Sirvi Märksõna "artificial intelligence" järgi

Nüüd näidatakse 1 - 20 44

listelement.badge.access-status Avatud juurdepääs ,
A multimodal approach for refining mapping and localization by integrating generative AI and pedestrian-centric data
(Tartu Ülikooli Kirjastus, 2025-05-12) Akhavi Zadegan, Alireza; Hadachi, Amnir, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Linnade muutudes üha keerukamaks ja tehnoloogiapõhisemaks kasvab huvi selle vastu, kuidas parandada autonoomsete süsteemide, nagu kullerrobotid ja mikromobiilsuse sõidukid, arusaamist jalakäijate keskkonnast ja selles navigeerimist. See doktoritöö uurib, kuidas erinevat tüüpi andurite ja masinõppe kombineerimine võib toetada paremat kaardistamist ja positsioneerimist sellistes oludes. Töö oluliseks osaks oli mobiilse andmekogumisplatvormi – kaamerate, LiDARi, GPSi ja helisensoritega varustatud elektritõukeratta – arendamine, et koguda detailset teavet kõnniteedelt ja linnaruumist. Saadud andmekogu, nimega DELTA, keskendub spetsiifiliselt jalakäijate infrastruktuurile, mis on traditsioonilistel digitaalsetel kaartidel sageli alaesindatud. Sellele andmekogule tuginedes tutvustab uurimus kahte raamistikku. street2sat kasutab generatiivset tehisintellekti satelliidipiltide genereerimiseks maapinnalt tehtud piltidest, aidates ühtlustada erinevaid kaardiperspektiive. Street2GIS eraldab tänavatasandi piltidelt selliseid tunnuseid nagu kõnniteed ja hooned ning muudab need automaatselt geograafiliste infosüsteemide jaoks kasutatavateks kaardiandmeteks. Kokkuvõttes on nende panuste eesmärk muuta ajakohaste ja jalakäijaid arvestavate kaartide loomine lihtsamaks. Esitatud meetodid võivad toetada rakendusi linnaplaneerimises, autonoomses navigatsioonis ja nutikate linnasüsteemide arendamisel.
listelement.badge.access-status Avatud juurdepääs ,
Advancing human-centric counterfactual explanations in explainable AI
(Tartu Ülikooli Kirjastus, 2025-12-02) Domnich, Marharyta; Vicente Zafra, Raul, juhendaja; Barbu, Eduard, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Tehisintellekt (TI) mõjutab üha enam kriitilisi otsuseid erinevates valdkondades, nagu tervishoid, haridus ja rahandus. Mudelite kasvav keerukus ja ulatus muudavad otsustusprotsessid sageli läbipaistmatuks, rõhutades vajadust seletusmeetodite järele, mis suurendaksid nende läbipaistvust ja kontrollitavust. Selle väljakutsega tegeleb seletatava tehisintellekti (XAI) valdkond, arendades seletusi, mis on inimestele tähenduslikud ja arusaadavad. Inimlikud seletusprotsessid on oma olemuselt keerukad ja kontrastiivsed, hõlmates sageli võrdlusi ja hüpoteetilisi stsenaariume. Sellist kontrastiivset mõtlemist väljendavad kõige paremini kontrafaktuaalsed seletused, mis vastavad küsimusele: „Millised minimaalsed muudatused võiksid mudeli otsust muuta?“. Selleks, et kontrafaktuaalsed seletused oleksid tõhusad, peavad need olema kooskõlas inimlike eelistustega – olema tähenduslikud, rakendatavad ja kasutajatele usaldusväärsed. Käesolev doktoritöö edendab inimkeskseid kontrafaktuaalseid seletusi nelja omavahel seotud uuringu kaudu. Uurimistöö tugineb kognitiivteaduse arusaamadele, täiustades seeläbi kontrafaktuaalsete seletuste genereerimist ning hindamist erinevates rakendusvaldkondades. Esimene uuring, mis on inspireeritud inimlikest kognitiivsetest eelistustest, tutvustab difuusse kauguse ja suunatud koherentsuse kasutamist kontrafaktuaalsete seletuste otsingus. Need kaks uuendust võimaldavad luua lihtsamini teostatavaid ja inimkesksemaid seletusi, rõhutades andmeruumi sidusust ning joondades tunnuste muutused inimese mõtlemismustritega. Väljatöötatud lähenemine, nimega Coherent Directional Counterfactual Explainer (CoDiCE), näitab paremat tulemuslikkust seletuste loomisel, mis on praktiliselt rakendatavad ning inimese seletusloogikaga kooskõlas. Teine uuring tegeleb ühe kontrafaktuaalsete seletuste keskse väljakutsega- kuidas neid usaldusväärselt