Master u tehničkom NLP inženjerstvu i inženjerskim asistentima
Online diplomski program od 1.900 sati iz tehničkog inženjerstva za obradu prirodnog jezika (NLP) i inženjerskih asistenata: 12 modula koji obuhvaćaju računalnu lingvistiku, Transformer modele, RAG nad tehničkom dokumentacijom, izdvajanje informacija, fino podešavanje, agente, LLMOps i upravljanje umjetnom inteligencijom prema Aktu EU-a o umjetnoj inteligenciji, ISO/IEC 42001 i NIST AI RMF, uz dodijeljenog tehničkog mentora.
Master u tehničkom NLP inženjerstvu i inženjerskim asistentima — studiranje iz Hrvatska
Podatkovne znanosti, umjetna inteligencija i simulacije sve su važnije u hrvatskoj industriji, posebno u IT sektoru, telekomunikacijama i proizvodnji. Tvrtke koriste analitiku za optimizaciju procesa, prediktivno održavanje i razvoj proizvoda. Rastući IT klaster u Zagrebu, Splitu i Osijeku stvara potražnju za stručnjacima za podatke i strojno učenje. Područje zahtijeva znanje statistike, programiranja i obrade velikih skupova podataka.
Naknade za Hrvatska: 9.930 € (euro), uz plaćanje na rate i sponzoriranje od strane poslodavca.
Relevantna tijela u Hrvatska
Tipične uloge
Pitanja iz Hrvatska
Postoji li u Hrvatskoj zaštićeno zvanje za podatkovne znanstvenike ili AI inženjere?
Zaštićenih zvanja za podatkovne znanstvenike i AI inženjere u Hrvatskoj nema u smislu obvezne licence. Poslodavci se oslanjaju na diplome, certifikate i portfelj. Ako je rad povezan s regulirani inženjerskim područjima, primjenjuju se nadležne komore. Privatne kvalifikacije SEIUM Instituta nisu državne niti akreditirane pa se priznaju prema procjeni poslodavca.
Gdje se u Hrvatskoj zapošljavaju stručnjaci za analitiku podataka i AI?
Potražnja postoji u IT tvrtkama, bankama i osiguravajućim društvima, telekomunikacijskim operaterima, farmaceutskoj i industrijskoj proizvodnji te u istraživačkim institutima. Poslodavci vrednuju praktične projekte, poznavanje alata za obradu podataka i sposobnost objašnjavanja rezultata poslovnoj strani.
Koliko iznosi opterećenje uz redovan posao i koji je jezik nastave?
Nastava je online i na engleskom jeziku, pa je potrebno tečno čitanje i pisanje tehničkih tekstova. Programi trajaju od 300 do 1.900 sati, a student dobiva tehničkog mentora. Raspored se može prilagoditi radnom vremenu, a plaćanje je moguće u ratama. Poslodavac može financirati školovanje prema dogovoru.
Preuzmite kontrolu.
Odigrajte stvarni inženjerski kompromis iz ovog područja. Pomičite klizače, promatrajte kako model reagira u stvarnom vremenu i pobijedite izazov.
Što ćete moći raditi
Diseñar pipelines de procesamiento del lenguaje para documentación técnica.
Construir asistentes RAG con citas trazables a normas y manuales.
Extraer requisitos, tablas y listas de materiales de documentos no estructurados.
Adaptar modelos de lenguaje al dominio mediante ajuste fino eficiente.
Orquestar agentes que utilizan herramientas de cálculo, CAD y PLM.
Procijeniti pouzdanost, sigurnost i pristranosti asistenata u produkciji.
Isporučiti inženjerske asistente u skladu s europskim Zakonom o umjetnoj inteligenciji.
Za koga je
- Inženjeri za NLP koji prelaze na tehničku dokumentaciju i inženjerske asistente.
- LLMOps inženjeri odgovorni za rad jezičnih modela u produkciji.
- Programeri tehničkih asistenata za inženjerske timove.
