Search the digital library catalog

Abstract: Namen diplomskega dela je raziskati uporabo umetne inteligence pri procesu konstruiranja. Delo se osredotoča na uvajanje različnih orodij umetne inteligence in tehnik za izboljšanje učinkovitosti, natančnosti in inovativnosti v procesu načrtovanja in modeliranja. Predstavljene so teoretične osnove umetne inteligence, vključno s strojnim učenjem, nevronskimi mrežami in globokim učenjem. Analizirane so prednosti in slabosti uporabe umetne inteligence, kot so zmanjšanje človeških napak, izboljšana produktivnost, vendar visoki stroški in kompleksnost uvajanja. Poleg tega so predstavljeni praktični primeri uporabe umetne inteligence pri konstruiranju, vključno z orodji, kot so ChatGPT za generiranje zahtevnikov, Autodesk Fusion 360 za generativno oblikovanje in Solidworks za avtomatizacijo oblikovalskih procesov.
Keywords: umetna inteligenca, konstruiranje, generativno oblikovanje, globoki generativni modeli, strojno učenje, globoko učenje.
Published in DKUM: 30.09.2024; Views: 0; Downloads: 32
Full text (2,91 MB)

Abstract: V zadnjih nekaj letih ima velik vpliv na zunanje revidiranje umetna inteligenca, ki strmi k temu, da lahko revizorjem olajša določena ponavljajoča se dela in jim omogoča, da se ti lahko posvetijo nalogam, ki prinašajo dodano vrednost zunanji reviziji. V tem magistrskem delu je predstavljena uporaba umetne inteligence v zunanjem revidiranju skozi do sedaj objavljeno literaturo, opravljena pa je tudi raziskava o dejanskem poznavanju in uporabi umetne inteligence v zunanji reviziji računovodskih izkazov v Sloveniji. Naloga podrobneje obravnava tehnologije umetne inteligence, analitiko masovnih podatkov, globoko učenje, veriženje blokov in robotsko avtomatizacijo procesov. V teoretičnem delu smo opredelili zunanjo revizijo in umetno inteligenco ter kronološko predstavili njun razvoj. Predstavljene so tehnologije umetne inteligence, njihova dosedanja uporaba ter morebitne prednosti in pomanjkljivosti vključitve posamezne tehnologije umetne inteligence v revizijski proces. Ugotavljamo, da bi vključitev tehnologij umetne inteligence pripomogla predvsem k večji učinkovitosti in h kakovosti zunanje revizije, k zmanjšanju in avtomatizaciji ponavljajočih se revizijskih nalog, hitrejšemu pregledu in obdelavi podatkov, možnostim testiranja celotne populacije in nenazadnje bi lahko omogočila neprekinjeno revizijo. Uporaba umetne inteligence v reviziji bo za revizorja pomenila pridobitev novega znanja in spretnosti ter dodatna izobraževanja. Na drugi strani pa vključitev tehnologij umetne inteligence prinaša skrb za višje stroške revizije, zaupnosti informacij in varnosti pred kibernetskimi napadi ter pomanjkanje pripravljenosti infrastrukture. V praktičnem delu magistrskega dela je prikazan postopek zbiranja podatkov, pridobljenih s pomočjo anketnega vprašalnika. Z opisno statistično analizo predstavimo pridobljene rezultate vprašanj, ki so bila obdelana s programskim orodjem IBM SPSS. Za ugotavljanje razlik med spremenljivkama spol in zaposlenost anketirancev uporabimo t-test ter za spremenljivko starost anketirancev statistični test ANOVA. Uporabljeni testi pokažejo, da ni statistično značilnih razlik med demografskimi spremenljivkami: spol, starost in zaposlenost anketirancev. Na podlagi povprečnih vrednostih spremenljivk ugotavljamo določene razlike med demografskimi spremenljivkami, ki so v nalogi grafično prikazane. Na podlagi analize podatkov ugotavljamo, da anketirani revizorji v Sloveniji pri svojem delu že uporabljajo umetno inteligenco, ampak velika večina ne uporablja tehnologij, ki so podrobneje predstavljene v tem magistrskem delu. Tehnologija, ki jo revizorji največ uporabljajo, je analitika masovnih podatkov. Revizorji, anketirani v raziskavi, ki so zaposleni v revizijskih družbah Big 4, uporabljajo tehnologije umetne inteligence v povprečju nekoliko več kot revizorji, ki so zaposleni v drugih revizijskih družbah v Sloveniji. Ugotavljamo tudi, da anketirani revizorji nimajo visokega strokovnega znanja o tehnologijah umetne inteligence. Analitika masovnih podatkov je tehnologija, o kateri imajo revizorji največ strokovnega znanja v primerjavi z ostalimi tehnologijami. Rezultati raziskave pokažejo, da so revizorji pričeli z uporabo umetne inteligence zaradi prihranka časa, večje učinkovitosti in hitrejše analize podatkov. Ugotavljamo, da lahko revizorji s pomočjo rešitev umetne inteligence obdelajo več podatkov, kot jih lahko obdelajo brez uporabe umetne inteligence. Uporaba umetne inteligence omogoča revizorjem, da se čas revidiranja skrajša, čeprav je kar nekaj anketiranih mnenja, da čas revidiranja ostaja enak. Anketirani revizorji so mnenja, da bo umetna inteligenca v prihodnosti spremenila poklic zunanjega revizorja. Predvsem se bodo zmanjšala rutinska dela, proces pa bo v veliki meri avtomatiziran in dela bodo opravljena veliko hitreje.
Keywords: zunanja revizija, umetna inteligenca, analitika masovnih podatkov, globoko učenje, veriženje blokov, robotska avtomatizacija procesov
Published in DKUM: 24.09.2024; Views: 0; Downloads: 15
Full text (3,81 MB)