hinnata. Selleks arendatakse välja CounterEval-andmestik, mis koondab inimeste üksikasjalikud hinnangud mitmete seletuslike mõõtmete osas. Üle 200 osalejalt kogutud andmete põhjal luuakse ühtne hindamisraamistik, mis kasutab suurte keelemudelite (LLMid) võimekust ennustada keskmisi ja individuaalseid inimhinnanguid. See pakub skaleeritavat ja järjepidevat viisi seletuste kvaliteedi hindamiseks. Järgnev analüüs uurib, kuidas seletustega seotud rahulolu saab modelleerida teiste seletuslike mõõdikute (nt teostatavus, usaldus, täielikkus ja keerukus) põhjal, andes sügavama ülevaate teguritest, mis kujundavad üldist kasutajate rahulolu. Kolmas uuring näitab kontrafaktuaalsete seletuste praktilist väärtust meditsiinilise pilditöötluse kontekstis, esitades COunterfactual INpainting (COIN) lähenemise nõrgalt juhendatud semantilisele segmenteerimisele. COIN genereerib seletusi, muutes klassifitseerimistulemuse ebanormaalsest normaalseks ning kasutades algse ja muudetud pildi erinevusi nõrkade segmentatsioonimärgistena. Rakendatuna neerukasvajate segmentatsioonile vähendab see meetod oluliselt radioloogide käsitsi märgistamise töökoormust ning võimaldab patoloogiliste piirkondade tuvastamist ka olukordades, kus ulatuslikult märgistatud andmestikud puuduvad. COINi sooritus ületab märgatavalt traditsioonilised atribuutsioonil põhinevad meetodid, demonstreerides kontrafaktuaalsete seletuste potentsiaali tervishoiu rakendustes. Kokkuvõttes panustavad need uuringud seletatava tehisintellekti valdkonda, arendades ja valideerides kontrafaktuaalsete seletuste meetodeid, mis parandavad TI-süsteemide läbipaistvust ja kasutatavust ning on kooskõlas inimlike tunnetusprotsessidega.
listelement.badge.access-status Avatud juurdepääs ,
AI in business model innovation: opportunities and risks based on scenario analysis
(Tartu Ülikool, 2025) Herman, Mia Heleen; Pentus, Kristian, juhendaja; Tartu Ülikool. Sotsiaalteaduste valdkond; Tartu Ülikool. Majandusteaduskond
listelement.badge.access-status Avatud juurdepääs ,
AI-Powered MMSE: Enhancing Cognitive Assessment
(Tartu Ülikool, 2024) Tenman, Konstantin; Gharib, Mohamad, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
The increasing incidence of dementia among the elderly highlights the critical demand for cognitive assessment tools that are both efficient and widely accessible. Traditional methods, such as the Mini-Mental State Examination (MMSE), are typically conducted in clinical settings using paper-based formats, limiting access due to resource constraints and needing trained professionals. This thesis addresses these challenges by converting the MMSE into an AI-powered, web-based application, allowing assessments to be completed at home with minimal non-professional assistance. The digital implementation leverages sophisticated artificial intelligence (AI) models, particularly the Llama 3.1:70B, for automating the administration of the MMSE. This makes it more consistent and sensitive to small changes in cognitive function. By leveraging Machine Learning (ML) and Natural Language Processing (NLP), the system improves the consistency, accuracy, and accessibility of cognitive assessments through web-based administration. Adopting the Design Science Research (DSR) framework, this study incorporates contemporary web technologies alongside a hybrid AI strategy, enhancing performance while safeguarding data privacy. In trials, the AI-powered MMSE achieved a 92.9% success rate in confirming response correctness compared to traditional methods and slightly higher user satisfaction despite longer administration times. While this work significantly improves cognitive assessment accessibility and sensitivity, further studies are needed to validate its effectiveness across diverse clinical settings. Future research should optimize response times, expand language support, and address ethical considerations in AI-driven cognitive assessments.