- Stručnjaci za upravljanje tehničkim znanjem.
- Arhitekti rješenja generativne umjetne inteligencije.
- Voditelji za upravljanje umjetnom inteligencijom u industrijskim organizacijama.
- Diplomirani inženjeri ili znanstvenici koji žele ući u inženjersko i tehničko savjetovanje.
S čime ćete raditi
- Reglamento (UE) 2024/1689 (Europski akt o umjetnoj inteligenciji)
- ISO/IEC 42001:2023 (sustavi upravljanja umjetnom inteligencijom)
- NIST AI RMF 1.0 (okvir za upravljanje rizicima umjetne inteligencije)
- ISO/IEC 23894:2023 (smjernice za upravljanje rizicima umjetne inteligencije)
- Uredba (EU) 2016/679 – GDPR (zaštita osobnih podataka)
- ISO/IEC 22989:2022 (pojmovi i terminologija umjetne inteligencije)
- ISO/IEC 27001:2022 (upravljanje informacijskom sigurnošću)
- Hugging Face Transformers
- spaCy
- LangChain
- vLLM
- Qdrant
12 modules · 1900 h
1.1Tokenizacija tehničke dokumentacije i jedinica1.2Morfologija, lematizacija i specijalizirana terminologija1.3Sintaktička raščlamba pisanih zahtjeva1.4Prepoznavanje imenovanih entiteta u normama i tehničkim listovima1.5Vektorske reprezentacije: word2vec, fastText i GloVe1.6Tehnički korpusi: priručnici, specifikacije i prijave kvarova1.7Anotacija korpusa i međuanotatorska suglasnost1.8Ekstrakcija temeljena na pravilima i regularni izrazi1.9Metrike evaluacije: preciznost, odaziv i F11.10Laboratorij: spaCy cjevovod na priručnicima za održavanje
2.1Mehanizam pažnje i višeglavi samopažajni mehanizam2.2Enkoderi tipa BERT i dekoderi tipa GPT2.3Ciljevi predtreniranja s maskiranjem i kauzalni ciljevi2.4Tokenizatori BPE, WordPiece i SentencePiece2.5Kontekstualni prozor i RoPE pozicijsko kodiranje2.6Zakoni skaliranja i odabir veličine modela2.7Otvoreni modeli: Llama, Mistral i Qwen2.8Kvantizacija GPTQ i AWQ te format GGUF2.9Učinkovito zaključivanje s vLLM-om i KV-predmemorijom2.10Praktični rad: posluživanje otvorenog modela na lokalnoj GPU jedinici
3.1Zadavanje upita bez primjera, s nekoliko primjera i postupno zaključivanje3.2Sistemske poruke i kontrola stila3.3JSON izlazi validirani shemama Pydantic3.4Pozivanje funkcija i korištenje alata3.5Obrada jedinica i veličina u odgovorima3.6Smanjenje halucinacija eksplicitnim ograničenjima3.7Verzioniranje upita i regresijsko testiranje3.8Ubrizgavanje upita (prompt injection) i osnovna zaštita3.9Trošak po tokenu i optimizacija latencije3.10Radionica: ekstraktor zahtjeva u validirani JSON
4.1Unos PDF datoteka, nacrta i tehničkih listova4.2Semantičko segmentiranje i segmentiranje prema strukturi dokumenta4.3Modeli ugrađivanja i odabir prema domeni4.4Vektorske baze podataka: FAISS, Qdrant i pgvector4.5Hibridno pretraživanje BM25 s gustim dohvatom4.6Ponovno rangiranje odlomaka pomoću cross-encodera4.7Citati sljedivi do klauzule i stranice4.8Inkrementalno ažuriranje indeksa dokumenata4.9Evaluacija RAG sustava pomoću Ragas: vjernost i relevantnost4.10Laboratorij: RAG asistent nad internim normama
5.1Klasifikacija zahtjeva sintaksom EARS5.2PDF tablice: Camelot, pdfplumber i OCR5.3Čitanje naslovnih blokova i popisa materijala5.4Normalizacija fizikalnih jedinica pomoću Pinta5.5Otkrivanje dvosmislenosti u tehničkim specifikacijama5.6Odnosi među komponentama i grafovi znanja5.7Tehničke ontologije i kontrolirani rječnici5.8Povezivanje s PLM brojevima dijelova5.9Ljudska validacija i petlje ispravaka5.10Studija slučaja: strukturirani BOM iz skeniranih specifikacija