Abstract: Magistrsko delo obsega opis razvoja in implementacije modela globoke nevronske mreže z LSTM arhitekturo. Model omogoča napovedovanje vlažnosti koruze na izhodu iz sušilnega sistema na podlagi meritev vlažnosti koruze na vhodu in beleženja temperaturnih parametrov med obratovanjem. Razvoj modela je vključeval temeljito analizo in preučitev posameznih temperaturnih parametrov. Pri tem smo izvedli regresijsko analizo, ki je raziskovala vpliv vhodne vlažnosti, ciljne temperature gorilnika in časa sušenja med izpusti koruze na spremembe temperaturnih parametrov v sušilnem sistemu. Poleg tega smo preučili tudi statistične vplive samih temperaturnih parametrov na vlažnost koruze na izhodu iz sušilnega sistema. Analiza nam je omogočila ustrezno pripravo podatkov za učenje napovednih modelov. Uspešnost razvitih napovednih modelov je ocenjena s povprečno absolutno napako (angl. mean absolute error – MAE), povprečno kvadratno napako (angl. mean squared error – MSE), korenom povprečne kvadratne napake (angl. root mean squared error – RMSE) in srednjo absolutno odstotkovno napako (angl. mean absolute percentage error – MAPE). Najuspešnejši model za napovedovanje vlažnosti na izhodu iz sušilnega sistema je imel na učnih podatkih odlično zmogljivost napovedovanja, saj so povprečne vrednosti MAE znašale 0,352, RMSE 0,645, MSE 0,416 in MAPE 2,555. Izvedena je bila tudi vizualizacija rezultatov za nadaljnjo analizo in interpretacijo.
Keywords: sušilni sistem, globoko učenje, LSTM, napovedovanje, optimizacija, koruza, vlaga
Published in DKUM: 28.03.2024; Views: 275; Downloads: 76
Full text (3,60 MB)

Abstract: Magistrska naloga opisuje modeliranje nelinearnih dinamičnih sistemov in implementacijo samosprožilnega dogodkovnega vodenja na sistemu zračne levitacije z namenom reševanja sodobnih problemov vodenja, kot je preobremenjenost omrežja. Najprej smo vzpostavili komunikacijo med sistemom in računalnikom z namenom priprave podatkov. Sledila je faza globokega učenja in validacija modela. Na koncu smo načrtali ustrezen algoritem, ki posodablja izhod regulatorja glede na predikcijo modela. Z magistrskim delom smo predvsem dokazali delovanje obravnavanega vodenja na hitrem nelinearnem in nestabilnem sistemu. Ugotovili smo, da je zanesljivost takega vodenja predvsem odvisna od natančnosti modela. Samosprožilno vodenje je lahko riskantno, zato je za industrijsko aplikacijo potrebno vpeljati dodatne varnostne mehanizme.
Keywords: samosprožilno vodenje, dogodkovno proženje, nelinearni model, globoko učenje, NARX.
Published in DKUM: 05.10.2023; Views: 298; Downloads: 52
Full text (4,37 MB)

Abstract: V magistrskem delu raziskujemo problematiko preslikave stila satelitskih posnetkov z uporabo generativnih nasprotniških nevronskih mrež (GAN). Najprej predstavimo osnovno strukturo nevronskih mrež, nato podrobneje opišemo generativne modele. Namen magistrskega dela je preveriti učinkovitost teh modelov pri preslikavi satelitskih posnetkov v stil zemljevida, kjer primerjamo dva različna GAN modela, in sicer Pix2Pix, ki spada med pogojne modele, in CycleGAN, ki je predstavnik cikličnih modelov. V okviru eksperimenta primerjamo pridobljene rezultate z uporabo teh modelov, kjer smo tudi preizkusili preslikavo v obratni smeri, torej iz zemljevida v stil satelitskega posnetka. Rezultati so pokazali, da je mogoče satelitske posnetke uspešno preslikati v stil zemljevida, kjer pogojni modeli na splošno zagotavljajo boljše rezultate, vendar so zelo odvisni od arhitekture omrežja. Magistrsko delo zaključimo z analizo rezultatov in odgovori na raziskovalna vprašanja.
Keywords: generativne nasprotniške mreže, globoko učenje, preslikava stila, satelitski posnetki, zemljevidi
Published in DKUM: 28.03.2023; Views: 612; Downloads: 110
Full text (5,49 MB)