{"id":2489,"date":"2026-10-01T22:17:01","date_gmt":"2026-10-01T22:17:01","guid":{"rendered":"https:\/\/11000.dev\/index.php\/2026\/10\/01\/matematika-neizvesnosti-kako-ai-zapravo-razmislja-i-zasto-gresi\/"},"modified":"2026-10-01T22:17:01","modified_gmt":"2026-10-01T22:17:01","slug":"matematika-neizvesnosti-kako-ai-zapravo-razmislja-i-zasto-gresi","status":"publish","type":"post","link":"https:\/\/11000.dev\/index.php\/2026\/10\/01\/matematika-neizvesnosti-kako-ai-zapravo-razmislja-i-zasto-gresi\/","title":{"rendered":"Matematika neizvesnosti: Kako AI zapravo “razmi\u0161lja” i za\u0161to gre\u0161i"},"content":{"rendered":"

Kada vam ChatGPT<\/strong> ili neki drugi AI model odgovori na pitanje, verovatno imate utisak da razgovarate sa nekim ko “zna” stvari. Ali istina je daleko zanimljivija \u2014 i komplikovanija. Iza svakog odgovora krije se \u010ditava matematika verovatno\u0107e, a upravo o tome govori video koji je privukao pa\u017enju na YouTube-u.<\/p>\n

\"Matematika<\/figure>\n

U videu pod nazivom “The mathematics of AI uncertainty”<\/em>, obja\u0161njava se kako veliki jezi\u010dki modeli (LLM) ne “znaju” ni\u0161ta u ljudskom smislu te re\u010di. Oni zapravo predvi\u0111aju verovatno\u0107u slede\u0107e re\u010di<\/strong> u nizu, na osnovu ogromnih koli\u010dina podataka na kojima su trenirani. Zvu\u010di jednostavno, ali u praksi je to prava matemati\u010dka umetnost.<\/p>\n

Za\u0161to AI zvu\u010di sigurno, a nije<\/h2>\n

Kada model generi\u0161e odgovor, on ne bira re\u010d koju “zna” da je ta\u010dna \u2014 on bira re\u010d koja ima najve\u0107u verovatno\u0107u da se pojavi u tom kontekstu. To zna\u010di da svaki odgovor nosi sa sobom odre\u0111eni nivo neizvesnosti<\/strong>. Ponekad je taj nivo mali i odgovor je pouzdan, a ponekad model “luta” i halucinira.<\/p>\n

Ono \u0161to je posebno zanimljivo jeste na\u010din na koji se ta neizvesnost meri. U svetu AI-ja koriste se pojmovi poput entropije<\/strong> i softmax funkcije<\/strong>, koje poma\u017eu modelu da odredi koliko je siguran u svoj izbor. \u0160to je entropija ve\u0107a, to je model nesigurniji \u2014 i ve\u0107a je \u0161ansa da \u0107e pogre\u0161iti.<\/p>\n

Halucinacije nisu bag, ve\u0107 matemati\u010dka posledica<\/h2>\n

Kada AI “izmisli” neku \u010dinjenicu, to nije zato \u0161to je pokvaren. To je zato \u0161to je njegov cilj da generi\u0161e verovatno<\/em> ta\u010dan tekst, a ne da bude istinit. Model ne proverava da li je ne\u0161to stvarno \u2014 on samo prati obrasce. Zato je razumevanje matematike neizvesnosti klju\u010dno za svakoga ko ozbiljno koristi AI alate u poslu, nauci ili obrazovanju.<\/p>\n

Ako \u017eelite da dublje u\u0111ete u tematiku, pogledajte originalni video ovde<\/a>. Obja\u0161njenja su tehni\u010dka, ali pristupa\u010dna \u2014 idealna za svakoga ko \u017eeli da razume \u0161ta se zaista de\u0161ava “ispod haube” modernih AI sistema.<\/p>\n

\u0160ta to zna\u010di za nas<\/h2>\n

Kako AI postaje sve prisutniji u svakodnevnom \u017eivotu \u2014 od medicine do prava \u2014 razumevanje njegovih ograni\u010denja postaje pitanje odgovornosti. Modeli nisu proroci, ve\u0107 statisti\u010dki ma\u0161inski alati<\/strong>. Njihova mo\u0107 le\u017ei u brzini i obimu, ali njihova slabost je upravo u tome \u0161to ne razumeju \u2014 samo predvi\u0111aju.<\/p>\n

Slede\u0107i put kada vam AI odgovori sa puno samopouzdanja, setite se: iza tog samopouzdanja stoji samo matematika verovatno\u0107e. A verovatno\u0107a, kao \u0161to znamo, nikada nije sto posto sigurna.<\/p>\n","protected":false},"excerpt":{"rendered":"

Kada vam ChatGPT ili neki drugi AI model odgovori na pitanje, verovatno imate utisak da razgovarate sa nekim ko “zna” stvari. Ali istina je daleko zanimljivija \u2014 i komplikovanija. Iza svakog odgovora krije se \u010ditava matematika verovatno\u0107e, a upravo o tome govori video koji je privukao pa\u017enju na YouTube-u. U videu pod nazivom “The mathematics […]<\/p>\n","protected":false},"author":1,"featured_media":2488,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"content-type":"","footnotes":""},"categories":[103,107],"tags":[],"class_list":["post-2489","post","type-post","status-publish","format-standard","has-post-thumbnail","category-ai","category-nauka"],"_links":{"self":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts\/2489","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/comments?post=2489"}],"version-history":[{"count":0,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts\/2489\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/media\/2488"}],"wp:attachment":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/media?parent=2489"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/categories?post=2489"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/tags?post=2489"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}