravljanja glavnim podacima. U mnogim slučajevima postoji neograničeno kreiranje matičnih podataka pre nego što se uspostavi odgovarajući mehanizam upravljanja. Rezultat obiluje neželjenim podacima u sistemu, što dovodi do pogrešne obrade podataka i neefikasnosti.

Neiskorišćen SAP sistem rezultira nepotpunim iskorišćenjem njegovih funkcionalnosti.

1. Poslovni zahtevi su se značajno promenili ili evoluirali, dok odgovarajuća ERP postavka nije išla u korak sa savremenim zahtevima, kao što je dostupnost vremena/resursa/budžeta za ažuriranje procesa u IT okruženju.

2. Postavka u prvobitnoj implementaciji bila je pojednostavljena i nije podržavala stvarne poslovne zahteve, što je rezultiralo rudimentarnom upotrebom SAP sistema.

Takvi razlozi podstiču potrebu za novim pogledom na ERP, umesto da se nastavi sa postojećom postavkom sistema. Nova implementacija S/4 HANA postaje glavna potreba.

Visok nivo prilagođenog razvoja.

U dosta slučajeva, procesi nisu usklađeni sa standardnim najboljim praksama. Umesto toga, prvobitna implementacija i naknadne promene uglavnom se sprovode da bi se sistem prilagodio starim načinima obavljanja procesa. Rezultat toga je da postoji veliki broj prilagođenih razvoja koji prvenstveno upravljaju poslovnim procesima. Veoma prilagođeno okruženje zauzvrat dovodi do više problema:

1. Nemogućnost lakog prilagođavanja promenama – postoji značajan napor i cena za svaku promenu koju treba primeniti.

2. Teško održavanje – visokoprilagođeno okruženje stvara čitavu podorganizaciju za svoje održavanje, čime se opterećuju resursi i umanjuju krajnji rezultati organizacije.

3. Nemogućnost da se iskoriste nova standardna rešenja – preduzeća koja ne usvajaju standardne procese često propuštaju priliku za ključne promene koje se stalno dešavaju u standardnim procesima.
U takvom okruženju, prelazak na S/4HANA predstavlja dobru priliku da prilagodite postojeće SAP procese standardnim najboljim praksama kroz novu implementaciju.

Brownfield pristup – konverzija

Prednosti konverzije postojećeg SAP sistema na S4/Hana ogledaju se, pre svega, u očuvanju postojećih investicija. Sistem se prilagođava i konfiguriše sa istorijskim podacima. Takođe, minimizira se ometanje tekućih poslovnih operacija, jer se postojeći procesi i podaci zadržavaju. Konverzija omogućava brži prelaz od nove implementacije jer se nadovezuje na postojeći sistem i procese. Korisnici su već blisko upoznati sa sistemom i naviknuti na njega, što smanjuje napore za obuku i otpor prema novom.

Najčešći izazov prilikom konverzije sistema je složenost realizacije, zbog potrebe prilagođavanja postojećih procesa novom S/4HANA okruženju i integracije sa trećim stranama. Još jedan od važnih izazova predstavlja i kvalitet podataka – u novi sistem se potencijalno prenose i svi postojeći problemi sa kvalitetom podataka, kao i zastareli ili neoptimizovani poslovni procesi.

Za preduzeća koja još nisu na SAP ECC-u nova implementacija S/4HANA je jedina opcija. Za preduzeća koja već rade na SAP ECC-u procena trenutnih podešavanja i korišćenja SAP-a je preduslov za određivanje smera kojim će se ići. Za SAP ECC sisteme podešene uz visoku optimizaciju konverzija sistema je idealna. Međutim, kao što je u tekstu već opisano, postoji mnogo razloga zašto konverzije sistema nije moguće efikasno realizovati. U takvim slučajevima preporučljivo je početi sa novom implementacijom S/4HANA i – što je više moguće – usvajanjem standardnih najboljih praksi.

The post Nova implementacija vs. konverzija sistema appeared first on Business&IT.

Sa monolita na cloud native – put kojim se (ređe) ide

Aleksa Blažić — Mon, 04 Nov 2024 12:20:08 +0000

U današnjem dinamičnom IT okruženju, gde kompanije moraju brzo reagovati na izazove i promene, cloud native pristup razvoju aplikacija omogućava efikasnije rešavanje novih zahteva. Ovaj pristup omogućava organizacijama da budu agilnije i da brže implementiraju rešenja koja podržavaju njihove poslovne potrebe.