listelement.badge.access-status Avatud juurdepääs ,
An exploration of the transformative use of Artificial Intelligence as a reflection tool, through the experiences and perspectives of trainee teachers
(Tartu Ülikool, 2024) Lynam, Brian; Bardone, Emanuele, juhendaja; Tartu Ülikool. Sotsiaalteaduste valdkond; Tartu Ülikool. Haridusteaduste instituut
This study explores how Artificial Intelligence (AI) can be integrated into the professional development of teachers, with a particular emphasis on improving reflective practice due to various implementation challenges. Reflective practice is central to the growth of educators and this study focused on using AI chatbots to assist trainee teachers in their reflective practice through conducting qualitative interviews and using selected extracts from interaction logs to gather data from participants in an international teacher training program. The results indicate that AI chatbots can significantly enhance reflective practice by offering more personalized feedback and stimulating deeper introspection, which in turn leads to greater critical-awareness, insights and professional development among the participants. The study concludes that AI-driven tools can effectively address the challenges associated with current reflective practice and suggests potential improvements for future development. The findings have important implications for educational policymakers, teacher training institutions, and technology developers, emphasizing the imperative to integrate AI in education in a responsible and ethical manner. Future research would benefit from investigating long-term effects of AI on reflective practice and its potential to support ongoing professional development across diverse educational settings.
listelement.badge.access-status Avatud juurdepääs ,
Artificial intelligence and agency
(Tartu Ülikool, 2021) Hosseinpour, Hesam; Mets, Ave, juhendaja; Tartu Ülikool. Humanitaarteaduste ja kunstide valdkond; Tartu Ülikool. Filosoofia osakond
When it comes to thinking about artificial intelligence (AI), the possibility of its disobedience is usually considered as a threat to the human race. But here, I elaborate on a counterintuitive and optimistic approach that looks at disobedient AI as a promise, rather than a threat. First, I explain the problem of responsibility and the necessity of expanding the realm of agency in order to include AI machines as agents. Then, I introduce a standard approach to responsibility as an attempt to define agency for AI machines and explain the epistemological problem as the main issue with this account of responsibility. And in the last part, I use Foucault’s analysis of power to introduce a non-standard view of agency which explains how being an object of power is the condition of possibility of any kind of agency and draw this conclusion that through disobedience, AI machines will find their way to power relations and will promote to the position of agents.
listelement.badge.access-status Avatud juurdepääs ,
Augmented Reality Card Game Based On ArUco Marker Detection
(Tartu Ülikool, 2019) Lepik, Tõnis; Haamer, Rain Eric, supervisor; Anbarjafari, Gholamreza, supervisor; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Tehnoloogiainstituut
ArUco is a fiducial marker detection library that uses a square marker system for identifying different patterns with unique values. This thesis explores the possibility to use those markers as an AR element in video games so, that any physical marker may represent any virtual object that is assigned to it in the software. Such system could be used for purposes, where the cost or volume of game specific cards is too high. First and second part of the thesis give a brief overview of AR/VR-, mobile- and overall video gaming industry. Third part looks into fiducial marker detection and more specifically ArUco technology. Fourth part describes the development process of a mobile application and fifth part presents the results of the carried out user testing.
listelement.badge.access-status Avatud juurdepääs ,
Can Artificial Intelligence solve the mysterious anagram from the church of the Poor Clares in Bratislava?
(Tartu University Library, 2024) Antal, Eugen; Zajac, Pavol; Waldispühl, Michelle; Megyesi, Beáta
A mysterious anagram was found in the Church of the Poor Clares in Bratislava, but as far as we know it has never been successfully solved. The anagram contains81 symbols, including specific diphthongsAE, CH, and GY. Unlike other anagramstypical of that age, the symbolsare not ordered alphabetically. We suspectthat a specific order of symbols is relatedto the original order of symbols in theplain text. Even with the suspected orderof letters, the number of possible plain textcandidates is too high to obtain the originaltext with standard methods. We examinealternative scoring methods based onmodern AI text similarity to improve thequality of the candidate plain text candidates.