6.1Kada fino podešavati model, a kada dohvaćati podatke6.2Skupovi podataka s uputama iz tehničkih izvješća6.3LoRA i QLoRA adapteri s PEFT-om6.4Nadzirano fino podešavanje i predlošci razgovora6.5Usklađivanje preferencija putem DPO-a6.6Sintetički podaci i kontrola kontaminacije6.7Katastrofalno zaboravljanje i evaluacija regresije6.8Destilacija u male modele za implementaciju6.9Praćenje eksperimenata s MLflowom6.10Praktikum: QLoRA na izvješćima o incidentima
7.1Obrasci ReAct i planer-izvršitelj7.2Integracija s kalkulatorima i numeričkim rješavačima7.3Generirani SQL upiti nad tehničkim bazama podataka7.4Povezivanje s CAD i PLM API-jima7.5Protokol MCP za izlaganje alata7.6Memorija razgovora i stanje zadatka7.7Ograničenja autonomije i ljudsko odobrenje7.8Praćenje i promatranje s Langfuseom7.9Obrada pogrešaka i ponavljanje alata7.10Radionica: agent koji dimenzionira i dokumentira komponentu
8.1Generiranje Python skripti za CAE predobradu8.2Makroi za FreeCAD i CAD API-je8.3Pomoć pri programiranju PLC-a prema IEC 61131-38.4Generirani testovi jedinica i pregled koda8.5Statička analiza i otkrivanje nesigurnog koda8.6Tehnička dokumentacija generirana iz koda8.7Licence za kod i intelektualno vlasništvo8.8Integracija u IDE-ove i tijekove pregleda8.9Metrike produktivnosti i kvalitete koda8.10Praktikum: automatizacija mrežiranja pomoću LLM-a
9.1Vlastiti skupovi za evaluaciju domene9.2LLM kao sudac i njegove pristranosti9.3Kalibracija pouzdanosti i kontrolirano suzdržavanje9.4Adversarijalno testiranje i crveni tim9.5Curenje podataka i privatnost dokumenata9.6Rizici OWASP Top 10 za LLM-ove9.7Upravljanje rizicima prema NIST AI RMF-u9.8Praćenje driftа u produkciji9.9Sljedivost za regulirane sektore9.10Studija slučaja: revizija asistenta za održavanje
10.1Arhitektura u oblaku naspram lokalne (on-premise) arhitekture10.2Kontejneri, Kubernetes i skaliranje GPU-a10.3Prolazni sloj za modele i usmjeravanje prema trošku10.4Semantičko predmemoriranje i kontrola latencije10.5Upravljanje tajnama i kontrola pristupa10.6Kanarska isporuka i A/B testiranje10.7Revizijsko bilježenje interakcija10.8Ukupni trošak rada asistenta10.9Potrošnja energije pri zaključivanju10.10Laboratorij: implementacija s vLLM-om i Kubernetesom
11.1Europski Zakon o umjetnoj inteligenciji i razine rizika11.2Sustavi upravljanja umjetnom inteligencijom prema ISO/IEC 4200111.3Zaštita osobnih podataka u asistentima11.4Autorska prava na norme i priručnike11.5Dizajn interakcije i povjerenje korisnika11.6Upravljanje promjenama u tehničkim uredima11.7Pismenost o umjetnoj inteligenciji za inženjere11.8Povrat ulaganja i poslovni slučaj11.9Kartice modela i dokumentacija sustava11.10Studija slučaja: plan implementacije u inženjerskoj tvrtki
12.1Definicija slučaja upotrebe i opsega12.2Prikupljanje i licenciranje tehničkog korpusa12.3Dizajn arhitekture asistenta12.4Implementacija funkcionalnog prototipa12.5Plan evaluacije i metrike uspjeha12.6Testiranje s pravim inženjerskim korisnicima12.7Analiza rizika i usklađenost s propisima12.8Dokumentacija koda i reproducibilnost12.9Izvješće o diplomskom radu12.10Diplomski rad: obrana pred povjerenstvom
Kako ćete učiti
Potpuno online obrazovanje na kampusu SEIUM, s materijalima za preuzimanje, snimljenim predavanjima i dodijeljenim tehničkim mentorom. Nema fiksnih rasporeda: napredujete vlastitim tempom unutar svakog upisnog roka, pa je program kompatibilan s radom.