Zašto cloud native i šta je to? Cloud native pristup predstavlja modernu metodologiju razvoja softverskih aplikacija, optimizovanu za cloud okruženja. Korišćenjem mikroservisne arhitekture za podelu aplikacija na manje, nezavisne komponente, koje se mogu razvijati, testirati i skalirati samostalno, ispunjavamo dobre prakse cloud native aplikacija. Kontejnerizacija, putem alata kakav je Docker, pruža konzistentno okruženje za aplikacije, što olakšava njihovo implementiranje i upravljanje u različitim cloud okruženjima. Orkestracija kontejnera pomoću Kubernetesa omogućava automatsko upravljanje resursima, visoku dostupnost i skalabilnost aplikacija.

Cloud native vs. tradicionalne aplikacije

Cloud native aplikacije razlikuju se od tradicionalnih po nekoliko ključnih karakteristika. Tradicionalne aplikacije često koriste monolitnu arhitekturu, gde se čitava aplikacija sastoji od jedne velike komponente koja se izvršava na fizičkim ili virtuelnim serverima. Ovo često rezultira sporijim ciklusima razvoja, teškoćama u skaliranju i održavanju, kao i manjkom agilnosti u reagovanju na promene.

S druge strane, cloud native aplikacije koriste mikroservisnu arhitekturu, gde se aplikacije izvršavaju kao manji, nezavisni servisi. Mikroservisi se mogu razvijati i testirati nezavisno jedan od drugog, što omogućava brže iteracije, lakše otklanjanje grešaka i efikasnije korišćenje resursa. Kontejnerizacija je takođe ključna u cloud native pristupu, gde se aplikacije pakuju u kontejnere koji obezbeđuju konzistentno okruženje za rad aplikacija, nezavisno od infrastrukture na kojoj se izvršavaju.

Orkestracija kontejnera uz pomoć Kubernetesa omogućava automatsko upravljanje, skaliranje i kontrolu resursa na nivou konkretne aplikacije, odnosno kontejnera. CI/ CD prakse (Continuous Integration / Continuous Deployment) u cloud native svetu omogućavaju automatsku integraciju novih promena i bržu isporuku novih verzija aplikacija, dok tradicionalne aplikacije često zahtevaju duge i kompleksne procedure za implementaciju novih funkcionalnosti.

Ukratko, cloud native aplikacije nude organizacijama veću agilnost, skalabilnost, otpornost na greške i efikasnost u poređenju sa tradicionalnim aplikacijama, čineći ih idealnim za moderno, dinamično poslovno okruženje, koje zahteva brze inovacije i prilagođavanje promenama na tržištu.

Prelazak monolitne aplikacije na cloud native
Šta je potrebno za prelazak monolitne aplikacije na cloud native i šta treba imati na umu prilikom razvoja novih aplikacija? Za prelazak sa monolitnih aplikacija na cloud native ključno je detaljno razumevanje postojeće arhitekture aplikacije. Identifikacija komponenata koje se mogu transformisati u mikroservise je osnovni korak ka podeli aplikacije na manje celine. Zatim, aplikacije treba kontejnerizovati, što podrazumeva pakovanje svake komponente u kontejnere korišćenjem alata poput Dockera. Uvođenje platforme za orkestraciju kontejnera, kao što je Kubernetes, ključno je za automatizaciju upravljanja, skaliranje i visoku dostupnost aplikacija. Paralelno, implementacija CI/CD praksi omogućava automatsku integraciju novih promena u kodu i bržu isporuku novih verzija aplikacija.

Prilikom razvoja novih aplikacija, mikroservisna arhitektura se nameće kao preferirani pristup. Dizajniranjem aplikacija kao skup nezavisnih mikroservisa omogućava se lakše upravljanje, održavanje, skaliranje, čime se dobija veća stabilnost celokupnog sistema. Kontejnerizacija novih aplikacija omogućava bržu adaptaciju na cloud native okruženja i olakšava migraciju između različitih cloud provajdera. Razvojni i DevOps timovi treba da budu obučeni za efikasno korišćenje orkestracionih alata poput Kubernetesa i implementaciju automatskih procesa upravljanja i skaliranja aplikacija. Potrebno je ostvariti dobru saradnju između razvojnih i DevOps timova kroz sve faze razvoja i održavanja aplikacija, kako bi se dobili očekivani rezultati.

DMS: primer transformacije

Transformaciju monolitne aplikacije na cloud native demonstriraćemo na primeru DMS aplikacije, koja je razvijena u okviru kompanije COMING. Proces transformacije opisaćemo sekvencijalno, po koracima primenjenog procesa transformacije.