listelement.badge.access-status Avatud juurdepääs ,
Causal Information Extraction Using Large Language Models
(Tartu Ülikool, 2025) Vunk, Sandor; Magnifico, Giacomo, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
This thesis investigates the ability of Large Language Models (LLMs) for causal information extraction, an important task for high-level natural language comprehension. In a controlled experiment of eight flagship models of leading AI organizations — including OpenAI's GPT-o3, Anthropic's Claude 3.7 Sonnet, xAI's Grok-3, and others — this study examines both their ability to extract cause-effect pairs from text and their performance at evaluating such extractions. A purpose-designed multi-domain dataset was generated to serve this end, with controlled causal relations hidden in contexts with diverse complexity levels, covering economics, environmental science, and technology domains. The dataset incorporates a number of difficult variations achieved through the use of cue masking and pair shuffling methods. By applying a zero-shot approach with standardized prompting, a twin evaluation framework is employed that uses traditional human evaluation with a model-based semantic scoring system, in which LLMs score other LLM's extractions. This provides a more informative model performance evaluation. Results revealed impressive causal extraction capabilities across all models, with leading models, outperforming smaller models. Especially notable were OpenAI's GPT-o3, Antropic's Claude 3.7 Sonnet and xAI's Grok-3, outperforming its counterparts. Overall, models demonstrated semantic understanding beyond reliance on explicit linguistic markers, though pair shuffling showed some dependence on pre-trained associations. This research illuminates the capabilities of state-of-the-art LLMs in causal information extraction, establishing a foundation for enhanced causal reasoning systems across diverse domains.
listelement.badge.access-status Avatud juurdepääs ,
CDOM-based Optical Water Types Classification
(Tartu Ülikool, 2024) Ševtšenko, Fjodor; Alikas, Krista, juhendaja; El Shawi, Radwa, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
A water body is a habitat, where the interaction between the living and non-living matter is observed. Any changes in the water bodies’ characteristics influence the internal processes and may have a negative long-run impact on the features of ecosystem and its diversity. The main object of the current research is related to Colored Dissolved Organic Matter (CDOM). When the concentration of CDOM becomes high, then the water gets brown and the underwater light changes. The water brownification is one of that processes, that may heavily influence the features of the ecosystem and its diversity. It is important to have the information about the water bodies’ states in a format of brownification scale. The water body classification topic was previously observed in early studies via establishing the term of Optical Water Type (OWT). The previous research was mostly related to creation of one optimal OWT classifier, where each class combines the combination of water parameters like CDOM, chlorophyll A, total suspended solids and secchi depth. Comparing to the previous studies, this work proposes a classification approach that could be selected based on tasks’ characteristics. Also, instead of OWT, the work establishes the term of CDOM based OWT (CDOM-OWT), that classifies the water body based on CDOM relative concentration level. The CDOM-OWT classification approach is useful, when is needed to plot the CDOM relative concentration levels on location maps for various periods to monitor the spreading dynamics.
listelement.badge.access-status Avatud juurdepääs ,
ChatGPT kasutamismotivatsioon Eesti gümnaasiumi, kutsekooli ja kõrgkooli õppurite seas
(Tartu Ülikool, 2024) Kork, Karina; Aru, Jaan, juhendaja; Laak, Kristjan-Julius, juhendaja; Tartu Ülikool. Sotsiaalteaduste valdkond; Tartu Ülikool. Psühholoogia instituut
Uurimistöö eesmärgiks oli välja selgitada, kui paljud Eesti kooliõpilased kasutavad koolitööd tegemiseks ning millised on ChatGPT (mitte-)kasutamise motiivid Eesti gümnaasiumi, kutsekoolide ning kõrgharidusõppe õppurite seas. Uuring viidi läbi mugavusvalimiga, kuhu kuulus 123 õpilast ning andmete kogumiseks kasutati veebipõhist küsimustikku. Tulemustest selgus, et veidi alla pooled Eesti õpilastest on kasutanud koolitööde tegemiseks ChatGPT abi. ChatGPT kasutamise peamiseks motiiviks Eesti õpilaste seas on koolitööde lihtsustamise võimalus ning ideede kogumise võimalus. Peamiseks ChatGPT mittekasutamise põhjuseks on kartus, et tehisintellekti abi kasutamine ei ole kooskõlas reeglitega ning saadavad andmed ei ole piisavalt tõesed, et neid koolitöödes kasutada.
