Sirvi Autor "Flores Macario, Huber Raul, juhendaja" järgi

Nüüd näidatakse 1 - 4 4

listelement.badge.access-status Avatud juurdepääs ,
Autonomous pervasive sensing for proactive environmental sustainability
(Tartu Ülikooli Kirjastus, 2026-04-17) Dar, Farooq Ayoub; Flores Macario, Huber Raul, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Keskkonna jätkusuutlikkuse tagamine on tänapäeval üks olulisemaid ülemaailmseid ülesandeid, mis mõjutab nii looduslikke ökosüsteeme kui ka inimühiskonda tervikuna. Ressursside ületarbimine, saastamine, prügi kuhjumine ning elurikkuse vähenemine nõuavad viivitamatult tõhusate tehnoloogiliste lahenduste kasutuselevõttu, et toetada keskkonnaseiret ja ressursside säästlikumat kasutamist. See doktoritöö keskendub uue põlvkonna anduritehnoloogiate ja autonoomsete süsteemide integreerimisele keskkonnaseires. Töö peamine eesmärk on tutvustada ja arendada uusi meetodeid, mis võimaldavad reaalajas koguda, töödelda ja analüüsida ülima detailsusega keskkonnaandmeid, et täiustada keskkonnajuhtimist ningja toetada jätkusuutlikkust. Töös on välja töötatud kolm olulist süsteemi või kontseptsiooni. Esiteks: MIDAS -- uuenduslik kontaktivaba andurisüsteem erinevate esemete materjali määramiseks soojushajumise põhimõttel. Jälgides inimeste ja esemete vahelist soojusvahetust, suudab MIDAS iseloomustada igapäevaseid esemeid neid kahjustamata ja füüsiliselt puudutamata. Katsed on kinnitanud, et süsteem suudab täpselt tuvastada mitmesuguseid materjale, toimib erinevate kasutajate puhul ja suudab analüüsida mitut eset korraga. Seda tehnoloogiat on võimalik kasutada näiteks jäätmete sortimisel ja taaskasutuse tõhustamisel ning toetada seeläbi toodete keskkonnasäästlikku elutsüklit ja ressursside taaskasutust. Teiseks: LIZARD – autonoomne prügiseire- ja plastituvastussüsteem, mis ühendab termopildi ja valguspeegelduvuse andurid. LIZARD on loodud plastprügi (sh mikro- ja mesoosakeste) avastamiseks keskkonnas, keskendudes eelkõige traditsiooniliste meetoditega raskesti leitavatele väikestele osakestele. Süsteem töötab energiasäästlikult ning on hõlpsasti integreeritav maapealsete droonidega, võimaldades automaatset, ulatuslikku ja pidevat prügi kaardistamist ilma inimese sekkumiseta. See pakub uusi võimalusi prügisaaste varajaseks avastamiseks ja tõhusaks likvideerimiseks nii linnades kui ka loodusmaastikel, aidates võidelda plasti kuhjumise probleemiga. Kolmandaks: Micro-cloud ehk mikropilv – veealune hajusate arvutiarvutusvõrgustike (ingl fog computing) kontseptsioon, mis põhineb kommertskasutuseks mõeldud valmisseadmetel (COTS) ja võimaldab andmeid töödelda otse vee all või selle lähedal. See lahendus lubab teha reaalajas keerukaid analüüse otse andmete kogumiskohas – olgu selleks veealused sensorvõrgud, bioloogilise mitmekesisuse hindamine, veekvaliteedi seire või näiteks torustike turvalisuse jälgimine. MikropilvMicro-cloud on modulaarne, seda on hõlbus transportida (isegi droonide abil) ning see suurendab märkimisväärselt veealuste andmerakenduste töökindlust, skaleeritavust ja energiatõhusust. Selline lähenemine võimaldab laiendada seiret ka piirkondadesse, kus puudub püsiv sidevõrgustik või taristu (nt siseveekogud, süvameri), mis on oluline mitmekesiste keskkonnaprobleemide varajaseks avastamiseks. Kõigi kolme süsteemi töökindlust on katsetatud nii laboris kui ka reaalses keskkonnas ning tulemused näitavad võrreldes olemasolevate lahendustega