Procesna analitička tehnologija (PAT) sve se češće primjenjuje u procesu kristalizacije za kontinuirano praćenje neke od ključnih procesnih veličina i značajki kvalitete proizvoda. Vrlo bitne ...procesne varijable za kristalizaciju hlađenjem su temperatura i koncentracija otopine. Kontinuirano mjerenje koncentracije omogućeno je naprednim in situ spektroskopskim instrumentima. U takve metode spada i prigušena ukupna reflektancija Fourier transformacijske infracrvene spektroskopije (engl. Attenuated Total Reflectance Fourier Transform Infrared Spectroscopy, ATR-FTIR), primijenjena u ovom istraživanju. U ovom radu razvijeni su kemometrijski modeli za kontinuiranu procjenu koncentracije otopine u stvarnom vremenu metodama strojnog učenja. Cilj ovog rada bio je razviti i ispitati modele parcijalne regresije metodom najmanjih kvadrata (engl. Partial Least Squares Regression, PLSR) i modele neuronskih mreža (engl. Neural Networks, NN) za modeliranje ovisnosti koncentracije djelatne tvari, ksilometazolin hidroklorid, u n-butanolu, o temperaturi i spektralnim podatcima dobivenim mjerenjima ATR-FTIR spektrometrom. U radu je provedena predobrada prikupljenih podataka tehnikom MSC (engl. Multiplicative Scatter Correction) te je provedeno skaliranje podataka prema normalizacijama Min-Max i Z-score. Analiziran je broj neurona u prvom i drugom skrivenom sloju, broj skrivenih slojeva, vrsta primijenjenog algoritma učenja (ADAM, NADAM, RMSprop) kao i utjecaj vrste prijenosne funkcije (ReLU, sigmoid, tanh) na kvalitetu razvijenih neuronskih mreža. Razvijeni modeli na sva četiri skupa podataka dali su iznimno dobre rezultate s obzirom na iznose koeficijenta determinacije i srednje kvadratne pogreške. Modelom neuronske mreže dobiveni su koeficijenti determinacije u rasponu vrijednosti od 0,9979 do 0,9989, dok je srednja kvadratna pogreška od 0,0020 do 0,0011. PLSR modelom dobiveni su koeficijenti determinacije od 0,9990 do 0,9995, odnosno srednja kvadratna pogreška od 0,0009 do 0,0005. Dobiveni rezultati pokazali su da predobrada podataka i dodavanje drugoga skrivenog sloja neuronske mreže u ovoj studiji nisu imali velik utjecaj na konačne rezultate. Takav način praćenja i kontrole procesa rezultira efikasnijom proizvodnjom uz smanjenu vjerojatnost pogreške, što u konačnici farmaceutskoj industriji omogućuje brže plasiranje proizvoda na tržište.
Full text
Available for:
IZUM, KILJ, NUK, PILJ, PNG, SAZU, UL, UM, UPUK
Umjetna inteligencija (AI) i strojno učenje (ML ) sve su prisutniji u poljoprivrednom sektoru pa tako i u proizvodnji krmnih smjesa, gdje omogućuju proizvođačima optimizaciju procesa proizvodnje, ...smanjenje troškova i poboljšanje učinkovitosti. Implementacija nelinearnih modela, poput umjetnih neuronskih mreža (UNM ), u ovoj domeni omogućava prepoznavanje uzoraka i rješavanje kompleksnih problema povezanih s krmnim smjesama. Primjena UNM u tehnologiji proizvodnje krmnih smjesa, uz ispravno odabranu strukturu, algoritme učenja i prijenosne funkcije, omogućava naprednu optimizaciju procesa, uključujući upravljanje proizvodnim postrojenjem, skladištenje i transport sirovina. Ovi modeli pružaju nove mogućnosti za poboljšanje kvalitete krajnjeg proizvoda, uzimajući u obzir sve faktore koji na nju utječu. Kroz ovu prilagodbu, AI pruža alate za brzo i učinkovito donošenje odluka, što rezultira poboljšanom automatizacijom i učinkovitosti u proizvodnji krmnih smjesa.
