Gradite sisteme koji rasuđuju — i rade.

AI je problem sistemske arhitekture

AI postaje vredan kada može da radi sa stvarnim podacima, stvarnim aplikacijama, stvarnom infrastrukturom i stvarnim ograničenjima. Model je samo jedna komponenta. Težak deo je projektovanje svega oko njega tako da se kompletan sistem ponaša pouzdano.

Moj rad se fokusira na tu arhitekturu: kako modeli pristupaju znanju, pronalaze dokaze, koriste alate, interaguju sa softverom, razmenjuju podatke i postaju deo sistema koji zaista mogu da rade u produkciji.

To znači rad na AI arhitekturi, aplikacionoj logici, API-jima, bazama podataka, full-stack platformama, infrastrukturi, implementaciji i radu, umesto tretiranja AI kao izolovane funkcije.

Trenutni tehnički fokus

Moj trenutni rad se koncentriše na sloj između sposobnosti modela i pouzdanog ponašanja sistema: odlučivanje kada model može da koristi sopstveno znanje, kada mora da pronađe eksterne informacije, koji dokazi su dovoljni, kako agenti treba da izvršavaju akcije i gde se moraju uspostaviti granice sistema.

• Generisanje uz pomoć pronalaženja i okidači za pronalaženje
• Agentski sistemi, korišćenje alata i petlje izvršavanja
• Granice konteksta, dokazi i pouzdanost odgovora
• Usmeravanje modela i arhitekture svesne sposobnosti
• Privatna, lokalna i samostalno hostovana AI infrastruktura
• Integracija AI u stvarne aplikacione i podatkovne tokove

Arhitektura AI sistema

Moderne AI aplikacije se ne grade samo od jezičkog modela. Pouzdani sistemi zahtevaju odluke o znanju, pronalaženju, kontekstu, alatima, stanju aplikacije, validaciji, izboru modela i rukovanju greškama.

• RAG i integracija eksternog znanja
• Odluke o pronalaženju i izbor dokaza
• AI agenti i radni tokovi zasnovani na alatima
• Lokalne i udaljene arhitekture modela
• Usmeravanje modela i sposobnosti
• Dizajn konteksta i upravljanje granicama konteksta
• Strukturirani izlazi i API integracija
• Validacija, observabilnost i rukovanje greškama

Centralno arhitektonsko pitanje stoga nije jednostavno koji model koristiti. To je šta model zna, šta ne zna, šta mora da pronađe, koje alate može da koristi, koji dokazi su dovoljni i kada sistem mora da prestane da veruje generisanom odgovoru.

Arhitektura platforme

AI je jedan sloj većeg softverskog sistema. Projektujem platforme oko jasnih aplikacionih granica, usluga koje se mogu ponovo koristiti, strukturiranih modela podataka i arhitekture orijentisane ka produkciji, umesto izolovanih funkcija.

• Cloud-native i samostalno hostovane arhitekture
• Multi-tenant i multi-instance platforme
• Backend usluge i arhitektura API-ja
• PostgreSQL i modelovanje aplikacionih podataka
• Autentifikacija, autorizacija i pristup zasnovan na ulogama
• Višejezični i internacionalizovani sistemi
• Headless sadržaj i platforme za strukturirano objavljivanje
• AI usluge integrisane u postojeću aplikacionu logiku

Full-stack sistemsko inženjerstvo

Arhitektura je najvažnija kada preživi implementaciju. Radim na frontend-u, backend-u, podacima i infrastrukturi tako da arhitektonske odluke ostanu koherentne od korisničkog interfejsa do baze podataka, runtime-a i sloja za implementaciju.

Tipični sistemi kombinuju Nuxt i Vue frontend-ove, Node.js i TypeScript usluge, PostgreSQL i Prisma slojeve podataka, Python gde pruža bolje tehničko rešenje, i Linux-baziranu produkcijsku infrastrukturu.

Produkcijsko inženjerstvo

Prototip demonstrira ideju. Produkcioni sistem mora da preživi implementaciju, stvarne podatke, promenljive zahteve, ponašanje korisnika, saobraćaj, nadogradnje, otkaze i kontinuirani razvoj.

• Linux serverska okruženja
• NGINX i rutiranje aplikacija
• Implementacija aplikacija i rad u vreme izvršavanja
• Migracije baza podataka i životni ciklus podataka
• Radni tokovi izgradnje i izdanja
• Evidentiranje, dijagnostika i tehnički nadzor
• Performanse, mogućnost indeksiranja i ograničenja isporuke
• Integracija lokalnih i hostovanih AI okruženja

Sistemi izgrađeni u praksi

Arhitektura opisana ovde nije teorijska. Razvijena je kroz sisteme koje dizajniram, gradim, upravljam i kontinuirano proširujem.