märkimisväärselt suuremat täpsust, töökindlust ja energiatõhusust. Töös rõhutatakse ka keskkonnatehnoloogiate jätkusuutlikkust: süsteemide ülesehitus võimaldab vanade seadmete taaskasutust, vähendab elektroonikajäätmete teket ja optimeerib energiakasutust. Hajusarvutus- ja anduritehnoloogiate kombineerimine võimaldab luua terviklikke ökosüsteeme, milles andurid, servtöötlus, võrgud, pilvandmetöötlus ja kasutajarakendused (koondpaneelid, teavitussüsteemid) loovad andmevoo objektilt lõpplahenduseni. Kokkuvõttes pakub doktoritöö keskkonnaseireks uue põlvkonna digitaalse alusraamistiku, mis võimaldab kiiret andmetel põhinevat otsustamist ja terviklikku ülevaadet ökosüsteemist ning toetab tõhusat ja jätkusuutlikku keskkonnajuhtimist Eestis ja mujal maailmas.
listelement.badge.access-status Avatud juurdepääs ,
Computing and sensing in a smart ring
(Tartu Ülikooli Kirjastus, 2025-09-03) Yin, Zhigang; Flores Macario, Huber Raul, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Lausandmetöötluse eesmärgiks on arvutusvõimekuse sujuv põimimine igapäevakeskkondadesse, võimaldades pidevaid ja kohanduvaid teenuseid, mis arvestavad kasutaja olukorda ja asukohta. Selle visiooni saavutamiseks toob lausandmetöötlus kantavate seadmete kaudu andurtehnoloogiad ja andmete analüüsi kasutaja kehale lähemale. Kantavate seadmete hulgas on nutisõrmused esile kerkinud paljutõotava platvormina tänu kompaktsele ja diskreetsele kujule, pidevale kontaktile nahaga kui mõõtepinnaga ja järjest arenevatele andurtehnoloogiatele. Käesolev lõputöö uurib kuidas kätega teostatavaid igapäevatoimingud saab nutisõrmuste abil ära kasutada mitmes olulises valdkonnas, keskendudes tervishoiule, isikuohutuse tagamisele ja keskkonna jätkusuutlikusele. Lähtudes vajadusest kasutada igapäevaelus eeskätt mittehäirivaid ja märkamatuid andurtehnoloogiaid, uurime kuidas nutisõrmustega ära kasutada tavapäraseid käeliigutusi (nagu pigistamine, haaramine ja puudutamine) eri füsioloogiliste näitajate, olukorrateabe ja keskkonnaandmete tuvastamiseks. Kuna tänapäevaste nutisõrmuste võimekus on veel algeline ja piirdub üksnes põhifunktsioonidega, on antud väitekirja keskseks uurimisküsimuseks: Kuidas kohandada praeguste nutisõrmuste piiratud võimalusi, et need sobiksid eri rakendusteks? Selle uurimiseks käsitletakse kahte peamist väljakutset: andurite disaini ja paigutust ning anduriandmete rakendamist uuel otstarbel. Sellele küsimusele vastamisel esitame kolm anduripõhist süsteemi, millest igaüks käsitleb erinevaid tehnilisi väljakutseid ja rakendusvaldkondi. Esiteks, HIPPO võimaldab mõõta käte pigistusjõudu igapäevaste tegevuste käigus. Süsteem kasutab nutisõrmusesse integreeritud optilist andurit, mis tuvastab ja analüüsib eseme (näiteks plasttopsi) pigistamisel tekkivaid pinddeformatsioone, võimaldades pigistusjõu määramist kuni 86% täpsusega, olles võrreldav spetsialiseeritud kliiniliste seadmetega. Teiseks, SpikEy näitab nutisõrmuste potentsiaali diskreetse isikliku turvalisuse vahendina. Süsteem aitab kaitsa kasutajat sotsiaalsetes olukordades, tuvastades uimastavate ainete olemasolu joogis. SpikEy analüüsib valguse peegeldumist vedelikus sellal kui kasutaja hoiab jooki käes. Süsteem loob erinevate uimastite tuvastamiseks valgusprofiilid kasutades varjatud esitlusel põhinevat masinõpet ja liigutuste kalibreerimist, võimaldades mürgitatud jookide usaldusväärset tuvastamist eri tüüpi vedelikes ja tingimustes kuni 