listelement.badge.access-status Avatud juurdepääs ,
Creations involving artificial intelligence under the European patent convention: legal implications and potential solutions
(Tartu Ülikooli Kirjastus, 2025-01-20) Rudzite-Celmina, Liva; Kelli, Aleksei, juhendaja; Ebers, Martin, juhendaja; Tartu Ülikool. Sotsiaalteaduste valdkond
Väitekirjas „Tehisintellekti kaasav looming ja Euroopa patendikonventsioon: õiguslikud tagajärjed ja võimalikud lahendused“ uuritakse, kas Euroopa patendikonventsiooni (EPC) saab tõlgendada nii, et see lahendaks tehisintellekti (TI) kaasava loomingu patentimisega seotud probleeme. Doktoritöö eesmärk on teha kindlaks ja pakkuda välja nende probleemide võimalikud lahendused. Hüpoteesina kinnitatakse väitekirjas, et ühiskondlik patendialane leping, milles käsitletakse EPC kohaseid patendikaitse võimalusi tehisintellekti hõlmava loomingu puhul, tuleb ümber mõtestada ja lisada sellesse sui generis mehhanism. Doktoritöös leiab kinnitust, et tehisintellekti kaasava loomingu selgitatavuse puhul võib tekkida probleeme olemuse piisava avamise nõude täitmisel EPC kohaselt. Soovitatav masinõppemudeli, selle aluseks olevate andmete või mõlema deponeerimise mehhanism ei tohi asendada nõutavat kirjalikku kirjeldust ja see võib anda konkurentidele ebaproportsionaalse eelise. Doktoritöös esitatakse põhjendus tunnustada tehisintellekti rolli tehnoloogilise stabiilsuse soodustamiseks vajaliku loomingu tegemisel. Selles väidetakse, et vastavate loometööde funktsionaalsust tuleks kaitsta, sõltumata nende rakendusvaldkonnast. Väitekirjas tuuakse välja, et üha keerukama tehisintellekti kaasava loomingu puhul võidakse nõuda kõigi andmete avalikult kättesaadavaks tegemist, mis võimaldaks samaväärsete võimetega neid uuendusi konstrueerida, et hinnata nende endastmõistetavust. Teise võimalusena võidakse nõuda avalikustamiskohustust, kõigi masinõppemudelite registreerimist, masinõppeväljundi õigusjõudu ja asjatundja standardit. Väitekirjast nähtuvalt ei saa EPC-d tõlgendada nii, et see vastaks kirjeldatud probleemidele. Alternatiivsed lähenemisviisid ei pruugi kõigil juhtudel pakkuda tõhusat kaitset ning EPC põhjalikud muudatused ei pruugi olla teostatavad. Doktoritöö tugineb olemasolevatele ettepanekutele ja selles pakutakse välja esialgne sui generis patendisarnane sertifitseerimismehhanism tehisintellekti hõlmava loomingu kaitsmiseks.
listelement.badge.access-status Avatud juurdepääs ,
Cross-lingual transfer learning and evaluation in low-resource settings
(Tartu Ülikooli Kirjastus, 2026-03-04) Kuulmets, Hele-Andra; Fišel, Mark, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Meie igapäevaellu üha enam sekkuva tehisaru üks põhikomponente on keelemudel, tänu millele tehisaru üldse suudab inimkeele peeneid nüansse mõista. Selleks, et keelemudel inimkeelt väga hästi mõistaks, tuleb seda treenida tohutult suurte tekstikogumite peal. Koguni nii suurte, et enamik maailmas kõneldavaid keeli pole teksti kujul sellises mahus kättesaadavad. Seetõttu on tehisaru võimalused paljudes keeltes piiratud, süvendades tehnoloogilist ebavõrdsust ressursirikaste ja ressursivaeste keelte vahel. Õnneks on ka väiksemate tekstikogumitega keeltele lahendus olemas. Nimelt on täheldatud, et keelemudelite treenimisel korraga paljude keelte peal paraneb keelemudelite oskus treeningandmestikus vähem esindatud keeltest aru saada. Seda nähtust nimetatakse keeltevaheliseks teadmussiirdeks ja see tähendab, et mudel õpib teadmisi, mis ta on omandanud näiteks ingliskeelsetest tekstidest, kasutama eesti keeles vastamisel. Kui minna veel tehnilisemaks, siis juhtub mitmekeelsel treenimisel see, et eri keelte matemaatilised esitused mudeli sees muutuvad üksteisega sarnasemaks, mis põhjustabki keeltevahelist teadmiste siiret. Doktoritöös uuritakse, kuidas tugevdada keelemudelites keeltevahelist teadmussiiret, et parandada keelemudelite oskust mõista eesti keelt. Töö jaguneb kaheks osaks, millest esimeses osas uuritakse meetodeid väikeste keelemudelite kasutamiseks konkreetse ülesande lahendamisel ja teises seda, kuidas õpetada peamiselt ingliskeelsetel tekstidel treenitud suurele keelemudelile selgeks eesti keelt. Töö peamine järeldus on, et mitmekeelne treenimine, isegi kui kasutada ainult sünteetilisi andmeid, võib märgatavalt parandada keelemudeli oskust eesti keeles mitmesuguseid ülesandeid lahendada. See tulemus osutab keeltevahelise teadmussiirde oskusliku ärakasutamise tõhususele väiksematele keeltele tehisaru maailmas parema esindatuse tagamisel.
