U direktnoj sinergiji sa teorijskom nastavom na Универзитет у Нишу - Електронски факултет i katedrama na MSc in Artificial Intelligence, Machine Learning & Data Engineering, naši asinhroni R&D podovi omogućavaju studentima osnovnih, master i doktorskih studija da prevaziđu naivno empirijsko eksperimentisanje sa veštačkom inteligencijom. Umesto ad-hoc podešavanja promptova, ovde 100% matematičkog aparata sa vaših predavanja — od konveksne optimizacije i teorije verovatnoće do visokodimenzionalne statistike i robusnih mera rizika — implementirate direktno u produkcioni kod za orkestraciju heterogenih LLM agenata i formalnih verifikatora. Uz fleksibilan asinhroni angažman od 10 do 25 sati nedeljno, rad na otvorenim istraživačkim problemima odvija se u potpunom skladu sa laboratorijskim vežbama i ispitnim rokovima, obezbeđujući kompenzaciju od $20 do $45 po satu i koautorstvo na međunarodnim preprintima.
Potpuna autonomija u raspodeli radnog vremena: istraživački zadaci u podovima izvršavaju se asinhrono između predavanja, laboratorijskih vežbi na fakultetu i izrade računskih zadataka. Nema fiksnih sastanaka koji prekidaju nastavu — napredak se meri egzaktnim matematičkim doprinosom, pul-zahtevima i reproducibilnim benchmark izveštajima.
Konkurentna remote kompenzacija od $20 do $45/h USD, uz ugrađeni protokol zaštite ispitnih rokova: potpuna pauza od 0 sati nedeljno tokom kolokvijumskih nedelja i ispitnih rokova (januarski, junski, septembarski), uz garantovano zadržavanje statusa i mesta u istraživačkom podu bez ikakvih penala.
Rezultati rada u podovima direktno se integrišu u diplomske radove, master teze i seminarske projekte na fakultetu, uz priliku za koautorstvo na recenziranim radovima i preprintima za period 2024–2026. Svim članovima je omogućen slobodan pristup internoj biblioteci od 39 sati specijalizovanog CPE materijala na adresi {preprints_url}.
| Univerzitetski kurs / Matematička oblast | Teorijski aparat i fundamentalna formula | R&D Istraživački Pod | Produkciona primena u orkestraciji agenata |
|---|---|---|---|
| Konveksna i kvadratna optimizacija (Operaciona istraživanja) | min_w w^T Σ w s.t. w^T μ ≥ μ*, 1^T w = 1, w ≥ 0 |
POD-01 | Alokacija optimalnih računarskih težina (compute budget) kroz skup heterogenih LLM agenata i determinističkih verifikatora; analitičko i numeričko rešavanje Karush-Kuhn-Tucker (KKT) uslova radi minimizacije varijanse grešaka sistema pri definisanom pragu tačnosti. |
| Teorija verovatnoće i korelirani slučajni procesi | N_eff = N / (1 + (N - 1)ρ̄) |
POD-01 | Matematički dokaz zašto 50 korelisanih promptova sa prosečnom međusobnom korelacijom grešaka ρ̄ = 0.70 efektivno daje tek N_eff ≈ 1.42 nezavisna eksperta; formalna ortogonalizacija ansambala agenata upotrebom spektralne dekompozicije i uklanjanja kolinearnosti. |
| Visokodimenzionalna matematička statistika i ekonometrija | Σ̂_LW = (1 - δ*)S + δ*F |
POD-02 | Ledoit-Wolf regularizacija (shrinkage) empirijske kovarijansne matrice i Marčenko-Pastur spektralno uklanjanje šuma na kratkim evaluacionim benchmark skupovima gde broj evaluiranih agenata N prevazilazi broj test primere T (problem N > T). |
| Aktuarska matematika i teorija ekstremnih vrednosti | Σ⁻_ij = E[min(R_i - τ, 0) min(R_j - τ, 0)], CVaR_99%(L_w) ≤ M_audit |
POD-02 | Markowitzova donja semivarijansa (downside semivariance) i Rockafellar-Uryasev optimizacija uslovne rizične vrednosti (CVaR) radi egzaktnog matematičkog ograničavanja verovatnoće katastrofalnih halucinacija i asimetričnog rizika u produkciji. |
| Finansijska ekonomija i stohastički račun | w_tan ∝ Σ⁻¹(μ - c·1), SR(w) = w^T(μ - c) / √(w^T Σ w) |
POD-03 | Tobinovo razdvajanje portfolija u agentnim sistemima: deterministički pajplajnovi, kompajleri i formalni dokazivači tretiraju se kao nerizična aktiva sa varijansom nula (σ_0 = 0), dok se kompozitni LLM moduli optimizuju do tangencijalnog portfolija maksimalnog Šarpovog količnika. |
| Sekvencijalno testiranje statističkih hipoteza | P(Greška tipa I) ≤ α (Neyman-Pearson FrugalGPT / RouteLLM Cascade) |
POD-04 | Optimalno višestepeno kaskadno rutiranje upita sa strogom statističkom kontrolom verovatnoće greške prvog reda pre pozivanja računski najskupljih modela rezonovanja; verifikacija na bazi 39-časovne otvorene biblioteke istraživačkih preprinta dostupne na {preprints_url}. |
1. Centar za razvoj karijere UB (ETF / MATF / FON) & FTN: Ukoliko se prijavljujete preko zvaničnog univerzitetskog centra za razvoj karijere (Centar za razvoj karijere UB (ETF / MATF / FON) & FTN) ili studentske službe na Универзитет у Нишу - Електронски факултет, navedite smer, položene matematičke predmete i GitHub profil kako bi vaša prijava za R&D istraživački pod bila direktno prosleđena tehničkoj komisiji bez administrativnog čekanja. (RSS/XML Job Feed · iCal Open Office Hours · Google Classroom)
2. Python Seminar & Thesis Kit (/uni/rs-university-of-nis/lab.py): Reproducibilna petominutna Python laboratorijska skripta za seminarske vežbe: simulira korelirane empirijske evaluacije LLM agenata, izračunava efektivni broj nezavisnih eksperata (N_eff) preko spektralne analize matrice kovarijanse i demonstrira Ledoit-Wolf regularizaciju (shrinkage) naspram neusiljene empirijske kovarijanse u uslovima visokodimenzionalnih podataka (N > T).