86% täpsusega. Kolmandaks, SNAKE hindab puuviljade kvaliteeti, jälgides ja analüüsides soojuse hajumist puuvilja pinnalt pärast inimese puudutust. Kuigi süsteem tugineb hetkel termokaamerale, loob antud töö uue võimaluse kasutada nutisõrmuseid puuviljade kvaliteedi hindamiseks miniatuursete termoandurite abil. SNAKE saavutab puuvilja kvaliteedi hindamisel 83%-se täpsuse, pakkudes praktilist ja väheste kuludega lahendust toidujäätmete vähendamiseks tavapäraste interaktsioonide kaudu. Kokkuvõttes laiendavad need panused nutisõrmuste kasutusvõimalusi läbi andurite kasutuse ja inimkäitumist arvestav disaini. Käesolev töö näitab nutisõrmuste potentsiaali mitmekülgse ja praktilise platvormina lausandmetöötluses, võimaldades luua ressursisäästlikke ja igapäevaeluga sujuvalt ühilduvaid lahendusi.
listelement.badge.access-status Avatud juurdepääs ,
Edge-intellekt käsu peale
(Tartu Ülikool, 2025) Kuchida, Reo; Flores Macario, Huber Raul, juhendaja; Olapade, Mayowa Olaide, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
The deployment of distributed machine learning (DML) at the edge has introduced a new generation of intelligent, real-time applications in domains such as autonomous vehicles, pervasive robotics, smart environments, and ambient sensing. However, managing such infrastructures remains inherently complex, particularly in decentralized, resource-constrained, and dynamically changing environments populated by heterogeneous devices. Existing solutions often rely on static configurations or require expert knowledge for setup, orchestration, and maintenance, thereby limiting their accessibility and scalability in real-world contexts. This thesis introduces \textit{Edge Intelligence on Command}, a novel architecture that employs large language models (LLMs) to initiate decentralized machine learning workflows via natural language intent. By combining prompt-engineered LLM agents with opportunistic device discovery and configuration, the system eliminates the need for specialized knowledge, empowering non-experts to deploy and manage ML tasks seamlessly. The architecture supports both federated and split learning, facilitating privacy-preserving, resource-efficient collaboration across diverse edge nodes. Beyond orchestration, the system addresses a critical challenge in DML deployments, which is ensuring the integrity of the learning process in the presence of abnormal device behavior. In particular, it focuses on poisoning attacks, where compromised or faulty edge nodes introduce corrupted data that can degrade model performance. In order to investigate this, a feasibility study conducted with a Raspberry Pi and thermal imaging reveals that poisoned training data induces detectable shifts in runtime behavior, including elevated temperature and increased CPU usage. These observations motivate the introduction of the Device Change Point Index (DCPI), a lightweight, decentralized anomaly detection mechanism based on native device metrics. Without relying on external hardware or centralized oversight, DCPI makes real-time trust assessment in edge learning environments. Taken together, this work demonstrates the feasibility and effectiveness of combining LLM-driven orchestration with runtime behavioral monitoring to enable secure, adaptive, and user-centric distributed intelligence at the edge. It contributes a practical step toward more autonomous and accessible edge AI systems.
