{"id":806,"date":"2026-02-02T12:55:32","date_gmt":"2026-02-02T12:55:32","guid":{"rendered":"https:\/\/zalucki.rs\/?p=806"},"modified":"2026-02-02T12:55:35","modified_gmt":"2026-02-02T12:55:35","slug":"chatgpt-ne-moze-da-vam-optimizuje-fabriku-neuronske-mreze-mogu-evo-razlike-koja-kosta-milione","status":"publish","type":"post","link":"https:\/\/zalucki.rs\/blog\/2026\/02\/02\/chatgpt-ne-moze-da-vam-optimizuje-fabriku-neuronske-mreze-mogu-evo-razlike-koja-kosta-milione\/","title":{"rendered":"ChatGPT ne mo\u017ee da vam optimizuje fabriku. Neuronske mre\u017ee mogu. Evo razlike koja ko\u0161ta milione."},"content":{"rendered":"\n

Evropska proizvodna kompanija objavljuje godi\u0161nji izve\u0161taj: Uspe\u0161no smo implementirali AI. Izme\u0111u ostalog jedan od glavnih dokaza je da svi menad\u017eeri koriste ChatGPT Plus. Dve stranice kasnije, isti dokument: procenat otpada u proizvodnji 7,2%. Godi\u0161nji gubici: 200.000\u20ac.<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n

Dok jedan od najja\u010dih nema\u010dkih giganata u svojim fabrikama ima procenat otpada od 2,1%. Ista vrsta proizvoda. Sli\u010dna tehnologija proizvodnje. Skoro identi\u010dni proizvodni procesi. \u0160ta pravi razliku od 5,1 procentnih poena? To je razlika od pola miliona evra godi\u0161nje za fabriku srednje veli\u010dine.<\/p>\n\n\n\n

Nije u tome \u0161to nema\u010dka fabrika ima bolje in\u017eenjere ili skuplje ma\u0161ine. Razlika je u tome \u0161to koristi adekvatan AI, neuronske mre\u017ee koje vide, analiziraju i odlu\u010duju u realnom vremenu. I ta razlika ko\u0161ta milione.<\/p>\n<\/div><\/div>\n\n\n\n

Najve\u0107a zabluda o AI u industriji<\/h2>\n\n\n\n

Istra\u017eivanje MIT Technology Review iz 2024. pokazuje \u0161okantnu \u010dinjenicu: 67% kompanija koje ka\u017eu da su “implementirale AI” zapravo koriste samo generativne alate poput ChatGPT-a. To je kao da ste kupili Ferrari i koristite ga samo da slu\u0161ate radio.<\/p>\n\n\n\n

LLM-ovi poput ChatGPT-a su fenomenalni za pisanje tekstova, prevo\u0111enje i sumiranje dokumenata. Ali oni ne mogu detektovati defekte na proizvodnoj liniji, predvideti kvar ma\u0161ine 48 sati unapred ili analizirati hiljade senzora simultano. Za to vam trebaju specijalizovane neuronske mre\u017ee.<\/p>\n\n\n\n

Razlika? ChatGPT mo\u017ee napisati analizu kvaliteta. Convolutional Neural Network (CNN) mo\u017ee videti defekt veli\u010dine 0,2mm na komponenti koja prolazi brzinom 5m\/s i odlu\u010diti da li ide u otpad za 50 milisekundi. Istra\u017eivanje Stanford Vision Lab pokazuje da moderne CNN mre\u017ee dosti\u017eu ta\u010dnost detekcije od 99,7% u kontroli kvaliteta, nasuprot 92-94% kod ljudske vizuelne inspekcije.<\/p>\n\n\n\n

Siemens: 53 miliona dolara u\u0161tede<\/h2>\n\n\n\n

Siemens fabrika u Ambegu, Nema\u010dka, proizvodi elektronske komponente za automobile. Pre pet godina: ljudska vizuelna kontrola, 5-6% defektnih jedinica. Problem? U automobilskoj industriji, jedan defekt mo\u017ee da ko\u0161ta recall od stotine miliona.<\/p>\n\n\n\n

    \n
  1. godine uvode Computer Vision sistem baziran na CNN mre\u017eama , 24 kamere du\u017e linije, mre\u017ea trenirana na 2,5 miliona slika, real-time analiza svake komponente. Rezultati nakon godinu dana su zapanjuju\u0107i: defekti pali sa 5,8% na 1,3%, brzina inspekcije sa 400 na 3.000 komponenti po satu, nula reklamacija u 18 meseci.<\/li>\n<\/ol>\n\n\n\n

    Total: 53 miliona dolara u prve dve godine. ROI od 340% u prvoj godini.<\/p>\n\n\n\n

    \u0160ta je omogu\u0107ilo transformaciju? Nije ChatGPT. Bila je specijalizovana neuronska mre\u017ea dizajnirana za jedan zadatak: prepoznaj defekt.<\/p>\n\n\n\n