Artificial intelligence (AI) and machine learning (ML) are increasingly present in agriculture, particularly in the production of feed mixtures, where they enable producers to optimize production processes, reduce costs, and improve efficiency. The implementation of nonlinear models, such as artificial neural networks (UNM), in this field enables pattern recognition and the solution of complex problems related to feed mixtures. The application of UNM in the technology of feed mixture production, with a properly chosen structure, learning algorithms and transfer functions, allows advanced optimization of the process, including the management of the production plant, storage and transportation of materials. These models offer new opportunities to improve the quality of the final product, taking into account all the factors that influence it. Through this customization, AI provides tools for fast and efficient decision making, leading to improved automation and efficiency in compound feed production.
U radu se razmatra pitanje jesu li na umjetnoj inteligenciji utemeljeni dijagnostički sustavi (AIBDS) prijetnja autonomiji pacijenata kao jednom od središnjih načela biomedicinske etike. U prvom ...dijelu rada objašnjava se što su AIBDS i kako funkcioniraju, s naglaskom na tehnologiji strojnog učenja i na njegovu svojstvu netransparentnosti. U drugom dijelu rada prikazuje se više paradigmatskih stavova o AIBDS-u kao prijetnji autonomiji pacijenata, uz osvrt na standardnu analizu prema kojoj ta autonomija uključuje (minimalno) tri komponente: intencionalnost, slobodu od ograničenjâ i razumijevanje. U trećem se dijelu rada argumente pro et contra teze o AIBDS-u kao prijetnji autonomiji razmatra iz perspektive pacijenata, dok ih se u četvrtom dijelu rada razmatra iz perspektive liječnika. U radu se pokazuje koliko rasprava o ovom pitanju može biti složena i koja oruđa argumentacije suprotstavljenim stranama pritom mogu stajati na raspolaganju.
The paper considers the question whether artificial intelligence-based diagnostic systems (AIBDS) pose a threat to patient autonomy as one of the central principles of biomedical ethics. The first part of the paper explains what AIBDS are and how they work, with an emphasis on machine learning technology and its property of non-transparency. The second part of the paper presents several paradigmatic views on AIBDS as a threat to patient autonomy, with reference to the standard analysis according to which this autonomy includes (at least) three components: intentionality, freedom from constraints and understanding. In the third part of the paper, the arguments pro et contra of the thesis about AIBDS as a threat to autonomy are considered from the perspective of patients, while in the fourth part of the paper they are considered from the perspective of physicians. The paper shows how complex the discussion of these issues can be and what argumentative tools can be made available to opposing parties.
Umetna inteligenca predstavlja zaradi možnosti podpore pri odkrivanju in spremljanju bolezni ter napovedovanju izida novi mejnik v sodobni medicinski tehnologiji. Njena klinična uporabnost se je v ...zadnjih letih dramatično povečala predvsem na račun uvedbe konvolucijskih nevronskih mrež v modeliranje računalniško podprtih sistemov umetne inteligence. Celotna oftalmologija, zlasti pa področje bolezni mrežnice, pri kateri diagnosticiranje sloni na slikovnih preiskavah, se vodi izrazito tehnološko. Zato je edinstvena stroka pri vpeljavi novosti s področja umetne inteligence v klinično uporabo. Kljub temu pa je integracija umetne inteligence v presejanje, diagnosticiranje in zdravljenje oftalmoloških bolezni predvsem zaradi prevelikega posploševanja pri zaznavanju sprememb in slabih zmožnosti sočasnega prepoznavanja različnih kliničnih entitet zaenkrat še omejena. V članku se osredinjamo na nedavno predstavljene algoritme umetne inteligence, ki so prvenstveno namenjeni odkrivanju najpogostejših bolezni mrežnice in so, ali se še bodo, z morebitnimi izboljšavami, pridobljeno višjo občutljivostjo in specifičnostjo, vendarle uvedli v klinično prakso.