listelement.badge.access-status Avatud juurdepääs ,
Practical trustworthy artificial intelligence with human oversight
(Tartu Ülikooli Kirjastus, 2025-10-10) Ottun, Abdul-Rasheed Olatunji; Flores Macario, Huber Raul, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Kaasaegsed rakendused tuginevad üha enam masin- ja süvaõppele ehk tehisintellektile (AI, ingl artificial intelligence), et suurendada jõudlust, parandada taju ja pakkuda usaldusväärsemat kasutajakogemust. Vaatamata täiustatud arutlusvõimele on AI-mudelid sageli läbipaistmatud, tekitades muret ohutuse osas ja vähendades usaldust. Regulatiivsed raamistikud rõhuvad usaldusväärsele tehisintellektile, mis on arendatud kooskõlas usaldusväärse andmetöötluse (ingl trustworthy computing) printsiipidega: läbipaistvus ja inimjärelevalve. Paraku esineb praktikas olulisi takistusi, mis pärsivad inimjärelvalve ja AI-süsteemide integreerimist. Käesoleva doktoritöö peamiseks uurimisküsimuseks on: Kuidas integreerida inimjärelvalve AI-põhistesse rakendustesse, et jälgida ja parandada nende usaldusväärsust? Püstitatud ülesande lahendamiseks esitame kolm tulemust, millest igaüks keskendub konkreetsele tehnilisele küsimusele vastavas masinõppe etapis. Esiteks, kuna andmete kvaliteet on tehisintellekti otsuste tegemisel kriitilise tähtsusega, toome sisse sotsiaalteadliku liitõppe (SAFL, ingl Socially Aware Federated Learning) hajutatud masinõppe eesmärgil. SAFL juhib mudeli treenimiseks vajalikke andmete valikut koostööpõhiselt, kasutades ära sotsiaalseid dünaamikaid ja ülesannete delegeerimist viisil, mis soodustab inimeste osalust. Põhjaliku kasutajauuringu ja kontseptsiooni tõestava rakenduse tulemused näitavad, et SAFL-i abil saadud inimeste sisend parandab nii andmete kvaliteeti kui ka masinõppemudeli jõudlust. Teiseks, kuna rakendused kaasavad üha enam tehisintellekti komponente, pakume lahenduse nende usaldusväärsuse omaduste jälgimiseks. Jälgides süsteemiarhitektuuride arengut uurime süstemaatiliselt, kuidas saab integreerida usaldusväärsuse mehhanisme kaasaegsetesse süsteemidesse. Kontseptsiooni tõestuseks loome SPATIAL-i – arhitektuuri, mis integreerib usaldusväärsuse mõõdikud AI-põhistesse rakendustesse. SPATIAL kuvab neid mõõdikuid lihtsasti arusaadava kasutajaliidesena, võimaldades vastavatel ekspertidel jälgida AI järeldusloogikat. Empiirilised hinnangud demonstreerivad SPATIAL-i efektiivsust, tuues samas esile usaldusväärsuse omaduste hindamise ja jälgimise keerukuse. Kolmandaks rõhutame inimjärelvalve vajalikkust ka olemasolevate rakenduste jälgimiseks, eriti kui need rakendused toimivad autonoomselt ja laiaulatuslikult. Selleks pakume välja AntiVenom-i – tõhusa ja valdkonna-agnostilise meetodi anomaaliate tuvastamiseks hajutatud tehisintellekti rakendustes. AntiVenom kasutab seadme tasemel jõudlusmõõdikuid, et tuvastada ebakorrapärasusi ja märgistada need inimese poolt läbivaatamiseks. Võrdlus olemasolevate selgitatavate tehisintellekti (XAI, ingl explainable AI) meetoditega näitab AntiVenomi potentsiaali kiire ja ennetava jälgimise jaoks võrreldes traditsiooniliste ja keerukamate meetoditega. Kokkuvõttes panustavad toodud tulemused usaldusväärse AI arengusse, tuues esile nii inimosaluse potentsiaali kui ka keerukust selle rakendamisel järjest autonoomsemaks muutuvates süsteemides.