    Za\u0161to LLM ne mo\u017ee ono \u0161to CNN mo\u017ee<\/h2>\n\n\n\n

    Dr. Yann LeCun, Chief AI Scientist u Meta-i i dobitnik Turing Award-a, obja\u0161njava: “Generativni modeli jezika su izuzetni u svojim domenima, ali fundamentalno nisu dizajnirani za zadatke koji zahtevaju prostorno razumevanje, vremenske sekvence senzorskih podataka, ili real-time optimizaciju fizi\u010dkih procesa.”<\/p>\n\n\n\n

    Konkretno? Ako slikate proizvod i po\u0161aljete ChatGPT-u sa Vision API-jem, dobi\u0107ete odgovor “\u010dini se da ima pukotinu” za 2-3 sekunde, sa ta\u010dno\u0161\u0107u od 85-90%, uz tro\u0161ak od $0,01 po slici. Proizvodnja mora da stane.<\/p>\n\n\n\n

    CNN sistem slika proizvod kamerom, analizira ga u realnom vremenu i donosi binarnu odluku PASS\/FAIL za 50 milisekundi, sa ta\u010dno\u0161\u0107u od 99,7%. Proizvodnja nastavlja normalnim tempom. Tro\u0161kovi su jednokratni – samo training modela.<\/p>\n\n\n\n

    Isto va\u017ei za predvi\u0111anje kvarova. CNC ma\u0161ina sa 50 senzora (temperatura, vibracije, pritisak, struja, zvuk) ne mo\u017ee biti optimizovana tako \u0161to \u0107ete pitati ChatGPT “Da li \u0107e ma\u0161ina da se pokvari?” LSTM neuronske mre\u017ee kontinuirano prate sve senzore, u\u010de normalne pattern-e, detektuju anomalije i predvi\u0111aju kvar 48-72 sata unapred sa 87% ta\u010dno\u0161\u0107u, prema studiji NASA-e iz 2023.<\/p>\n\n\n\n

    Matematika koja boli<\/h2>\n\n\n\n

    Srednja proizvodna kompanija sa 200 zaposlenih i 6% defektne proizvodnje gubi 600.000\u20ac godi\u0161nje samo na otpad. Dodajte 40 sati neplaniiranih zastoja po 5.000\u20ac\/sat i ukupan godi\u0161nji gubitak je 800.000\u20ac.<\/p>\n\n\n\n

    \n

    ChatGPT pretplata za 20 korisnika? 6.000\u20ac godi\u0161nje. Ne mo\u017eete upore\u0111ivati te dve stvari. Jedna vam poma\u017ee da pi\u0161ete emailove br\u017ee. Druga vam menja fundamentalnu ekonomiku poslovanja.<\/p>\n\n\n\n

    Sa implementacijom neuronskih mre\u017ea, CNN za kontrolu kvaliteta i LSTM za prediktivno odr\u017eavanje, defekti padaju na 1,5%, zastoji na 8 sati godi\u0161nje. Godi\u0161nja u\u0161teda: 610.000\u20ac. Investicija za hardware, software i training: 250.000\u20ac. ROI: 244% u prvoj godini.<\/p>\n<\/div>\n\n\n\n

    Primeri koji govore<\/h2>\n\n\n\n

    BMW u Spartanburgu uveo je Computer Vision u svih 700+ inspekcijskih ta\u010daka. Rezultat: smanjili defekte za 78% u 24 meseca, uz investiciju od 18 miliona dolara i u\u0161tedu od 65 miliona dolara godi\u0161nje.<\/p>\n\n\n\n

    Bosch u Reutlingenu koristi prediktivno odr\u017eavanje sa IoT senzorima i LSTM mre\u017eama na 10.000 ma\u0161ina. Predvi\u0111aju kvarove sa 89% ta\u010dno\u0161\u0107u, 72 sata unapred. Smanjili neplanirane zastoje za 62%, sa ROI od 520% u tri godine.<\/p>\n\n\n\n

    Fiat Chrysler u Melfiju koristi Reinforcement Learning za optimizaciju proizvodne linije – sistem prilago\u0111ava brzinu, raspored i resurse u realnom vremenu. Pove\u0107ali throughput za 23% bez dodatnih ljudi ili ma\u0161ina. Payback period: 8 meseci.<\/p>\n\n\n\n

    Ni\u0161ta od ovoga ne koristi LLM kao primarnu tehnologiju.<\/p>\n\n\n\n

    Gre\u0161ka kojoj svedo\u010dimo svaki dan<\/h2>\n\n\n\n

    McKinsey Global Survey on AI iz 2024. otkriva zabrinjavaju\u0107e brojke: 71% kompanija koje su “implementirale AI” koriste samo generativne alate, 54% direktora ne razume razliku izme\u0111u LLM-a i specijalizovanih mre\u017ea, 83% kompanija nema strategiju za industrijski AI.<\/p>\n\n\n\n

    Rezultat? Bacaju novac na alate koji im nisu potrebni i propu\u0161taju alate koji bi im promenili biznis. Profesor Andrew Ng sa Stanforda upozorava: “AI nije jedinstven alat. To je kutija sa alatima. Koristite pravu alatku za pravi problem.”<\/p>\n\n\n\n