Da bismo započeli transformaciju potreban nam je plan migracije, koji podrazumeva popisivanje svih funkcionalnih komponenata trenutne monolitne aplikacije. DMS poseduje niz modula koji mu omogućavaju da funkcioniše kao nezavisna aplikacija: sistem za logovanje i upravljanje korisnicima, upravljanje organizacijama, e-fakture, arhiviranje dokumenata, logovanje grešaka. S obzirom da je aplikacija razvijena u .Net MVC tehnologiji, DMS sadrži korisnički interfejs razvijen u Razor stranicama i JavaScriptu.

Prvi korak je razdvajanje dela koji se odnosi na korisnički interfejs (UI) od dela koji vrši obradu podataka i upis u bazu (API). Kompletna logika prikaza stranica i dešavanja na klijentu treba biti prepisana u neku od tehnologija koje se bave klijentskom stranom, kao što su React ili Angular.js. U našem slučaju, odlučili smo se za React.

Nakon toga, potrebno je identifikovati funkcionalne celine koje ćemo razvijati kao posebne servise. U prvom prolazu, odlučili smo da to budu delovi koji se tiču DMS-a, e-faktura, e-arhive i deo koji se odnosi na upravljanje organizacijama i korisnicima unutar tih organizacija (OM.Api). UI je sada zasebna React aplikacija, što nam omogućava fleksibilnost da jedna UI aplikacija koristi više API-ja za pružanje potrebnih funkcionalnosti. Takođe, moguće je podeliti sistem na više UI aplikacija, gde bi svaka obavljala deo posla koji se od nje očekuje.

Rezultat transformacije su tri UI aplikacije: DMS korisnički interfejs, posebna UI aplikacija za arhiviranje dokumenata i još jedna koja administratorima sistema omogućava upravljanje organizacijama i korisnicima OM.UI. Da bismo korisnicima omogućili neometan rad u okviru više UI aplikacija koje koriste različite API-je potrebno je uvesti Single Sign-On (SSO) u celokupan sistem. Za ovu svrhu odabran je Keycloak, koji omogućava korisnicima da se na jednom mestu loguju na celokupan sistem i nakon logovanja koriste sve servise za koje imaju odgovarajuće privilegije.

OM u sprezi sa Keycloakom vrši administraciju organizacija i korisnika koji će kasnije pristupati servisima. Kako bismo adekvatno pratili celokupan rad sistema, potrebno je imati dobro logovanje grešaka svih servisa. Logovanje grešaka vrši se preko Elasticsearcha, što nam omogućava uvid u rad celokupnog sistema.

Na sledećoj slici prikazana je transformacija monolitne DMS aplikacije u cloud native DMS aplikaciju.

Kao što se na slici može videti, baza podataka, koja je nekada bila jedinstvena, sada je kreirana za svaki servis, što poštuje dobru praksu koju mikroservisna arhitektura nalaže.

Nakon transformacije, rezultat je sistem sa jasnom podelom odgovornosti po servisima. Takođe, sada možemo da odvojimo razvoj aplikacija na posebne timove, što nam omogućava bolju paralelizaciju posla. Celokupan sistem je sada moguće horizontalno skalirati i dobiti bolje performanse. Centralizovano logovanje nam daje bolji uvid u rad sistema, samim tim i bolje praćenje rada celokupnog sistema, što na kraju rezultira boljim korisničkim iskustvom.

The post Sa monolita na cloud native – put kojim se (ređe) ide appeared first on Business&IT.

Neka bude izveštaj!

Aleksa Blažić — Fri, 01 Nov 2024 08:31:49 +0000

I BI – COMING…

Finansijski izveštaji za 89 preduzeća iz 14 različitih baza „na dlanu“ – zvuči zaista futuristički. Međutim, kao što nas sci-fi filmovi pripremaju za tehnologije koje zapravo negde već postoje, tako je COMING imao rešenje i za ovakav zahtev. „Krvna slika“ velikog broja poznatih preduzeća na ekranu mobilnog telefona, gde bi TPA, kao naš klijent, na jednostavan način mogao dodeliti izveštaje svakom od svojih korisnika – to je, ukratko, bio zadatak na koji smo odgo- vorili brzom i kvalitetnom realizacijom.

BI implementacija

Kao i kod svake BI implementacije, najvažniji deo projekta jeste analiza same baze i adekvatno postavljanje arhitekture. S obzirom na to da su u pitanju SQL baze, kao podloga za poznati AB Soft, bilo je potrebno objediniti ih na jednom mestu, gde bi se kroz Power BI slicer na klik mogla izabrati željena kompanija i upasti u bruto bilans, kao i mnoge druge izveštaje. Na ovaj način je TPA, kao firma koja se, između ostalog, bavi i eksternim računovodstvom, do- datno obogatila svoje usluge dinamičkim finansijskim izveštajima i tako svojim klijentima omogućila pametno donošenje poslovnih odluka. Ovakva biznis ideja, da svojim klijentima pored eksternog računovodstva ponudite i pogled na njihovo poslovanje, a da pri tom za svakog novog korisnika nemate dodatnih troškova uvođenja u sistem, zvuči zaista impresivno. Iz tog razloga je i COMING pružio podršku u realizaciji ovakve ideje.

