Grega Vrbančič

Accurate short-term PM10 forecasting is difficult because pollutant dynamics vary across monitoring locations, while sufficient target-station history is not always available due to new deployments, sensor outages, or quality-control filtering. Spatial cross-station transfer learning addresses this problem by pre-training a temporal model on data-rich source stations and fine-tuning it on a data-scarce target station. However, ordinary transfer learning may suffer from source–target domain mismatch and often does not explicitly condition the transferred model on station-specific spatial context, whereas graph-based spatio-temporal models typically require a predefined station graph, synchronized network-level inputs, or assumptions about spatial connectivity. This study therefore examines whether location-aware conditioning improves LSTM-based cross-station transfer learning for one-step-ahead PM10 forecasting under different target-data budgets. The proposed HybridLocLSTM extends a two-layer LSTM backbone with station-identity and geographic-coordinate embeddings, which are fused with the temporal representation. We evaluate seven approaches across 21 Slovenian PM10 monitoring stations and six target-data budgets. The results show that location-aware conditioning improves transfer learning relative to plain LSTM transfer across all evaluated scarcity levels achieving the lowest mean MAE and the best average rank. These findings indicate that explicit station-level spatial conditioning provides the most consistent performance across data regimes, particularly when target-station data are limited.

Accurate long-horizon air-quality forecasting becomes difficult when historical observations are missing or irregularly sampled because reconstruction errors can propagate into downstream predictions. In this work, we propose the TILSTM method, a task-aligned hybrid architecture that integrates a Transformer-based imputation module with an LSTM forecaster designed to jointly enforce a causal horizon boundary that restricts imputation strictly to the historical look-back window, an observed-preserving merge that leaves measured values unchanged, and a time-aware decay gate applied selectively to imputed positions. The model is trained end-to-end using a combined forecasting loss and a self-supervised imputation loss computed on artificially masked observed entries. We evaluate TILSTM on hourly PM10 forecasting from 21 monitoring stations in Slovenia across three forecasting horizons and three missingness regimes. Among the compared methods, TILSTM shows the clearest and most consistent gains at the 24 h horizon, while at medium horizons, the relative ranking becomes more dependent on the missingness regime. In pooled error summaries, TILSTM achieves the lowest MAE and RMSE at the 168 h horizon under the real and near_origin missingness regimes, while the overall results indicate that no single method is uniformly best across all long-horizon settings.

Z razvojem umetne inteligence in strojnega učenja ter vse pogostejšo integracijo v programske rešitve, postaja eden izmed ključnih vidikov zagotavljanje zanesljivosti in kakovosti napovednih modelov strojnega učenja. Kljub napredku se številni projekti, ki vključujejo inteligentne komponente soočajo z neuspehi zaradi pomanjkljivega testiranja in neustrezne integracije v produkcijska okolja. Pogosti razlogi za neuspeh vključujejo slabo integracijo modelov v informacijske sisteme, pomanjkljivo testiranje in odsotnost sistematičnega nadzora kakovosti modelov. Ključno vlogo pri uspešnosti modelov ima kakovost vhodnih podatkov – napačni, nepopolni ali pristranski podatki zmanjšajo robustnost napovedi in posledično zaupanje uporabnikov. Pomemben izziv predstavlja tudi pojav spremembe porazdelitev vrednosti podatkov, ki lahko vodi v postopno degradacijo modela. Te izzive naslavlja MLOps pristop, ki združuje pristop DevOps z značilnostmi razvoja in upravljanja napovednih modelov strojnega učenja. MLOps omogoča avtomatizacijo, ponovljivost, transparentnost in nadzor celotnega življenjskega cikla napovednih modelov. Ključni gradniki vključujejo verzioniranje podatkov in modelov, validacijo, avtomatizirano ponovno učenje ter sprotno spremljanje uspešnosti delovanja v produkciji. V prispevku so ti vidiki osvetljeni skozi študijo primera Airly platforme, ki predstavlja celovit primer MLOps podpore.

Childhood pneumonia remains a key cause of global morbidity and mortality, highlighting the need for accurate and efficient diagnostic tools. Ensemble methods have proven to be among the most successful approaches for identifying childhood pneumonia from chest X-ray images. However, deploying large, complex convolutional neural network models in resource-constrained environments presents challenges due to their high computational demands. Therefore, we propose a novel ensemble-based knowledge distillation method for identifying childhood pneumonia from X-ray images, which utilizes an ensemble of classification models to distill the knowledge to a more efficient student model. Experiments conducted on a chest X-ray dataset show that the distilled student model achieves comparable (statistically not significantly different) predictive performance to that of the Stochastic Gradient with Warm Restarts ensemble method (F1-score on average 0.95 vs. 0.96, respectively), while significantly reducing inference time and decreasing FLOPs by a factor of 6.5. Based on the obtained results, the proposed method highlights the potential of knowledge distillation to enhance the efficiency of complex methods, making them more suitable for utilization in environments with limited computational resources.