Uređaji za pročišćavanje otpadnih voda (UPOV) s aktivnim muljem su dinamični i složeni sustavi čije se upravljanje može poboljšati primjenom različitih pristupa modeliranju i predviđanja njihova ...rada. U ovom radu je korišten alat strojnog učenja (modelska stabla) za izradu modela koncentracije kemijske potrošnje kisika (KPK) na izlazu pročišćene otpadne vode iz UPOV-a s aktivnim muljem. Za modeliranje su korišteni mjereni podaci na ulazu i izlazu otpadne vode iz UPOV-a. U izradi modela koncentracije KPK su korišteni programski alat Weka i algoritam za izradu modelskih stabala M5P. Model dobiven alatom strojnog učenja ima veliku opisnu moć i koeficijent korelacije te se zato može primijeniti u modeliranju koncentracije KPK. Time se u ovom radu ukazuje i na prednosti primjene alata strojnog učenja u izradi modela UPOV-a.
Morfološka analiza je predpogoj za številne naloge pri računalniški obdelavi jezika. Pri oblikoslovno bogatih jezikih, kot je hrvaščina, temelji morfološka analiza navadno na morfološkem leksikonu, ...ki vsebuje seznam lem in njihove oblikoslovne paradigme. Vendar pa mora uporaben morfološki analizator znati ustrezno razčleniti tudi besede, ki jih ni v leksikonu. V prispevku se lotevamo avtomatskega prepoznavanja ustrezne oblikoslovne paradigme pri še neznanih hrvaških besedah. Problem obravnavamo z nadzorovanim strojnim učenjem, kjer na osnovi vrste besednih in korpusnih značilk klasifikator naučimo predvidevati, ali je določen par lema–paradigma ustrezen. Pare lema–paradigma smo generirali s pomočjo ročno izdelane oblikoslovne gramatike. Namen prispevka je analizirati postopke strojnega učenja pri obravnavi tega problema: testirali smo bogat nabor značilk in ocenili natančnost klasifikacije z uporabo različnih podmnožic značilk. Pokažemo, da je zadovoljivo natančnost klasifikacije (92 %) mogoče doseči z metodo SVM in z uporabo kombinacije besednih in korpusnih značilk. Dosežena natančnost za posamezno besedo v našem modelu je 70 %, vrednost F1 je 53 %, kar je bistveno boljše kot rezultat, ki upošteva samo pogostost pojavitev. Članek zaključimo s smernicami za nadaljnje delo.
Cilj ovog rada je objasniti kako se stvara, razvija i koristi plitka neuronska mreža korištenjem programskog alata MATLAB. Kao testni primjer uzet je problem predviđanja izlaznih vrijednosti rješenja ...parametarski ovisne diferencijalne jednadžbe prvog reda. Dobiveni rezultati potvrđuju sposobnost neuronske mreže da brzo i pouzdano reproducira tražene vrijednosti bez potrebe rješavanja same jednadžbe.
As the telecommunications sector has reached its mature stage, maintaining existing users has become crucial for service providers. Analyzing the call data records, it is possible to observe their ...users in the context of social network and obtain additional insights about the spread of influence among interconnected users, which is relevant to churn. In this paper, we examine the communication patterns of mobile phone users and subscription plan logs. Our goal is to use a simple model to predict which users are most likely to churn, solely by observing each user's social network, which is formed by outgoing calls, and churn among their neighbours. To measure the importance of social network parameters with regard to churn prediction, we compare three models: spatial classification, regression model, and artificial neural networks. For each subscriber, we observe three social network parameters, the number of neighbors that have churned, the number of calls to these neighbors, and the duration of these calls for different time periods. The results indicate that using only one or two of these parameters yields results that are comparable or better than the complex models with large amounts of individual and/or social network input parameters that other researchers have proposed.