Biznis ideja po kojoj će tpa svojim klijentima, pored eksternog računovodstva, ponuditi i pogled na njihovo poslovanje, zvuči impresivno. Iz tog razloga je i Coming pružio podršku u realizaciji ovog projekta.

Izveštaji koji su bili pokriveni ovom implementacijom doneli su poprilično dobar pregled poslovanja, kao i osnov za dalji razvoj nekih novih izveštaja ili usavršavanje postojećih.

Standardno, tu je pregled potraživanja od kupaca i dugovanja ka dobavljačima, gde korisnik u svakom trenutku može imati prikaz iznosa sa brojevima dokume- nata, razbijeno po grupama dospeća, i to po svakom partneru (kupcu, dobavljaču). Sa ova dva izveštaja imamo mogućnost da proverimo šta možemo očekivati od uplata, kao i da se na vreme pripremimo za izmirivanje obaveza ka dobavljačima.

Bruto bilans daje nam pregled svih konta glavne knjige, uz mogućnost da vidimo potražnu i dugovnu stranu svakog konta, i to na nivou početnog stanja, u periodu, kao i ukupno. Takođe, omogućen je uvid i u saldo po svakom kontu, a filtriranje možemo raditi i po kontima i po klasama zbirno, takođe i odabirom jedne ili više godina/meseci.

P&L izveštaj (Profit & Loss) je takođe dostupan u ovom setu izveštaja, kao kontrola profitabilnosti samog preduzeća, gde po definisanim grupama možemo proveriti prihode i rashode kompanije u određenom vremenskom periodu. Na jednostavan način možemo identifikovati i analizirati troškove i pokušati da ih optimizujemo, kako bismo podigli profitabilnost preduzeća.

Izveštaj koji smo nazvali Promene nam vizuelno prikazuje kretanje prihoda i rashoda kroz vreme i tu možemo detaljnije analizirati izvor njihovog nastanka kroz hronološki raspoređene transakcije, prethodno nastale u sistemu.

Pregled otvorenih stavki, EBIT, analitička kartica kupaca i dobavljača, kao i liste kupaca i dobavljača – to su još neki od izveštaja na kojima smo radili zajedno sa kolegama iz kompanije TPA. Ne treba izostaviti ni činjenicu da je ovaj projekat bio uspešan, između ostalog, i zbog odlične saradnje, komunikacije i čestih zajedničkih sastanaka i analiza.

I BI COMING

Ubuduće, na zahtev svakog novog TPA klijenta: „Neka bude izveštaj!“, slediće „I BI Coming“. Razlog je taj što smo TPA omogućili takvu platformu na kojoj je svako novo preduzeće automatski provučeno kroz BI filter i gde uz jednostavno dodeljivanje prava i licence korisnik dobija „ključ u ruke“ i nastavlja sa sigurnom vožnjom u pravcu poslovno inteligentnog vođenja firme.

The post Neka bude izveštaj! appeared first on Business&IT.

Sinergija ekspertiza: ključ za inovativna rešenja

Aleksa Blažić — Wed, 30 Oct 2024 13:37:06 +0000

O radu na kompleksnom rešenju kompanije Netico Solutions za kontrolu transporta u cevovodima, različitim aspektima i specifičnostima ovog složenog projekta, kao i budućim planovima, razgovarali smo sa profesorom Milošem Stojkovićem

Možete li nam ukratko predstaviti sistem na kojem ste radili za kompaniju Netico Solutions, čemu je namenjen i kako funkcioniše? Miloš Stojković: Radi se o sistemu za utvrđivanje curenja fluida iz dugih magistralnih cevovoda, koji su prevashodno namenjeni prenosu fluida iz reda hidrokarbonata – nafte i naftnih derivata, poput benzina i dizela, kerozina, ali i tečnog naftnog i prirodnog gasa. Gas je u njima pod pritiskom da bi se doveo u tečnu fazu (>90% u obliku tečnosti). Dugi magistralni cevovodi služe za prenos fluida na udaljenostima većim od 20 km, a najčešće su dužine 80-120 km i nemaju račvanja duž trase cevovoda.