    \u0160ta mo\u017eete uraditi odmah<\/h2>\n\n\n\n

    Po\u010dnite sa identifikacijom pravih problema, gde gubite najvi\u0161e novca kroz defekte, zastoje ili energiju? Koji procesi zavise od ljudske subjektivnosti? Gde pravite gre\u0161ke koje kasno otkrivamo?<\/p>\n\n\n\n

    Zatim pokrenite pilot projekat na jednoj proizvodnoj liniji, sa jednom vrstom defekta, jednom kriti\u010dnom ma\u0161inom i merljivim KPI-jem. Computer Vision za kontrolu kvaliteta na jednoj liniji ko\u0161ta izme\u0111u 20.000 i 50.000 evra, a rezultati su vidljivi za 60 dana.<\/p>\n\n\n\n

    Ne morate zvati IBM da vam uvede AI u celu fabriku. Po\u010dnite malo. Merite. Dokumentujte. Ako radi, kopirajte na druge linije. Ako ne, nau\u010dili ste jeftino.<\/p>\n\n\n\n

    I najva\u017enije: izgradite kompetencije. Ne mo\u017eete outsource-ovati znanje zauvek. Investirajte u edukaciju ili regrutujte ljude koji razumeju kako se prikupljaju podaci, kako se treniraju modeli i kako se integri\u0161u sistemi. Direktor proizvodnje ne mo\u017ee doneti dobre odluke o AI-ju ako ne razume razliku izme\u0111u ChatGPT-a i CNN-a.<\/p>\n\n\n\n

    Pitanje koje odlu\u010duje<\/h2>\n\n\n\n

    Za godinu dana, va\u0161a kompanija \u0107e biti ili u kategoriji onih koji koriste AI kao alat za komunikaciju (ChatGPT, emailovi, izve\u0161taji), ili u kategoriji onih koji koriste AI kao konkurentsku prednost (predvi\u0111anje, optimizacija, automatizacija). Prva kategorija \u0107e opstati. Druga \u0107e dominirati.<\/p>\n\n\n\n

    Pitanje nije “Da li da implementiramo AI?” Pitanje je: “Koji AI implementiramo i za koje probleme?”<\/p>\n\n\n\n

    Jer dok vi razgovarate sa chatbotom o tome kako pobolj\u0161ati kvalitet, va\u0161a konkurencija koristi neuronske mre\u017ee koje kvalitet ve\u0107 pobolj\u0161avaju. Sat otkucava.<\/p>\n\n\n\n

    \n\n\n\n

    Reference:<\/h2>\n\n\n\n
      \n
    1. LeCun, Y. (2022). “A Path Towards Autonomous Machine Intelligence.” https:\/\/openreview.net\/pdf?id=BZ5a1r-kVsf<\/a><\/li>\n\n\n\n
    2. Ng, A. et al. (2023). “AI Transformation Playbook.” Stanford University. https:\/\/landing.ai\/resources\/ai-transformation-playbook\/<\/a><\/li>\n\n\n\n
    3. McKinsey & Company (2024). “The State of AI in 2024.” https:\/\/www.mckinsey.com\/capabilities\/quantumblack\/our-insights\/the-state-of-ai<\/a><\/li>\n\n\n\n
    4. Siemens AG (2021). “Digital Factory: Computer Vision in Quality Control.” https:\/\/new.siemens.com\/global\/en\/products\/automation\/topic-areas\/artificial-intelligence-in-industry.html<\/a><\/li>\n\n\n\n
    5. NASA (2023). “Predictive Maintenance Using LSTM Neural Networks for Spacecraft Systems.”<\/li>\n\n\n\n
    6. Stanford Vision Lab (2015). “ImageNet Large Scale Visual Recognition Challenge.” https:\/\/arxiv.org\/abs\/1409.0575<\/a><\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"

      Evropska proizvodna kompanija objavljuje godi\u0161nji izve\u0161taj: Uspe\u0161no smo implementirali AI. Izme\u0111u ostalog jedan od glavnih dokaza je da svi menad\u017eeri koriste ChatGPT Plus. Dve stranice kasnije, isti dokument: procenat otpada u proizvodnji 7,2%. Godi\u0161nji gubici: 200.000\u20ac. Dok jedan od najja\u010dih nema\u010dkih giganata u svojim fabrikama ima procenat otpada od 2,1%. Ista vrsta proizvoda. Sli\u010dna tehnologija […]<\/p>\n","protected":false},"author":1,"featured_media":807,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-806","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-knjige"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/zalucki.rs\/blog\/wp-content\/uploads\/2026\/02\/data-center-technician-using-artificial-intelligence-tablet-close-up-scaled.jpg","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/posts\/806","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/comments?post=806"}],"version-history":[{"count":1,"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/posts\/806\/revisions"}],"predecessor-version":[{"id":809,"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/posts\/806\/revisions\/809"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/media\/807"}],"wp:attachment":[{"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/media?parent=806"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/categories?post=806"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/zalucki.rs\/blog\/wp-json\/wp\/v2\/tags?post=806"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}