Svaki modul kombinira teoriju, vođeno čitanje izvornog standarda i primijenjene vježbe. Radni softver su Hugging Face Transformers, spaCy, LangChain, vLLM i Qdrant, u besplatnim, akademskim ili evaluacijskim verzijama. Testovi se proučavaju na stvarnim postupcima: evaluacija asistenata na stvarnim tehničkim korpusima, ispitivanja s inženjerima u tehničkim uredima i revizija odgovora u odnosu na citirane standarde. Ocjenjivanje je kontinuirano po modulima, uz završni magistarski rad.
Obuhvaćeni standardi: Uredba (EU) 2024/1689 o umjetnoj inteligenciji, ISO/IEC 42001:2023, NIST AI RMF 1.0, ISO/IEC 23894:2023, Uredba (EU) 2016/679 (GDPR), ISO/IEC 22989:2022, ISO/IEC 27001:2022.
Izradite ga od početka do kraja
Vaš završni projekt slijedi stvarni inženjerski tijek rada, korak po korak, uz pregled vašeg mentora.
Kamo vas to vodi
Uvjeti
- Diploma sveučilišnog studija inženjerstva, znanosti ili arhitekture, ili ekvivalentno dokazivo stručno iskustvo.
- Internetska veza i računalo sposobno za pokretanje softvera programa.
- Znanje engleskog jezika dovoljno za čitanje tehničkih standarda.
Spremni za početak?
Pošaljite prijavu već danas. Naš tim za upise odgovara u roku od 72 sata s vašim planom studija i opcijama financiranja.
Često postavljana pitanja
Program ukupno iznosi 1.900 sati tijekom 12 do 14 mjeseci. Tempo učenja određujete sami unutar svakog upisnog roka, a vaš mentor pomaže u planiranju opterećenja uz vaš posao.
Radite s alatima Hugging Face Transformers, spaCy, LangChain, vLLM i Qdrant, koristeći besplatne, akademske ili probne verzije. Vaš mentor navodi besplatnu alternativu gdje ona postoji.
Diplomu Instituta SEIUM, koja se dodjeljuje nakon uspješnog položenog kontinuiranog ocjenjivanja i diplomskog rada. Riječ je o vlastitoj kvalifikaciji SEIUM-a, a ne o službeno priznatoj državnoj diplomi; njezino priznavanje ovisi o završenom programu i propisima pojedine zemlje.
Da. Moduli položeni na tečaju ili poslijediplomskom specijalističkom studiju iz istog područja priznaju se u višem programu. Raspitajte se o politici priznavanja pri upisu.
Visoko obrazovanje u području inženjerstva, znanosti ili arhitekture (ili odgovarajuće stručno iskustvo), računalo koje može pokretati potreban softver te znanje engleskog jezika dovoljno za čitanje tehničkih normi.
Datume početka određuje nastavno osoblje SEIUM-a za svaki upisni rok. Naš tim za upise potvrdit će sljedeći dostupan datum kada se prijavite.
Srodni programi
More in Data, AI, Simulation & Analytics
All Data, AI, Simulation & Analytics programmes → · Kako se prijaviti · Naknade i financiranje · Stipendije