Sistem je složen i može se reći da se sastoji od tri sloja. Prvi sloj čine mernokontrolne platforme u čijem „centru” su kontrolni kabineti, u kojima se nalaze uređaji za prihvat podataka sa merača pritiska fluida u cevovodu, protoka i temperature fluida, merača potrošnje energije pumpi koje pumpanjem omogućavaju transport fluida kroz cevovod, statusa otvorenosti ventila i dr. Pored prihvatanja podataka, ovi uređaji, koje nazivamo Remote Terminal Units ili Edge Computing Device, vrše koncentraciju tih podataka i njihovu inicijalnu obradu, a zatim i slanje do server-računara u kontrolnim odeljenjima putem telekomunikacione infrastrukture, koja čini drugi sloj. Telekomunikaciona struktura se najčešće zasniva na žičanim ili optičkim vezama, a ponekad je potrebno podatke prebacivati i putem satelitskih veza i 3.5G/4G/5G mreža. Na kraju, treći sloj sistema čini softver, koji zapravo vrši složenu obradu podataka koji se sustiču sa svih davača na mernim mestima duž cevovoda.

Prednost našeg rešenja jeste integrisanost metoda utvrđivanja curenja, kao i hibridna i holistička analiza složene slike statusa transporta fluida

U suštini, softver je najsloženiji deo sistema i u potpunosti je razvijen kod nas (Netico Solutions, sada, u ovoj verziji softvera, u saradnji sa COMING-om). Softver je višeslojan hibridni sistem koji se sastoji od nekoliko grupa algoritama, kojima se prati transport fluida i detektuje curenje: praćenje talasa prostiranja promene pritiska i protoka kroz cevovod, praćenje promene gradijentne linije pritiska, praćenje disbalansa u količini fluida koji utiče i ističe iz cevovoda, praćenje promene zapremine cevovoda i praćenje promene parametara dinamike fluida u odnosu na teorijski model. Svaki od ovih algoritama obogaćen je posebnim statističkim metodama analize podataka, koji su (metode i njihovi parametri) konfigurabilni na najnižem nivou. Takođe, svi algoritmi detekcije curenja prolaze kroz tzv. matricu verovatnoće događaja, u kojoj se svakom algoritmu i njegovoj instanci koja se odvija u realnom vreme- nu dodeljuje odgovarajuća verovatnoća u pogledu istinitosti i autentičnosti, koje zavise od statusa opreme i podataka koji se koriste u tim algoritmima. Svaki algoritam ima po tri ili četiri instance, koje se sve odvijaju uporedo, gde je svaka instanca namenjena praćenju velikog broja mogućih slučajeva transporta (npr. započinjanje ili zaustavljanje transporta se sasvim drugačije tretira od regu- larnog „mirnog” transporta fluida ili od slučaja kada transporta nema, tj. kada je cevovod „zapakovan”). Time se obezbeđuje da sistem može da prepozna curenja u velikom broju mogućih okolnosti transporta (da ne kažemo u svim) i načina izvođenja curenja (npr. sporo, brzo, sa sporim otvaranjem i sl.). Svaka od tih instanci svakog od algoritama obavlja se nezavisno od drugih i na kraju se svi rezultati sustiču u matricu vero- vatnoće, gde se dodeljuju odgovarajuće „težine” tvrđenja pojedinih algoritama naspram statusa transporta i opreme u vreme događaja.

Curenja koja se prate su obično 0,5% od protoka (to je uobičajen zahtev pri testiranju nakon instalacije i konfiguracije sistema kod klijenta, u kontrolisanim uslovima insceniranog curenja), mada naš sistem uspeva da otkrije i manja curenja (0,27% – to je 0,5 l/s curenja na protok od 650 m3/h) sa preciznošću od +/-250 m na cevovodu od 100 km, sa verovatnoćom od 95% da se curenje zaista desilo.

Pored rešenja namenjenog transportu hidrokarbonata, sada završavamo i sistem za detekciju curenja u cevima dužine do 25 km u kojima je dielektrični fluid pod visokim pritiskom: HPFFP. Te cevi služe za smeštaj visokonaponskih kablova kroz koje protiču velike struje za napajanje velikih potrošača, najčešće u urbanim sredinama SAD. Koncept je sličan, ali ne i isti, jer je način kretanja fluida, kao i vrsta fluida i oprema koja se koristi za nadgledanje, drugačija od one koja je uobičajena za naftovode i gasovode.

lds koji razvijamo sa Coming-om izgrađen je tako da radi u kubernetes sistemu, što daje veliku prednost u pogledu instalacije i upravljanja radom softvera, kao i u pogledu skaliranje