V prostrani, neukročeni divjini umetne inteligence se je pojavila in postavila v ospredje nova generativna vrsta: veliki jezikovni modeli. Ti orjaki s svojimi milijardami parametrov tavajo po podatkovni pokrajini, lačni vzorcev in vpogledov v obilje besedil. Toda izkoriščanje njihove moči ni enostaven podvig. Lahko so nepredvidljivi, nagnjeni k halucinacijam in se pogosto težko držijo teme. Predvsem pa jih ni preprosto udomačiti. V članku predstavljamo pristop, s katerim lažje ukrotimo te velikane z uporabo pomenskega povezovanja z lokalnim korpusom besedil. Pristop združuje surovo moč velikih jezikovnih modelov s specifičnostjo in ustreznostjo lokalnih podatkov. Raziskali bomo, kako tak pristop omogoči ne le učinkovito, temveč tudi vsebinsko specifično generiranje odgovorov, pri čemer so zagotovljene natančne in podrobne informacije o vašem specifičnem podjetju ali panogi. V članku poskušamo na preprost način predstaviti zapletenost tovrstnega procesa usposabljanja, vključno s strateško uporabo generiranja z razširjenim iskanjem, ki našemu modelu omogoča učinkovit dostop do lokalnih virov znanja. Če bomo v svojem namenu uspeli, vas prispevek ne bo opremil le s kakšnim novim spoznanjem, ampak boste tudi pripravljeni, da se podate na lastno pustolovščino z generativno umetno inteligenco. Na tej pustolovščini se vam rade volje pridružimo, da skupaj ukrotimo velikega dobrodušnega velikana. Naj se torej krotenje začne!

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.

V zborniku šestindvajsete konference OTS 2023 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 naprednih IT rešitev in storitev, kot tudi akademske sfere in gospodarstva.

Dostopnost velikih količin podatkov in relativno poceni in dostopne računske moči je v zadnjih nekaj letih pripomogla k enormnemu vzponu računske inteligence. Čeprav se mnoga podjetja in organizacije že dolga leta poslužujejo uporabe različnih tehnik matematične optimizacije, ki se najpogosteje uporabljajo za namen optimizacije poslovnih procesov, proizvodnih procesov, logistike in upravljanja distribucijskih omrežij, pa so novodobna gigantska podjetja kot so Uber, Netflix in Tesla vpeljala metode in tehnike računske inteligence tudi v bolj uporabniku usmerjene funkcionalnosti ter tako še dodatno povečale njihovo prepoznavnost. V industrijskih okoljih je tako sedaj, bolj kot kadarkoli, pomembno da je organizacija in izraba razpoložljivih virov kar se da učinkovita, saj lahko tako dosežejo pomembno konkurenčno prednost. Pri vpeljavi računske inteligence za reševanje industrijskih problemov pa se podjetja pogosto soočijo s številnimi izzivi, med katerimi pogosto izstopa predvsem zahtevna prilagoditev naprednih optimizacijskih algoritmov, predstavljenih v literaturi, na domensko specifični problem. V prispevku predstavimo pristope, metode in tehnike, s katerimi lahko učinkovito naslavljamo najpogostejše industrijske probleme, obenem pa opozorimo na morebitne pasti, s katerimi se lahko soočimo pri vpeljavi ter podali smernice za njihovo naslovitev. V nadaljevanju podrobneje predstavimo primer uporabe optimizacijskih algoritmov, ki delujejo po vzorih iz narave, za reševanje problema avtomatske izdelave kompleksnih urnikov.

Pitna voda je redek in dragocen vir, zato je ustrezno upravljanje tega vira bistveno za družbeni in gospodarski razvoj vsake države ali regije, saj je čista pitna voda uporabljena v vseh ključnih sektorjih gospodarstva, kot so kmetijstvo, industrija, energetika in promet. Pametne naprave so spremenile skoraj vse vidike našega življenja – in tudi pri upravljanju vodovodnega omrežja ni nič drugače. Moderni vodovodni sistemi so že opremljeni z napravami za sprotno beleženje pretokov skozi posamezne odseke vodovodnega omrežja. Prav tako so pogosti tudi sistemi, ki informacije o pretokih v obliki nadzornih sistemov prikazujejo v realnem času in s tem omogočajo spremljanje celotnega omrežja v vsakem trenutku. Še vedno pa za odkrivanje nepravilnosti v vodovodnem omrežju skrbijo bodisi človeški kontrolorji, ali pa primitivni sistemi na osnovi pravil. Pri človeških kontrolorjih je problem, da sta njihova čas in pozornost omejena. Prav tako pa je kontrolorja veščega identifikacije iztokov potrebno dodobra izobraziti. Obstoječi avtomatski sistemi pa so preveč primitivni, da bi zaznali kaj več kot nenadne ogromne iztoke – manjši iztoki, ki na dolgi rok naredijo veliko škode, pa ostanejo neodkriti. V tem članku je predstavljen sistem za zgodnje odkrivanje iztokov, ki temelji na tehnikah napredne analize podatkov in strojnem učenju. Sistem, ki bo opisan temelji na različnih tehnikah, kot so gručenje podobnih odsekov omrežnega sistema ter napoved pričakovane porabe vode določenega področja glede na letni čas in porabo v ostalih podobnih odsekih. Prvi rezultati kažejo, da je sistem zelo koristno orodje, ki kontrolorjem pomaga pri identifikaciji iztokov, ter te samodejno išče tudi v času, ko človeški kontrolorji niso na delovnem mestu.