1. Vključevanje orodij umetne inteligence v celovite informacijske rešitve: primer napovedovanja prodaje in zalogGarvin Gajšek, 2024, master's thesis Abstract: Izziv dela predstavlja integracijo celovitih informacijskih rešitev s tehnologijami umetne inteligence za napovedovanje prodaje in upravljanje zalog v podjetjih, s posebnim poudarkom na platformi Microsoft Dynamics 365 Business Central. V sodobnem poslovnem okolju predstavlja napovedovanje prodaje in zalog enega izmed ključnih elementov za ohranjanje konkurenčne prednosti podjetij. Zaradi naraščajočega pomena teh dejavnikov se vse pogosteje poslužujemo orodij umetne inteligence in strojnega učenja, ki omogočajo bolj natančne in pravočasne napovedi ter optimizacijo zalog. Ena izmed glavnih prednosti strojnega učenja je sposobnost obravnave kompleksnih podatkovnih nizov, ki vključujejo več dejavnikov ali značilk. S tem lahko izboljšamo model in natančnost napovedi, saj lahko algoritmi strojnega učenja učinkoviteje izkoristijo informacije, ki jih vsebujejo podatki. Ta pristop nam daje pomembno prednost nad konkurenco in nam omogoča, da ostajamo korak pred njo v dinamičnem poslovnem okolju. Seveda pa je ključnega pomena pravilna izbira dejavnikov, ustrezna obdelava podatkov ter izbira ustrezne metode strojnega učenja, da lahko dosežemo najboljše rezultate pri napovedovanju. Velik izziv na področju na tem področju je zato vprašanje, katere podatke in zgodovino podatkov umetna inteligenca uporablja in potrebuje za izvajanje kvalitetnih napovedi.
V magistrskem delu predstavimo osnovne paradigme strojnega učenja (angl. machine learning, v nadaljevanju ML), ki so uporabljene v našem eksperimentu napovedovanja prodaje iz zalog. Opisani so elementi poteka dela ML, okvir regresijsko temelječih metod ML in ocenjevalne matrike ML. Pomemben del naloge je posvečen analizi in opisu programske kode jezika R, s katero poglobimo razumevanje delovanja modela strojnega učenja v okolju Azure Machine Learning (v nadaljevanju AML) Studio. Model strojnega učenja v AML Studio je nato objavljen kot spletna storitev, do katere dostopamo preko REST (prenos predstavitvenega stanja, angl. REpresentational State Transfer, v nadaljevanju REST) API (aplikacijski programski vmesnik, angl. Application Programming Interface, v nadaljevanju API) protokola.
V nadaljevanju je opisan razvoj razširitve Business Centrala, ki predstavlja jedro izvedbe napovedovanja in integracije vtičnika strojenega učenja. Razširitev služi kot neposredni komunikator med uporabnikom in modelom strojnega učenja. Končnemu uporabniku Business centrala omogoča izvajanje funkcij učenja, ocenjevanja in napovedovanja.
Magistrsko delo zaključimo z interpretacijo kvantitativnih rezultatov napovedi. Kvantitativna primerjava rezultatov različnih modelov strojenega učenja nam pokaže, da eksperiment strojnega učenja sicer izpolnjuje osnovne pogoje in procese napovedovanja, a se sooča z določenimi pomanjkljivostmi.
Keywords: umetna inteligenca, strojno učenje, celovite informacijske rešitve, napovedovanje prodaje in zalog, nadzorovano učenje.
Published in DKUM: 07.01.2025; Views: 0; Downloads: 37
 Full text (2,64 MB) |
2. Analiza uporabe umetne inteligence v slovenskih medijih : graduation thesisŽiga Kapun, 2024, undergraduate thesis Abstract: Uporaba umetne inteligence je prisotna že na nešteto področjih, kjer se uporablja za najrazličnejše namene. Najdemo jo lahko v optimizaciji procesov, pregledovanju velikih količin podatkov ter tudi ustvarjanju vsebin. Podobno kot na drugih področjih, se je umetna inteligenca, ali AI, uveljavila tudi na področju medijev. Tako se diplomska naloga posveča prav uporabi AI na področju medijev v Sloveniji. Naloga le-te je predstaviti vrste AI in možnosti, ki jih slednja omogoča medijem, prav tako pa z analizo ankete predstavi dejansko stanje uporabe AI v Sloveniji.