Koliko sličnih rešenja postoji u svetu, posebno onih koja se bave analizom transporta fluida i gasova i proverom sistema za curenje? Miloš Stojković: Postoji veoma mali broj sličnih rešenja (do desetak), od kojih su najpoznatija Atmosi i Krohne PipePatrol, PSIControl. Ima i manjih kompanija koje su specijalizovane za ovu oblast, poput Asel-Techa, ali je skup odlika tih rešenja znatno više ograničen i manje primenjiv za složene zahteve kompanija koje se bave održavanjem naftovoda i gasovoda. Ono što je specifično u vezi sa našim rešenjem, što mu daje izvesnu prednost u odnosu na druge, jeste integrisanost metoda utvrđivanja curenja, kao i hibridna i holistička analiza složene slike statusa transporta fluida. Takođe, mi klijentima nudimo i posebno razvijene RTU-ove (Edge Computing Devices koje Netico Solutions razvija i proizvodi) koji su već na hardverskom nivou prilagođeni potrebama obrade podataka koji se dobijaju sa merača u realnom vremenu i tako predobrađene podatke šalje kroz telekom infrastrukturu dalje, ka serveru. To daje i bitnu prednost u odnosu na druge sisteme, zbog mogućnosti utvrđivanja anomalija među podacima (utvrđivanja nelogičnih vrednosti) i dijagnoze rada svih članova podsistema na mernim stanicama (merači, baterije, telekomunikacioni moduli i dr.).

Kao što ste i sami rekli, ovo je jedan od retkih sistema u svetu, veoma specifičan u svom radu, te je za njegovu postavku i primenu svakako potrebno ogromno domensko znanje. koji su glavni izazovi prilikom kreiranja ovakvog sistema i sa kakvim ste se problemima susreli prilikom implementacije?

Miloš Stojković: Postoji mnogo mogućih problema pri izgradnji ovakvog sistema. Najpre, potrebno je okupiti nemali tim stručnjaka iz različitih naučnih disciplina i sa velikim iskustvom u radu sa merno-regulacionom opremom, hardverom (električnim uređajima koji služe za prihvat i obradu podataka sa davača na terenu), specifičnim softverskim rešenjima koja su implementirana u svim slojevima sistema, sajberbezbednošću, telekomunikacionim sistemima i infrastrukturom, a koji su prisutni u ovakvim ili sličnim projektima. Što se tiče „fundamentalnog znanja“, potrebno je najpre znanje iz mehanike fluida, fizike, elektrotehnike, merne tehnike. Pored toga, potrebno je veoma specifično znanje u vezi sa softverskim rešenjima za koja se očekuje da budu primenjena, a eksperti sa takvim znanjem i iskustvom su malobrojni i nije ih lako naći na tržištu rada. Želeo bih da naglasim da tu posebno mesto zauzimaju oni programeri koji se svojim znanjem i iskustvom nalaze na spoju nekoliko oblasti (merenja fizičkih veličina, elektronike) i – konačno – sa velikim znanjem i iskustvom u programiranju sličnih sistema za praćenje fizičkih veličina u realnom vremenu. Takođe, potrebno je poznavati puno detalja u vezi sa standardima koji se primenjuju u transportu ove vrste flu- ida, a koji se tiču bezbednosti instalacija na projektima, i to u raznim domenima. Konačno, ništa manje važno, ako ne i najvažnije, potrebno je angažovanje i par timova matematičara za pojedine faze obrade podataka, koje je potrebno obaviti u sklopu ovakvih softverskih rešenja.

Svaki od ovih sistema zahteva ogroman napor svih ljudi koji su uključeni u implementaciju rešenja, na tzv. prilagođavanju generičkog rešenja. Zapravo, svaki cevovod ima svoje specifičnosti u obimu i zahteva da se, svaki put kada se sprema rešenje za sledeći cevovod, obavi detaljna prerada konfiguracije rešenja. Mnogi tehnički detalji koji su bitni za LDS se u praksi ne poklapaju potpuno sa projektnom dokumentacijom i potrebno je to utvrditi u periodu testiranja rešenja, tzv. SAT-a (Site Acceptance Test). Na primer, postoje odstupanja u pogledu materijala, geometrije i topologije cevovoda, sa nemalim značajem za rad LDS-a. Takođe, način transporta fluida u praksi često nije u skladu sa „teorijskim“ ili „idealnim“ modelima za koje se mogu naći analitička rešenja, već postoje velika odstupanja, koja onda zahtevaju poseban angažman celog tima stručnjaka na adaptaciji konfiguracije rešenja. Konačno, postoji i dosta problema u vezi sa raznorodnošću opreme koju treba integrisati u jedan funkcionalan i pouzdan sistem.