listelement.badge.access-status Avatud juurdepääs ,
Deep neural networks for microscopy images
(Tartu Ülikooli Kirjastus, 2025-12-29) Majoral López, Daniel; Parts, Leopold, juhendaja; Vicente Zafra, Raul, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Edusammud tehisintellekti vallas on suurendanud arvutite võimalusi. Doktoritöös uuritakse, kuidas rakendada tehisintellekti mikroskoobi kaudu vaadeldud rakkude piltidele. Töö põhineb kolmel teadusartiklil. Esimeses artiklis käsitletakse, kuidas tuvastada rakke mikroskoopiapiltidel, mis on saadud valge valgusega valgustades. Sellist valgustust nimetatakse heledate väljadega mikroskoopiaks ning see on lihtne ja odav, kuid saadud piltidel on raske rakke näha. Autorid leidsid, kuidas kasutada tehisintellekti, et näha rakke nendel piltidel, ja annavad praktilisi nõuandeid, et ka teised inimesed saaksid seda teha. Teises artiklis arendatakse tehisintellekti meetodit spermaks muunduvate rakkude tuvastamiseks. Rakk on keerulises protsessis spermaks muutumisel läbib palju muutusi, tehisintellekt suudab öelda, millises seisus see protsess on. Viljatus mõjutab 10-15% paaridest ja loodetavasti aitab tehisintellekti piltide analüüs välja selgitada paari mõjutavat probleemi. Kolmandas artiklis kirjeldatakse uut algoritmi nimega Kaizen, mis kasutab tehisintellekti rakkude tuvastamiseks mitmekesistel mikroskoopiakujutistel. Rakkude tuvastamise asemel genereerib Kaizen mikroskoopiapildist üksikute rakkude pilte. Üksikute rakkude pildid liidetakse liitpildiks. Seda liitpilti võrreldakse seejärel mikroskoopiakujutisega, mis võimaldab tuvastada vigu ja mittesooritavaid objekte. Need kolm artiklit näitavad, kuidas tehisintellekt võib parandada mikroskoopiakujutiste analüüsi. Loodetavasti on tehisintellekt lähiaastatel esirinnas läbimurdeid rakustruktuuride ja haigusmehhanismide mõistmisel, et parandada inimeste olukorda.
listelement.badge.access-status Avatud juurdepääs ,
Deepfakes for Paper Vote Privacy Defence
(Tartu Ülikool, 2025) Habanen, Anette; Villemson, Jan, juhendaja; Laur, Sven, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
The recent rise of artificial intelligence (AI) solutions has also had a significant impact on electoral processes. Most notably, deepfakes created by generative AI applications can (and have been) used to spread misinformation during the campaigns, but they can also be used for cyberattack automation, biased social media bots, etc. This thesis instead presents a positive use case for generative AI in manipulating video material required as proof of voting by potential coercers. For this, I have created a pipeline that takes a video of a voting ballot and replaces its critical content (in our case, the digits on the ballot). To achieve this, a YOLO model is used to find the digits, a WavePaint image inpainting model is used to cover up the old digits, and a separate image of the new digits is used to place it into the video. Additionally, I have implemented the prototype application in the form of a webpage.
listelement.badge.access-status Avatud juurdepääs ,
Dirichlet’ kalibreerimismeetodi analüüs
(Tartu Ülikool, 2020) Grjaznov, Kirill; Kull, Meelis, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
In machine learning, one of the problems with classification methods is that classifiers give too confident probabilities. The solution to the problem is calibration which performs a correction on the predicted probabilities. In this bachelor's thesis, the Dirichlet calibration method is analyzed. The change of the calibration matrix was studied through the classifier training process, its effect on the results at different training stages, and the nature of the elements of the calibration matrix was interpreted. The paper described how the calibration is performed with the Dirichlet calibration method and how the calibration matrix shows and improves the confidence of the classifier. The experiments were performed on deep neural networks with the architectures ResNet110, Wide ResNet32 and DenseNet40 classifiers and on the CIFAR-10 dataset. The analysis showed that the classifiers were over confident throughout the whole training process, and the Dirichlet calibration method improves confidence at each stage of the training process.