Keywords: umetna inteligenca - AI, mediji, generativna AI, strojno učenje, globoko učenje
Published in DKUM: 14.11.2024; Views: 0; Downloads: 88
Full text (2,03 MB) |
3. Vpliv umetne inteligence na razvoj elektronskega poslovanjaŠpela Pamela Škof, 2024, master's thesis Abstract: COVID-19 je popolnoma spremenil vedenje potrošnikov, predvsem zaradi večje odvisnosti od spletnega nakupovanja. Pandemija je podjetja prisilila v razvoj inovativnih strategij za konkurenčnost in prilagoditev hitrim spremembam, hkrati pa spodbudila razvoj umetne inteligence (UI). UI vključuje inženiring strojev in programov, ki omogočajo samostojno odločanje ali posredovanje informacij za lažje odločanje. Programsko opremo za UI je mogoče prilagoditi glede na specifične potrebe organizacij. Kljub prednostim UI v e-poslovanju ostaja ta tehnologija nova, zato je za izkoriščanje njenih potencialov potrebno celovito razumevanje. Če organizacije ne razumejo njenih zapletov, lahko to omeji njihove koristi. Chatboti in obdelava naravnega jezika lahko še bolj učinkovito zadovoljijo potrebe strank, omogočajo hitro komunikacijo, odgovarjanje na vprašanja in reševanje težav v realnem času, kar izboljšuje zadovoljstvo strank in kakovost interakcij.
Keywords: Umetna inteligenca, elektronsko poslovanje, chatboti, strojno učenje, obdelava naravnega jezika.
Published in DKUM: 04.10.2024; Views: 0; Downloads: 50
Full text (1,96 MB) |
4. Uvedba digitalne transformacije na primeru srednje velike kmetijeEva Vaukan, 2024, undergraduate thesis Abstract: V tej diplomski nalogi se bomo osredotočili na digitalno transformacijo in ERP rešitve ter njihov vpliv na kmetijstvo. Naš cilj je raziskati, kako digitalna transformacija spreminja poslovne procese, izboljšuje učinkovitost in odpira nove poslovne priložnosti. Razumevanje teh sprememb je ključno, saj se z njimi srečujemo v vseh panogah, vključno s kmetijstvom, ki je zaradi specifičnih potreb in izzivov pogosto spregledano.
Najprej bomo pojasnili, kaj digitalna transformacija pomeni in kako se je razvijala skozi čas. Proučili bomo ključne elemente digitalne transformacije, kot so umetna inteligenca, big data, internet stvari in blockchain, ter tehnologije, ki so bistvene za ta proces. Prav tako bomo analizirali pozitivne učinke digitalne transformacije, kot so povečana produktivnost, inovativnost in konkurenčnost podjetij, ter izpostavili tudi izzive, ki jih ta proces prinaša, kot so vprašanja varnosti in etike.
V nadaljevanju se bomo posvetili ERP (Enterprise Resource Planning) rešitvam, ki podjetjem omogočajo učinkovito upravljanje virov in integracijo različnih poslovnih procesov. Predstavili bomo glavne značilnosti in različne kategorije ERP rešitev, tehnološko arhitekturo ter ključne funkcionalnosti, ki jih te rešitve ponujajo. Poleg tega bomo raziskali trende v razvoju ERP rešitev, glavne ponudnike na trgu in postopke izbire ter uvedbe teh sistemov. Posebno pozornost bomo namenili tudi analizi pozitivnih in negativnih vplivov ERP rešitev na poslovanje podjetij.
Osredotočili se bomo tudi na vertikalne ERP rešitve, prilagojene za kmetijstvo, kjer bomo podrobno analizirali sisteme, kot sta Odoo in Pantheon. Zanimalo nas bo, kako te rešitve izpolnjujejo specifične potrebe kmetij in kako se razlikujejo med seboj.