Jedna od specifičnosti ovih rešenja je i postojanje stalnog izazova sprečavanja intruzije i krađe derivata iz cevovoda.
To je izazov prisutan svuda gde ima ove vrste produktovoda. Zahvaljujući svojoj inteligenciji i odgovarajućoj opremi, ljudi uspevaju da izvrše probijanje cevovoda na veoma suptilne načine, veoma teške za utvrđivanje. Zato ovakav sistem treba da ima veoma kompleksan skup algoritama utvrđivanja curenja koji rade nezavisno jedan od drugog, ali paralelno, kako bi neki od tih specifičnih algoritama mogli da uoče te intruzije, koje je inače veoma teško utvrditi regularnim teorijskim metodama. Takođe, iz istog razloga, potrebno je angažovati i specifične metode sračunavanja verovatnoće koje mogu pomoći u takvim slučajevima. Što se tiče izazova sa neposrednom instalacijom i testiranjem sistema, posebno se ističe slučaj u Meksiku, kada smo na pojedinim mernim stanicama bili suočeni sa situacijama u kojima je bezbednost ljudi našeg tima bila realno ugrožena. Bilo je potrebno da tim za instalaciju mernih podsistema tokom rada prate i obezbeđuju odredi vojske i policije.

Kada je reč o mogućnostima primene u drugim delatnostima, treba pomenuti detekciju curenja u magistralnim cevovodima vode. sistemi za transport pijaće vode i njihovu kontrolu postaju apsolutno neophodni, s obzirom na razmere gubitaka i potrebu da se oni u najvećoj mogućoj meri smanje.

Kako se jedan ovakav sistem nosi sa velikim opterećenjem podacima i kako je skaliran da bi se prilagodio rastućim potrebama? Miloš Stojković: Ovaj sistem koristi skup baza podataka, koji se sastoji od time series, relation i RAM baze podataka, kako bi se omogućilo fluentno beleženje i korišćenje podataka kojih ima zaista mnogo (neke merne veličine, poput pritiska, beleže se na svakih 25/50 ms). U najnovijoj (trećoj) verziji softvera, koju upravo razvijamo sa COMING-om, opredelili smo se za sistem koji koristi KAFKA open-source stream processing platform, upravo da bismo omogućili nesmetan i paralelan rad velikog broja servisa (programskih modula) neophodnih za obradu tako velike količine podataka, koji pristižu u realnom vremenu. S tim u vezi, razvijen je tzv. orkestrator, kao neka vrsta vršnog servisa koji nadgleda i kontroliše rad i prioritete ostalih servisa, kao i njihovu rekonfiguraciju u realnom vremenu, u skladu sa promenama koje se dešavaju, takođe u realnom vremenu (npr. otkazivanje rada dela opreme, kao što je davač pritiska). Takođe, da bismo omogućili maksimalnu fleksibilnost prilikom instalacije softvera i njegovog rada u različitim okruženjima (što je od velikog značaja, s obzirom da svaki klijent ima specifične zahteve u pogledu instalacije hardverske i softverske platforme koje koristi i koje ne želi da menja zbog instalacije novog softvera) LDS koji razvijamo sa COMING-om je izgrađen tako da radi u Kubernetes sistemu. To daje veliku prednost u pogledu instalacije i upravljanja radom softvera, kao i u pogledu skaliranja, u slučaju da klijent želi da istim sistemom „pokrije“ veći broj cevovoda.

Koji su benefiti ovakvog rešenja i vidite li mogućnost za njegovu primenu u još nekim delatnostima?
Miloš Stojković: Glavne prednosti korišćenja ovakvog softvera jesu:

• Rano otkrivanje akcidentalnih i namernih curenja fluida (i potencijalno opasnih materija), koja mogu da uzrokuju veliku materijalnu i ekološku štetu, čak i ljudske žrtve. Čak i onda kada do curenja dođe, brzina njegovog utvrđivanju, kao i preciznost u utvrđivanja lokacije curenja, može značajno umanjiti materijalnu i štetu po okolinu (npr. za asanaciju kontaminiranog terena).

• Unapređivanje bezbednosti procesa koji su inače veoma skupi za sprovođenje, kontrolu i nadgledanje. Posledično, postojanje pouzdanog sistema za detekciju curenja hidrokarbonatnih materija (fluida) smanjuje ogromne premije osiguranja, koje kompanije koje se bave održavanjem cevovoda treba da servisiraju osiguravajućim društvima.

