Iskanje po katalogu digitalne knjižnice

Opis: 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.
Ključne besede: umetna inteligenca, strojno učenje, celovite informacijske rešitve, napovedovanje prodaje in zalog, nadzorovano učenje.
Objavljeno v DKUM: 07.01.2025; Ogledov: 0; Prenosov: 42
Celotno besedilo (2,64 MB)

Opis: 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.
Ključne besede: Umetna inteligenca, elektronsko poslovanje, chatboti, strojno učenje, obdelava naravnega jezika.
Objavljeno v DKUM: 04.10.2024; Ogledov: 0; Prenosov: 55
Celotno besedilo (1,96 MB)

Opis: 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.
Ključne besede: umetna inteligenca, konstruiranje, generativno oblikovanje, globoki generativni modeli, strojno učenje, globoko učenje.
Objavljeno v DKUM: 30.09.2024; Ogledov: 0; Prenosov: 57
Celotno besedilo (2,91 MB)

Opis: 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.
Ključne besede: razložljiva umetna inteligenca, vrednotenje razložljive umetne inteligence, uporabniško vrednotenje, strojno učenje, interpretabilnost
Objavljeno v DKUM: 04.09.2024; Ogledov: 71; Prenosov: 134
Celotno besedilo (41,64 MB)

Opis: 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.
Ključne besede: umetna inteligenca, strojno učenje, mikroplaniranje proizvodnje, sistem za napredno planiranje in razporejanje proizvodnje, merjenje učinka
Objavljeno v DKUM: 13.06.2024; Ogledov: 189; Prenosov: 46
Celotno besedilo (4,53 MB)