listelement.badge.access-status Avatud juurdepääs ,
Educator perspective of barriers to Generative AI adoption in Estonian higher education using an IRT-TOE based model
(Tartu Ülikool, 2024) Kalmus, Jan-Erik; Nikiforova, Anastasija, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Hariduses generatiivse tehisintellekti kasutamise teemal on laiem arutelu toimunud alates 2022. aasta lõpust, mil ChatGPT muutus laiemale avalikkusele kättesaadavaks. Infosüsteemide kasutuselevõtu uurimisel rakendatakse teoreetilisi mudeleid, et mõista erinevaid faktoreid, mis mõjutavad isikute ja organisatsioonide otsust mingit tehnoloogiat kasutama hakata. Haridustöötajatel on haridusvaldkonnas generatiivse TI kasutuselevõtul võtmeroll, sest nemad määravad oma kursuste sisu, struktuuri ja reeglid. Seda arvestades on magistritöö eesmärk kaardistada negatiivseid faktoreid, mis mõjutavad haridustöötajate otsust lubada tudengitel kasutada generatiivset tehisintellekti Eesti kõrghariduses. Esmalt viidi läbi süstemaatiline kirjanduse ülevaade, mille järel loodi teoreetiline mudel tuginedes Innovation Resistance Theory (IRT) ja Technology-Organization-Environment (TOE) teooriate elementidele. Magistritöö käigus koostatud teoreetilise mudeli täpsust hinnati kvantitatiivse metoodikaga. Selle aluseks on küsitlus, milles osales 149 haridustöötajat viiest erinevast Eesti ülikoolist. Magistritöö tulemused näitasid, et valdav osa haridustöötajatest lubab üliõpilastel generatiivset TI-d oma kursustel kasutada. Haridustöötajad tõid generatiivse TI hariduses kasutamise põhiliste riskidena välja akadeemilise petturluse ja negatiivse mõju tudengite kriitilise mõtlemise oskusele ning selle arengule. Lisaks näitasid tulemused, et peamised haridustöötajate vastuseisu põhjustavad faktorid on hindamisega seotud väljakutsed ning skeptilisus lisandväärtuse osas, mida generatiivse TI kasutamine kursustel toob. Vastuseisu tehnoloogiale on teaduses piiratult käsitletud ning varasemad teemaga seotud teadustööd on keskendunud tudengite ChatGPT kasutamisele. Selle magistritöö panus teadusharusse on mudel, mille abil on võimalik hinnata vastuseisu generatiivsele TI kasutamisele, võttes arvesse individuaalseid, organisatsioonilisi ning keskkondlikke faktoreid.
listelement.badge.access-status Avatud juurdepääs ,
Eestikeele sisukokkuvõtja edasiarendamine
(Tartu Ülikool, 2025) Peedosk, Marko; Aller, Sven, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
In an information-rich environment, automatic summarization helps save time by highlighting key content and enabling faster text navigation. EstSum was enhanced with semantic analysis: two linguistic modules were added, and transfer learning was tested using a few-shot approach to evaluate performance with limited training data. The wordnet-based module slightly improved accuracy but significantly slowed the system, while the language model–based module achieved a negligible increase in accuracy without affecting speed. Although few-shot performance matched the baseline, further improvements are possible by supplying more training examples and refining prompts. To improve accessibility, a web-based user interface was also developed for non-technical users.