• Odbija ljude koji su skloni pokušajima da oštete cevovod (npr. radi krađe derivata nafte) i vrše intruzije, jer ih sistem onemogućava da izvuku neku veću korist spram rizika koji snose u takvim situacijama.

Svaki od ovih sistema zahteva ogroman napor svih ljudi koji su uključeni u implementaciju rešenja

Što se tiče prednosti koje proističu iz tehničkih specifičnosti rešenja koje je Netico Solutions razvio (sada, u realizaciji najnovije verzije, u saradnji sa COMING- om), radi se o zaista najsavremenijem rešenju na tržištu u pogledu softverske arhitekture. Sama arhitektura i izabrane tehnologije (koje se odnose na softver) ugrađene u aktuelno rešenje pružaju velike prednosti u odnosu na konkurenciju, u pogledu robustnosti i fleksibilnosti (instalacija i rad samog softvera), nivoa osetljivosti, tačnosti i pouzdanosti algoritama koji su primenjeni. Konačno, primenjena arhitektura omogućila je nezavisno i paralelno pokretanje znatno većeg broja servisa bez narušavanja stabilnosti sistema, što dodatno doprinosi nivou analize podataka (hibridan i višeslojan).

Kada je reč o mogućnostima primene u drugim delatnostima, nešto što se nazire na horizontu svakako je detekcija curenja u magistralnim cevovodima vode. Sistemi za transport pijaće vode i njihovu kontrolu postaju apsolutno neophodni, s obzirom na razmere gubitaka i potrebu da se oni u najvećoj mogućoj meri smanje. Tu posebno postaju interesantni sistemi cevovoda koji obiluju račvanjima, kakvi su oni u urbanim sredinama. Takva rešenja koja efikasno detektuju curenja danas ne postoje i pokušaj da se postojeći sistem preradi i osposobi za vodovode predstavlja imperativ. Postojeće rešenje ima potencijal za to, posebno zbog primenjene arhitekture softvera.

Već je spomenuto da se naše rešenje nalazi u nacrtima pilot-projekta koji treba da obezbedi sistem za utvrđivanje curenja dielektričnih fluida u cevovodima u kojima su smešteni visokonaponski vodovi (HPFFP). Sa svojim partnerima Aeroprojektom i COMING-om, Netico Solutions radi na pripremi rešenja koje će uskoro po prvi put biti primenjeno za HPFFP u velikim gradovima na istočnoj obali SAD.

Šta je nova verzija sistema donela u odnosu na staru? Postoje li novi modovi rada ili mogućnosti za post event analizu?
Miloš Stojković: Mislim da je već dosta rečeno o tome šta nova, treća verzija sistema za detekciju curenja donosi u pogledu novosti. Možemo samo da pobrojimo još jednom:

• Velika robustnost u radu softvera, u slučaju otkazivanja pojedinih podsistema (RTU-ova) i članova sistema, npr. merača (koji je inače veoma složen). Sistem nastavlja sa radom sa skoro nesmanjenim performansama i nakon otkaza (zavisi od stepena i obimnosti otkaza podsistema i opreme).

• Velika fleksibilnost u pogledu instalacije i kontrole softvera, kao i integracije sa postojećim sistemima i opremom (npr. postojeći SCADA i drugi informatički podsistemi) kojima su ovakvi sistemi (produktovodi, gasovodi, naftovodi) obično opremljeni.

• Unapređenje rada softvera, posebno u pogledu mogućnosti izmene i prilagođavanja algoritama utvrđivanja curenja specifičnostima kojima se odlikuju sistemi poput produktovoda, gasovoda, naftovoda. Mogućnost rada većeg broja algoritama uporedo i nezavisno jedni od drugih i na kraju holističko sagledavanje svih rezultata i kombinovanje u jedinstvenu procenu o događaju curenja, sa iskazanim verovatnoćama, kako po pitanju autentičnosti samog događaja, tako i po pitanju lokacije i vremena pojave i količine fluida koja ističe.

• Nova verzija softvera će po prvi put omogućiti da se simuliraju detaljne tzv. post event analize događaja, kojima je moguće sagledati kako je sistem reagovao sa tadašnjim podešavanjima i kako bi mogao da reaguje da su podešavanja bila drugačija. Ova osobenost je „predvorje“ mogućnosti primene metoda veštačke inteligencije (mašinsko učenje i pattern recognition) na mnogo efikasniji način nego što je to bio slučaj do sada. To će, verovatno, biti jedan od osnovnih ciljeva koje će biti potrebno dostići u sledećoj verziji softvera.

The post Sinergija ekspertiza: ključ za inovativna rešenja appeared first on Business&IT.