Naša raziskava bo vključila študijo primera kmetije Hmeljarstvo Čas, kjer bomo analizirali trenutne poslovne procese in načrtovane spremembe z uvedbo ERP rešitve. Cilj je ugotoviti, kako lahko ustrezna izbira ERP sistema pripomore k optimizaciji delovanja kmetije in izboljšanju njene konkurenčnosti.
Na koncu bomo povzeli ključne ugotovitve o pomenu digitalne transformacije in ERP rešitev za kmetijstvo ter izpostavili, kako te rešitve lahko prispevajo k večji učinkovitosti in konkurenčnosti v tem pomembnem sektorju. Naša diplomska naloga bo tako prispevala k boljšemu razumevanju sodobnih tehnologij in njihove vloge v kmetijskem poslovanju.
Keywords: digitalna transformacija, ERP sistem, Hmeljarstvo Čas, uvedba ERP, pametna kmetijstvo, integracija ERP, avtomatizacija procesov, upravljanje hmeljišča, umetna inteligenca (AI), strojno učenje, oblačne storitve, optimizacija virov, moduli ERP, Odoo, Pantheon, računovodski procesi.
Published in DKUM: 03.10.2024; Views: 0; Downloads: 37
Full text (1,12 MB) |
5. Uporaba umetne inteligence v konstruiranju : diplomsko deloVid Stanovnik, 2024, undergraduate thesis 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: 48
Full text (2,91 MB) |
6. Vpliv umetne inteligence na elektronsko poslovanjeLara Čagran, 2024, master's thesis Abstract: Pandemija Covid-19 je spremenila svet. Potrošniki so se začeli spreminjati in nanašati na spletno nakupovanje, saj so zakoni zahtevali, da ljudje ostanejo doma. Zardi tega je veliko podjetij moralo spremeniti svoj način poslovanja, če je želelo ostati konkurenčno. Morali so se prilagoditi na hitre spremembe. Ravno pandemija je spodbudila razvoj novih tehnologij med njimi tudi umetne inteligence. Pri umetni inteligenci gre za inženiring strojev in programov za njihovo izdelavo. Inteligentni ljudem posredujejo informacije, ki jim bodo pomagale pri njihovem procesu odločanja ter tudi sprejemajo odločitve. Umetna inteligenca ima programsko opremo, ki jo je mogoče programirati v skladu z cilji in potrebami podjetja.
Elektronsko poslovanje zajema različne dejavnosti, vključno z nakupom in prodajo blaga ter storitev, oglaševanjem in komunikacijo s strankami. E-podjetja običajno delujejo preko spletnih mest ali spletnih platform, ki služijo kot glavni vmesnik za transakcije, pri čemer uporabljajo varne plačilne prehode za finančne transakcije. Zaledni sistemi, kot so upravljanje zalog, upravljanje strank in obdelava naročil, so ključnega pomena za delovanje e-poslovanja. Uspeh v e-poslovanju je odvisen od ponudbe izdelkov, uporabniške izkušnje, tržnih strategij, učinkovite dostave in vrhunske storitve za stranke.
E-trgovina je podobna vsaki fizični trgovini. Uporabniki obiščejo e-trgovino, se razgledajo po spletni stani in če jim je všeč nekaj kupijo. Razlika je le v tem, da jim ni treba imeti lastnega prostora in lahko vse izdelke iščejo kar doma. Cilji e-trgovine so različni glede na podjetje. Splošni cilj je zmanjšanje stroškov, povečanje prodaje in povečati zadovoljstvo strank. Podjetja si postavijo cilje e-trgovine, da jim pomaga razumeti na kaj se morajo osredotočiti. Cilji zagotovijo smernice za spodbujanje rasti in doseganje uspeha. Cilji morajo biti jasni in jedrnati morajo pa biti tudi merljivi.
Umetna inteligenca obsega računalniške sisteme, ki so sposobni izvajati naloge, ki so tradicionalno povezane s človeško inteligenco – kot so napovedovanje, prepoznavanje predmetov, tolmačenje govora in generiranje naravnega jezika. Sistemi umetne inteligence se naučijo kako nekaj storiti, tako da obdelujejo veliko količino podatkov. V nekaj primerih učni proces umetne inteligence nadzorujejo ljudje, ki krepijo dobre odločitve in odvračajo slabe, a obstaja sistemi umetne inteligence , ki so zasnovani tako, da se lahko učijo brez nadzora ljudi.