listelement.badge.access-status Avatud juurdepääs ,
Embedded system for real-time emotional arousal classification
(Tartu Ülikool, 2020) Rodionov, Kirill; Anbarjafari, Gholamreza; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Tehnoloogiainstituut
We, humans, can distinguish the emotions of others with ease and we always expect any sort of emotional response during a conversation. Machines, however, do not possess emotion related skills, which makes human-machine interactions feel alien and soulless. Therefore, development of an efficient emotion recognition system is one of the crucial steps towards human-like artificial intelligence. A common person can also find use in emotion recognition. It would be a great help to the people, who by various reason either have weak control over own emotions or devoid of any ability to perceive emotions of others. This thesis focuses on creating a solution based on compact hardware to classify emotions in relation to its level of arousal. For this, theory concerning the emotions and their classifications were gathered, after which numerous methods of machine learning and feature description were reviewed and tried out. The methods list support vector machines, random forests, facial landmark feature extraction and histogram of oriented gradients. The project has came to a halt halfway through due to poor results: small scale hardware appeared unsuitable for extensive machine learning operations. It can be resumed with the possibility of introducing another set of hardware purely for recognition models training and leaving the compact one deal with pre-made model. In estonian: Me, inimesed, oskame kergelt tajuda teiste emotsioone, ning ootame mingi emotsionaalset tagasisidet suhtlemise korral. Masinad, kuid, ei oma emotsioonidega seotud oskust, mistõttu inimese ja masina vastastikmõju tundub hingetu ja võõrana. Seepärast, tõhusa emotsiooni tunnustamise arendus on üks ülioluline samm inimesesarnase tehisintellekti suuna. Tava inimene ka saab leida kasu emotsiooni tunnustamises. See saab aidata inimesi, kellel on erinevate põhjuste tõttu nõrk kontroll oma emotsioonide üle või nad ei saa teiste emotsioone tundma. Käesolev töö keskendub kompaktse riistvara baseeritud lahenduse peale emotsiooni liigitamiseks sõltuvalt temast erutusest. Selleks, emotsiooni puudutav teooria oli kogutud, mille pärast arvukad masinõppimise ja tunnuste ekstraheerimise meetodid olid vaadeldatud ja ära proovitud. Need meetodid on tugivektor-masinad, otsustusmetsad, näoorientiiri tunnuste ekstraheerimine ja suunatud gradientide histogramm. Kehva tulemuste tõttu projekt jäi seisma: väikese mastaabi riistvara kujunes vimetuks laiaulatusliku masinõppimise sooritamise jaoks. Seda saab jätkata, kui lisada projekti võimeka riistvara, et ta treeniks tajumiste muudelit ja edastaks kompaktsele riistvarale juba eeltreenitud muudelit rakendamiseks.
listelement.badge.access-status Avatud juurdepääs ,
Empowering machine learning pipelines with automated feature engineering
(2024-09-19) Eldeeb, Hassan Abdulgaleel Hassan Salim; El Shawi, Radwa Mohamed El Emam, juhendaja; Tatu Ülikool. Loodus- ja täppisteaduste valdkond
Suurandmete ajastul on esile kerkinud automaatne masinõpe (AutoML), mis üritab tasakaalustada ühelt poolt kasvavaid andmemahte ja teiselt poolt piiratud andmeteaduse oskusteavet. Tehnoloogia aluseks on raamistikud, mis automatiseerivad keerulise ja iteratiivse masinõppemudelite loomise protsessi, laiendades seeläbi andmeanalüüsi kättesaadavust ja tõhusust. Üheks keskpunktiks on innovatsioon automaatses omaduste väljatöötamises (Feature Engineering, FE). See on oluline, kuid traditsiooniliselt töömahukas samm, mis suurendab mudeli täpsust andmeatribuutide intelligentse valimise ja muundamise kaudu. Siin peitub BigFeat'i olulisus. See on uuenduslik raamistik, mis on hoolikalt konstrueeritud FE protsessi automatiseerimiseks ja uuendamiseks. BigFeat eristub sellega, et ühendab sujuvalt skaleeritavuse seletatavusega, tagades, et omaduste automaatne genereerimine ei varjutaks mudeli ennustuste taga olevat põhjendust. Põhjalikul võrdlemisel olemasolevate raamistikega on BigFeat järjepidevalt näidanud paremat tulemust, pakkudes märkimisväärseid täpsuse parandusi mitmekesistel andmekogumitel. Raamistiku disain, mis keskendub dünaamilisele omaduste genereerimisele ja valikule mitte ainult ei tõsta mudeli sooritust, vaid säilitab ka kasutaja usalduse ja mõistmise jaoks hädavajaliku tõlgendatavuse. BigFeat'i juurutamine tähistab olulist verstaposti AutoML maastikul, pakkudes tugevat lahendust, mis demokratiseerib keeruka andmeanalüüsi. FE-s ulatusliku domeeniteadmiste vajaduse leevendamisega annab BigFeat laiemale kasutajate hulgale võimaluse kasutada masinõpet, edendades innovatsiooni üle mitmete valdkondade.