Arcadia AI — master akademske studije
SR
РусскийO'zbekchaEnglishDeutschSrpskiहिन्दी
Program  /  Za univerzitet

Program očima univerziteta

Administrativni okvir: krediti, ishodi učenja, uslovi, propisi i model partnerstva — za rektorat, nastavni sektor i prijemnu komisiju

Pravni model pokretanja

Program se pokreće u partnerstvu sa postojećim univerzitetom. Radna grupa razmatra tri varijante; odluka nije doneta, ispod je okvir za diskusiju.

1Nova master specijalnost u okviru licence univerziteta-partnera. Najkraći put: koristi se postojeća licenca, program prolazi posebnu akreditaciju pre početka nastave.
2Zajednički / dvojni program sa inostranim univerzitetom. Daje međunarodnu diplomu i snažan marketinški adut; zahteva međuuniverzitetski sporazum i usaglašavanje dva regulatorna okvira.
3Zasebna obrazovna organizacija. Maksimalna autonomija, ali najduži i kapitalno najzahtevniji put; u trenutnim regulatornim uslovima razmatra se kao dugoročan scenario.

Kreditna karta programa — 120 ECTS (nacrt)

Radna raspodela opterećenja: 30 ECTS po semestru, 120 za ceo program — orijentir usklađen sa bolonjskim okvirom master studija. Nacrt za usaglašavanje sa državnim standardima i propisima univerziteta-partnera.

S1Linearna algebra — 5 · Teorija verovatnoće i matematička statistika — 5 · Algoritmi — 5 · Classic ML/DL — 6 · Izborni predmet — 4 · Praksa 1 — 5  =  30
S2Optimizacija — 5 · NLP/LLM/agenti — 6 · MLOps — 5 · Reliable ML — 4 · Izborni predmet — 4 · Praksa 2 — 6  =  30
S3Multimodal — 5 · AI Research — 6 · ML Engineering — 5 · Applied AI — 4 · Izborni predmet — 4 · Praksa 3 — 6  =  30
S4Research Seminar — 2 · AI Safety — 4 · Kapstoun — 6 · Thesis Seminar — 2 · Predtezna praksa — 4 · Disertacija — 12  =  30

Programski ishodi učenja

Zbirni okvir, sastavljen iz ishoda pojedinačnih kurseva (potpune formulacije — na stranicama kurseva). Diplomirani student:

✓Gradi i trenira savremene modele — od klasičnog ML-a do transformera, LLM-ova i agentnih sistema — i obrazlaže izbor arhitekture
✓Dovodi model do produkcije: pajplajne podataka, deploy, monitoring, rad pod SLA i quality constraints
✓Sprovodi reproducibilno istraživanje: od replikacije naučnog rada do sopstvenog research-doprinosa
✓Ocenjuje i obezbeđuje pouzdanost, bezbednost i pravičnu evaluaciju AI-sistema
✓Radi sa visokoperformansnom infrastrukturom: GPU, distribuirano treniranje, LLM serving, kompresija
✓Brani master(sku) disertaciju — originalan doprinos u research- ili production-smeru

Uslovi za kandidate za upis (nacrt)

•Diploma osnovnih studija; STEM profil je poželjan, ali nije obavezan uz polaganje prijemnog ispita
•Matematika na nivou tehničkih osnovnih studija: linearna algebra, analiza, osnove teorije verovatnoće
•Sigurno programiranje u Python-u
•Engleski jezik — dovoljan za čitanje naučne literature i dokumentacije
•Format prijemnog ispita (ispit / portfolio / razgovor) — utvrđuje radna grupa

Kadrovska popunjenost — iskren status

Jezgro tima gradilo je ŠAD (Školu analize podataka Jandeksa), Jandeks.Udžbenik i olimpijadske programe. Trenutno su potvrđeni ili se razmatraju mentori za 5 od 21 obaveznog kursa; za ostale je u toku selekcija — status svakog kursa vidljiv je na njegovoj stranici. Ciljno pravilo popune: svaki kurs pokriva tandem „predavač-praktičar + asistent za seminar”, a naučno rukovođenje disertacijama je posebna uloga, koja se podrazumevano ne kombinuje sa nastavnim opterećenjem. Regulatorni zahtevi u pogledu naučnih zvanja nastavnog osoblja na master studijama uzimaju se kao obavezan uslov konačnog sastava i rešavaju se zajedno sa univerzitetom-partnerom.

Pravilnik master(ske) disertacije (nacrt)

1Izbor teme i imenovanje mentora — do kraja semestra 2; individualni kalendarski plan za svakog studenta
2Research Seminar i Thesis Seminar u semestru 4 — strukturirana podrška pisanju
3Predtezna praksa — finalni eksperiment i prikupljanje rezultata
4Predodbrana sa spoljnim recenzentom → odbrana pred komisijom
!Postupak odbrane utvrđuje se prema regulatornim zahtevima važećim u trenutku odbrane (sistem sticanja zvanja se trenutno reformiše) — pravilnik se usaglašava sa univerzitetom-partnerom pre pokretanja

Ocenjivanje i kontrola kvaliteta

Svaki kurs se zaključuje merljivom evaluacijom, povezanom sa navedenim ishodima: ispit, projekat ili njihova kombinacija. Praksa i kapstoun se ocenjuju prema unapred objavljenim kriterijumima (reproducibilnost, funkcionalnost, dokumentacija). Nastavni materijali prolaze dvostepenu proveru: generisanje → stručna redaktura od strane predavača kursa; do redakture su materijali eksplicitno označeni kao nacrt. Program se projektuje uz spoljnu ekspertizu nastavnog plana pre podnošenja zahteva za akreditaciju.

Model partnerstva: ko šta donosi

→Tim programa: nastavni plan i materijali, mentorska mreža (uključujući inženjere iz Google Zurich), obrazovna platforma sa vežbama i automatskom proverom, marketing i upis, operativna podrška
←Univerzitet-partner: licenca i akreditacioni put, diploma, nastavno osoblje sa naučnim zvanjima prema regulatornim zahtevima, učionice i administrativna infrastruktura, zastupanje pred regulatorom

Otvorena pitanja radne grupe

1Pravni model pokretanja: specijalnost u licenci univerziteta / zajednički program / zasebna organizacija?
2Ciljna cena školarine i veličina prve upisne generacije
3Popunjavanje nastavnih pozicija za 16 kurseva, uključujući semestre 3–4
4Univerzitet nosilac licence i status pregovora
5Realističan horizont pokretanja s obzirom na akreditacioni put
Ovo je nacrt za radnu grupu: svi parametri označeni sa „nacrt” / „utvrđuje se” su radne pretpostavke za diskusiju, a ne usvojene odluke.