Umetno inteligenco številne tehnologije uporabljajo za izboljšanje zmogljivosti. Najdemo jo v pametnih telefonih s pripomočki umetne inteligence, raznih platformah za e-trgovino z plačilnimi sistemi in vozili s sposobnostmi avtonomne vožnje. Umetna inteligenca pomaga ljudi zaščititi s pilotiranjem spletnih sistemov za odkrivanje goljufij in roboti za nevarna delovna mesta. Vsak stroj, ki ima vgrajeno umetno inteligenco, lahko pretekle izkušnje uporabi za predvidevanje prihodnjih dejanj, spomina in samozavedanja na podlagi različnih sposobnosti stroja. Zato lahko umetno inteligenco razvrstimo v različne podkategorije. Razvoj tehnologije lahko omogoči ustvarjanje strojev z občutkom zavedanja in prepoznavanja.
Umetna inteligenca v poslovanju pomeni uporabo orodij umetne inteligence kot so strojno učenje, obdelava naravnega jezika in računalniški vid za optimizacijo poslovnih funkcij, povečanje poslovne vrednosti in produktivnosti zaposlenih. Podjetja umetno inteligenco uporabljajo za krepitev analize podatkov in sprejemanja odločitev izboljšanje uporabniške izkušnje, ustvarjanje vsebine, optimizacijo IT, prodaje, trženja in praks kibernetske varnosti. Umetna inteligenca se uporablja kot orodje za podporo človeške delovne sile pri povečanju učinkovitosti poslovanja.
Keywords: Umetna inteligenca, strojno učenje, elektronsko poslovanje, vrste e-trgovine, cilji e-trgovine, Amazon, vrste umetne inteligence, ChatGPT
Published in DKUM: 12.09.2024; Views: 69; Downloads: 85
Full text (2,33 MB) |
7. Metoda za uporabniško vrednotenje in primerjavo tehnik razložljive umetne inteligence : doktorska disertacijaSaša Brdnik, 2024, doctoral dissertation Abstract: V doktorski disertaciji je obravnavana problematika prepoznave izbire najprimernejše razlagalne tehnike v opazovanem primeru, glede na vključene uporabnike. V literaturi je opazno pomanjkanje validiranih metod vrednotenja za izbiro najprimernejše tehnike, ki bi upoštevale več dimenzij razlag in merile pravilnost mentalnih modelov uporabnikov. Predstavljena metoda je sestavljena iz vrednotenja štirih dimenzij; zadovoljstva z razlago, dojetega zaupanja, mentalnih modelov in subjektivnega mentalnega napora, potrebnega za razumevanje razlag. Metoda je bila razvita iterativno in je bila testirana v dveh empiričnih raziskavah.
V prvi empirični raziskavi sta bili vrednoteni dve dimenziji, v drugi vse štiri. Predlagana metoda je bila analizirana z eksploratorno faktorsko analizo dveh vprašalnikov, uporabljenih v bateriji vprašalnikov in z analizo zanesljivosti. Rezultatu druge empirične raziskave, so potrdili, da uporabljena metoda omogoča zanesljivo primerjavo razlagalnih tehnik po posameznih dimenzijah v slovenščini in angleščini. Metoda je bila preizkušena na desetih razlagalnih tehnikah, oblikovanih na slikovnih in številskih vhodnih podatkih. Opravljen je bil sistematični pregled literature z ekstrakcijo najpogostejših razlagalnih tehnik. Uporabniki so bili pri pravi empirični raziskavi najbolj zadovoljni s SHAP lokalno razlagalno tehniko v obliki stolpčnega grafa, sledila ji je globalna razlagalna tehnika v enaki obliki. Tema razlagalnima tehnikama so udeleženci izkazali tudi najvišje zaupanje.