Aaasaasa AI klijent

Desktop AI aplikacija izgrađena oko Electron-a i TypeScript-a sa podrškom za lokalne i udaljene modele, apstrakcijom provajdera, sigurnim granicama aplikacije i integracijom sa spoljnim AI okruženjima.

Enterprise Aaasaasa

Platforma orijentisana ka preduzećima koja kombinuje aplikativne servise, strukturirane podatke, pristup zasnovan na ulogama, višejezični sadržaj, AI mogućnosti i modularne poslovne funkcije.

stajic.de platforma

Produkciona platforma koja se koristi za strukturirano objavljivanje, višejezičnu isporuku, AI-podržane radne tokove, tehnička istraživanja i eksperimente oko pretrage, pronalaženja i AI-čitljivog znanja.

Nezavisne produkcione platforme

loving.rocks, figure.rocks i povezani sistemi proširuju isti inženjerski pristup na nezavisna produkciona okruženja sa sopstvenom publikom, modelima sadržaja, višejezičnim strukturama, zahtevima pretrage i operativnim ograničenjima.

Tehničko istraživanje i pisanje

Značajan deo mog trenutnog rada ispituje granicu između sposobnosti jezičkog modela i pouzdanog ponašanja aplikacije. Cilj je da se složena AI arhitektura pretvori u koncepte koji se mogu objasniti, testirati, osporiti i implementirati.

• Kako RAG povezuje modele sa spoljnim znanjem
• Odakle LLM dobija informacije i gde počinje pronalaženje
• Kada AI sistem treba da prestane da se oslanja na znanje modela
• Kako treba birati i validirati dokaze
• Zašto veći kontekstni prozori ne proizvode automatski bolje odgovore
• Kako se agent petlje razlikuju od upravljane agent infrastrukture
• Kako privatna AI arhitektura menja odluke o infrastrukturi
• Gde se pouzdanost odgovora prekida između pronalaženja i generisanja

Ove teme čine povezanu tehničku bazu znanja, a ne zbirku izolovanih članaka. Svaka se bavi drugom granicom unutar modernih AI sistema.

Jedan sistem, a ne zbirka funkcija

Frontend, backend, AI, podaci i infrastruktura se često diskutuju kao odvojene discipline. U produkciji oni neprekidno utiču jedni na druge.

Odluka o pretraživanju menja arhitekturu podataka. Arhitektura podataka utiče na API-je. API-ji utiču na stanje aplikacije. Stanje aplikacije utiče na ponašanje agenta. Infrastruktura ograničava izbor modela. Arhitektura pretrage utiče na to kako i ljudi i mašine otkrivaju informacije.

Moj pristup je stoga sistemski orijentisan: razumeti kompletan lanac pre optimizacije pojedinačne komponente.

Tehnički temelj

• TypeScript i JavaScript
• Nuxt i Vue
• Node.js i Nitro
• Python
• PostgreSQL i Prisma
• REST i aplikacioni API-ji
• Electron
• Linux i NGINX
• Docker i deployment zasnovan na servisima
• OpenAI API-ji i agent alati
• Lokalni LLM runtime-ovi uključujući Ollama
• Strukturirani sadržaj i EditorJS

Arhitektura mora biti i isporučiva

Tehnička arhitektura postoji unutar proizvoda, projekata, budžeta, zavisnosti i rokova. Moj rad stoga kombinuje inženjering sa strukturiranom isporukom, umesto da odvaja tehničke odluke od odgovornosti za implementaciju.

Više od dve decenije praktičnog rada u IT-u upotpunjeno je formalnim metodama upravljanja projektima i isporukom, uključujući IPMA i Professional Scrum Master sertifikaciju. Ove metode podržavaju inženjerski rad; ne zamenjuju ga.

Napravite nešto što zaista može da radi

Cilj nije prikačiti AI na sve. Cilj je identifikovati gde AI pruža stvarnu sistemsku sposobnost, projektovati arhitekturu oko toga i izgraditi okolni softver dovoljno snažno da ta sposobnost postane korisna.

Od pretraživanja i ponašanja modela do API-ja, podataka, interfejsa i infrastrukture, fokus ostaje isti: tehnički koherentni sistemi koji prelaze iz arhitekture u produkciju.