Keeleeksamite kuulamisosade juhiste helifailid salvestatakse tavaliselt stuudios. Viimastel aastatel on keeletehnoloogia aga nii kiiresti arenenud ja kõnesüntees nii heal tasemel, et juhiste lugemise asemel saab need kiiresti ja lihtsalt arvutiprogrammi abil luua. Nii hoitakse kokku aega ja raha ning eksamisooritajad ei saa isegi aru, et juhiseid loeb inimese asemel tegelikult hoopis masin.

Kratt aitab arstil dikteerimise abil kirja panna uuringu tulemused. Uuringukirjelduste sõnavara on üldiselt väga spetsiifiline ja üsna hästi ennustatav. Kogu kõnetuvastuse tehnoloogia olemus põhinebki tõenäosusel. Tarkvara kuulab inimese kõnet ja püüab leida, milline kirjalik sõna kuuldud heliga kõige tõenäolisemalt klapib. Arstide erialakeel võib tavainimesele olla küll raske, kuid selles esinevate sõnade hulk on piiratum, tänu millele on tarkvaral suurem tõenäosus õige tekst kirja panna.

Vestlusrobot, mis aitab koostada ja kohandada Eestit tutvustavaid jutupunkte ja sõnumeid vastavalt sihtturule. Leitav lehelt: https://brand.estonia.ee/sonumid/

Liigituvastustarkvara on loodud REM meetodil liigi arvukuse määramiseks. Süsteem võimaldab luua vaatlusala kohta määratud perioodiks projekti, mille baasilt arvutatakse alal paiknevate liikide arvukus. Süsteemi kasutamiseks salvestatakse projekti alla rajakaameratega kogutud pildid, kus need tehisintellektiga klassifitseeritakse ning seejärel rakendatakse REM meetod liikide arvukuse määramiseks. Süsteem võimaldab projektis kogutud piltide baasilt luua raporteid lähtuvalt lähteülesandes määratud struktuurile, korrigeerida ebatäpse määratlusega vaatlusjuhtumeid ja treenida tehisintellekti mudelit uute piltide põhjal.

Krati peamiseks eesmärgiks oli välja selgitada, missugune on Tallinna linna liikluskoormus ehk kui palju sõidab autosid ühe päeva jooksul linna sisse ja linnast välja, et selle info põhjal linna transpordi planeerimisega seotud otsuseid andmetel tuginedes teha. Katsetamiseks valiti Tallinna ristmikelt kolm kaamerat, mis treenisid krati välja selleks, et oleks võimalik loendada kaamerast mööduvaid sõidukeid. Krati treenimine loendamiseks oli lahenduse väljatöötamisel oluline protsess, kuna Tallinna linna oludele vastavat valmistoodet ei olnud. Selle tulemusel saadi kratt, mis loendab masinnägemise abil busse, tavasõidukeid, veoautosid ja mootorrattaid ning loodetavasti juba järgmises etapis ka jalakäijaid ja kergliiklejaid.

Projekti käigus tuvastati masinnägemise abil liiklusmärke.

Projekti eesmärkideks oli luua matemaatiline liiklusõnnetuste prognoosimise masinõppemudel, hinnata selle täpsust ja ka kasutatavust ning luua mudeli prototüüp. Projekti käigus analüüsiti liiklusõnnetuste esinemisriski ja liiklusõnnetuste juurpõhjusi ennustava masinõppemudelite loomise võimalikkust ja loodi prognoosimudeli rakenduse prototüüp. Tehisintellekti mudeli loomiseks kasutati erinevaid andmestikke, nt liiklusrikkumised, liiklusõnnetused, ilmaolud, politsei sõidukite väljapaneku kohad ja aeg, liiklusloendusandmed, teeregistri andmed jms. Nende andmete alusel loodi ja testiti kahte mudelit: liiklusõnnetuste toimumise tõenäosusriski ja nende raskusastme prognoosimudelit ja juurpõhjuste ehk õnnetuste põhjuste ennustusmudelit.

Lumega kaetuse mõõtmine ilmajaamades masinnägemise abil võimaldab hoida kokku aega ja raha ning koguda andmeid, mille põhjal arendada uusi prognoosimudeleid.

Lünk.ee teeb eesti keele testide koostamise lihtsaks ja hindamise automaatseks. Lünk kasutab keeletehnoloogiat eesti keele lünktestide genereerimiseks. Õpetajad saavad luua kiirelt ja lihtsalt lünkteste, valides sobiva teksti, määrates õpitulemuste harjutamiseks või testimiseks sõnaliigid, sõnavormid ja sõnade raskusastme ning genereerida lünktesti, kus valitud kriteeriumitele vastavad sõnad on lünkadeks.

Projekti eesmärk oli testida, kas masinõppe abil on võimalik leida inimese töötuse riski tase, seda riski ette ennustada ja riskitaset selgitada ning luua otsustustoe rakendus mille abil saab ennetuseks mõeldud teenuseid paremini sihitada.

tulekahjude ennetamine: riskitaseme ennustamine

Tervishoiu rakenduse eesmärk oli luua Eesti tervishoiuandmete rahvusvahelisele standardile (OMOP-CMD) tõlkimise algoritmide loomine ning tekkinud andmete peal erinevate haiguste riske identifitseerivate algoritmide testimine. Tulevikus lubab see mujal väljatöötatud algoritme kerge vaevaga ka Eesti elanike terviseriskide täpsemaks identifitseerimiseks kasutada.