V drugi empirični raziskavi so bili uporabniki najbolj zadovoljni z razlagalno tehniko odločitvenega drevesa, pri slikovnih podatkih pa z izpostavitvijo subjekta s kvadratom. Uporabniki so najbolj zaupali razlagalni tehniki odločitvenega drevesa in grafov delne odvisnosti. Naraščanje subjektivne ocene truda, ki ga uporabniki vložijo v razumevanje, je šibko negativno vplivalo na njihovo oceno razumevanja razlage, zadovoljstva z njo, zadostnosti podrobnosti, celotnosti razlage, dojemanja jasnosti navodil za uporabo in uporabnosti razlage za njihove cilje, hkrati pa je pozitivno vplivalo na njihovo strinjanje s tem, da so razlage zavajajoče in zahrbtne. Uporabniki so naloge za preverjanje pravilnosti mentalnih modelov reševali zmerno uspešno, le tretjina je pravilno rešila vse tri zastavljene naloge, manj kot polovica je pravilno rešila dve od treh nalog. Preverjanje pravilnosti mentalnih modelov z retrospektivno nalogo, napovedno nalogo in nalogo prepoznave napak je omogočilo razlikovanje razumevanja uporabnikov med opazovanimi razlagalnimi tehnikami.
Disertacija vključuje pet izvirnih znanstvenih prispevkov. Prvi zajema empirično vrednotenje izbranih razlagalnih tehnik z vidika zaupanja uporabnikov in zadovoljstva z razlago. Drugi zajema izgradnjo večdimenzionalne metode uporabniškega vrednotenja za celostno ocenjevanje razlagalnih tehnik. Tretji obsega validacijo dveh obstoječih merilnih instrumentov, uporabljenih v predlagani metodi. Četrti zajema uporabo predlagane metode za empirično vrednotenje razlagalnih tehnik. Peti obsega empirično vrednotenje povezav med značilnostmi uporabnikov in njihovim subjektivnim dojemanjem razlag.
V okviru predstavljene doktorske disertacije smo omejili na pridobivanje podatkov z metodo vprašalnika. Empirični raziskavi sta zaradi manjšega vzorca lahko podvrženi kulturnim, starostnim, izobraževalnim in drugim vplivom. Prevod uveljavljenih vprašalnikov lahko vpliva na njihovo validnost in na primerljivost rezultatov v primerjavi z rezultati, pridobljenimi v izvornem jeziku. V predlagani metodi je vrednoteno dojeto zaupanje, ki ni nujno enako izkazanemu. V dimenzije vrednotenja ni vključena učinkovitost uporabnikov. Pri primerjavi razlagalnih tehnik v posameznem primeru se osredotočamo zgolj na opazovane dimenzije in ne na širše cilje razvoja uporabniških vmesnikov in celostnega sistema. Predlagana metoda je bila uporabljena in validirana zgolj na slikovnih in številčnih vhodnih podatkih.
Keywords: razložljiva umetna inteligenca, vrednotenje razložljive umetne inteligence, uporabniško vrednotenje, strojno učenje, interpretabilnost
Published in DKUM: 04.09.2024; Views: 71; Downloads: 132
Full text (41,64 MB) |
8. OTS 2024 Advanced information technologies and services : conference proceedings of the 27th conference : zbornik 27. konference2024, proceedings Abstract: V zborniku sedemindvajsete konference OTS 2024 so objavljeni prispevki strokovnjakov s področja informatike, v katerih so predstavljena nova spoznanja in trendi razvoja, vpeljave, prilagajanja ter upravljanja informacijskih rešitev, kot tudi konkretni uspešni pristopi in dobre prakse. Prispevki naslavljajo področja sodobnih arhitekturnih izzivov, klasične, generativne in globoke umetne inteligence, sodobnih spletnih ali mobilnih uporabniških vmesnikov, kot tudi tradicionalnih, brezstrežniških in decentraliziranih zalednih sistemov v oblaku. Tematike prispevkov obsegajo tudi zagotavljanje ustreznega skalabilnega okolja zanje ter avtomatizacijo testiranja, merjenje kakovosti in dostavo s proaktivnim naslavljanjem najpogostejših kibernetskih napadov. Rdečo nit prispevkov predstavljajo podatkovne tehnologije, ki so zastopane v obliki klasičnih podatkovnih baz, podatkovnih jezer ter učinkovitega zbiranja, obdelave in vizualizacije velepodatkov. Prispevki tako še naprej omogočajo boljšo povezanost IT strokovnjakov, informatikov, arhitektov in razvijalcev IT rešitev in storitev, kot tudi akademske sfere in gospodarstva.
Keywords: programsko inženirstvo, informacijski sistemi, informacijske rešitve, digitalna preobrazba, razvoj mobilnih in spletnih rešitev, arhitekture v oblaku, podatkovne tehnologije, poslovna inteligenca, umetna inteligenca in strojno učenje, obdelava velepodatkov in podatkovnih tokov, metode agilnega razvoja, tehnologije veriženja blokov, kibernetska varnost
Published in DKUM: 03.09.2024; Views: 63; Downloads: 50
Full text (23,33 MB)
This document has many files! More... |
9. Učinkovitost algoritmov umetne inteligence pri mikroplaniranju proizvodnjeVukašin Radisavljević, 2024, undergraduate thesis Abstract: Diplomsko delo se osredotoča na analizo podatkov v kontekstu uporabe umetne inteligence pri mikroplaniranju proizvodnje. Na podlagi analize pridobljenih podatkov smo identificirali zakonitosti in trende, ki se nanašajo na učinkovitost sistema za napredno planiranje in razporejanje proizvodnje z umetno inteligenco Qlector LEAP. Opažamo korelacije med relativno napako planiranja s Qlector LEAP-om in številom poskusov planiranja, pri čemer opažamo določene trende za določene izdelke. Primerjamo učinek planiranja Qlector LEAP-a tudi z učinkom planiranja po normativih. Razprava se osredotoča tudi na tehnološke, kadrovske in organizacijske dejavnike ter priporoča organizacijske ukrepe za izboljšanje učinkovitosti planiranja z LEAP-om. Kljub izzivom pri dokazovanju hipotez je razprava pokazala možnosti za nadaljnje raziskave, ki vključujejo kvantifikacijo zanesljivosti planiranja z LEAP-om in preučevanje drugih modulov Qlector LEAP-a. Skupaj s postavljenimi organizacijskimi ukrepi diplomsko delo zagotavlja osnovo za nadaljnje raziskave na tem področju.
Keywords: umetna inteligenca, strojno učenje, mikroplaniranje proizvodnje, sistem za napredno planiranje in razporejanje proizvodnje, merjenje učinka
Published in DKUM: 13.06.2024; Views: 189; Downloads: 44
Full text (4,53 MB) |
10. Podatkovni kanjoni, pristop strojnega učenja za potrebe razložljive umetne inteligence : doktorska disertacijaBojan Žlahtič, 2023, doctoral dissertation Abstract: Z uporabo algoritmov strojnega učenja je mogoče izvesti zapletene analize in pridobiti
globlje vpoglede na osnovi obsežnih količin podatkov, kar presega človeške zmožnosti.
Navedena značilnost je ključni dejavnik, zaradi katerega je strojno učenje vpeljano v
številne domene. Kljub številnim prednostim ni vedno možno integrirati strojnega učenja
na določena področja, predvsem zaradi tega, ker se za naprednimi metodami pogosto
skrivajo modeli tipa črne skrinje. Ti modeli uporabnikom ne omogočajo vpogleda v
logiko njihovega odločanja, kar lahko predstavlja oviro v kontekstih, kjer so odločitve
kritične in lahko napačna odločitev vodi v resne posledice. Z namenom ublažiti te
problematike smo razvili metodo strojnega učenja, temelječo na naravnem pojavu rečnih
kanjonov. Ta pojav lahko vizualiziramo v digitalni grafični obliki, kar omogoča intuitiven
prikaz logike odločanja. Rezultat je model strojnega učenja, ki generira globinske slike
gibanja podatkov za posamezen razred. V teh slikah je pripadnost posamezne instance
kanjonu prikazana s pomočjo barvno kodiranih grafov. Podatkovni kanjoni se zaradi
svojih lastnosti in metodologije lahko uporabljajo za potrebe razložljive umetne
inteligence, bodisi samostojno ali kot dopolnilni mehanizem drugim pristopom strojnega
učenja.
Keywords: razložljiva umetna inteligenca, strojno učenje, klasifikacija, razložljivost, zaupanje
Published in DKUM: 05.12.2023; Views: 467; Downloads: 94
Full text (3,26 MB) |
