Arhiiv kuude lõikes: December 2020

Kaabli panek metsa maapinnale

Maapiirkondades võib olla odavam internetikaabel helikopterilt üle puulatvade laotada või ATVga läbi metsa vedada seda maapinnale jättes kui kraavi kaevata. Kui kaabel katki läheb, saab samamoodi maapinnale uue paigaldada. Plastümbrisega kaabel on mittemehaanilistele kahjustustele (vesi, päike, temperatuurikõikumised, mullamikroobid) üsna vastupidav. Mehaanilisi vigastajaid on metsas hõredalt: sõralised võivad peale astuda või oks kukkuda. Närilistele ei tohiks plastümbris huvi pakkuda, aga igaks juhuks võib selle kibeda keskkonnale ohutu ainega üle värvida. Peaks vältima kaabli läbi lohkude paigaldamist, sest jäätuv vesi võib kaabli katki pigistada.

Kilomeeter kahekiulist fiiberoptilist õue sobivat kaablit maksab hulgi ostes 300 eurot. Sarnase hinnaga 300 Eur/km on koaksiaalne vaskkaabel. Käsitsi kraavikaevamine maksab 15 m pikkuse 1,6 m sügavuse eest 350-900 eurot, 40 m pikkuse 0,7 m sügavuse eest 260-550 eurot. Kaevetraktori töötunni hind on 40-50 eurot. Ekskavaator kaevab 100 m^3 umbes nelja tunniga, teises allikas umbes 250 m^3 päevas, aga metsas on sellega keeruline ligi pääseda, juured aeglustavad kaevamist ja läbikaevatud juurtega puud kukuvad teiste peale, vähendades metsa väärtust. Hinnanguliselt võrdub 4 m kraavi 1 m^3 pinnasega, nii et ekskavaator kaevab 800 m päevas, mis maksab 400 eurot. Kui diskontomäär on null ja kraavi matmine pikendab kaabli eluea rohkem kui 2,33 kordseks, siis on kraavil mõtet, muidu intressivabas majandusolukorras mitte. Arvutus: iga 2,33 ajaühiku tagant 300 Eur/km kaabel 400 Eur/km kraavis, ehk 700/2,33 Eur/km/ajaühik, vs iga 1 ajaühiku tagant 300 Eur/km kaabel maapinnal ehk 300/1 Eur/km/ajaühik.

Tegelik projekti diskontomäär peaks arvestama ka kaablipõhise teabeedastuse asendumist tulevikus muu sidepidamisviisiga (kaabli moraalset vananemist). Diskonteerides näiteks 10% aastas, on iga-aastane rahavoog R väärt 10 korda rohkem kui ühekordne rahasumma R. Ehk kui algne investeering korrutada kümnega, peaks vastupidavus lõpmatuks muutuma, et suurem investeering ära tasuks. Kui algne investeering korrutada 2,33ga, siis peab kaabel mattes vastu pidama 2,52 korda kauem kui maapinnal, et matmine ära tasuks.

Arvutus: Oletame, et kraav pikendab kaabli eluiga f kordseks. Diskontotegur on d>0, d<1. Kogukulu on kraaviga väiksem siis kui Sum_{i=0}^{\infty}(2,33*d^(f*i))<Sum_{i=0}^{\infty}(1*d^i) ehk kui 2,33/(1-d^f)<1/(1-d) ehk kui 2,33-2,33*d<1-d^f ehk kui d^f<2,33*d-1,33 kui f>ln(2,33*d-1,33)/ln(d).

Diskontotegur d aastas on üldiselt suurem kui 1,33/2,33, nii et ln(2,33*d-1,33)/ln(d)>0 on reaalarv. Kui d=0.9, siis ln(2,33*d-1,33)/ln(d) on umbes 2,52.

Kui kraavi saab ekskavaatoriga kaevata, siis tundub kogukulu väiksem kaablit mattes, sest selle eluiga pikeneb ilmselt rohkem kui 2,52 korda. Kui aga peaks kaevama käsitsi, siis see maksaks suurusjärgus 10000 Eur/km, metsas isegi rohkem. Sel juhul on kogukulu kaablit maapinnale paigaldades vähemalt kümme korda väiksem kui mattes, isegi kui maetud kaabel lõpmatult kestaks ja vaid moraalselt vananeks.

Fiiberoptiline kaabel peaks kestma 40 aastat, teise allika kohaselt maetuna 28 aastat. Valguskaablit on kaua paigaldatud elektripostidele, et vältida kõige tõenäolisemat kaablikahju põhjust, milleks on kaevetööd. Kui kaabel maapinnal 10-15 aastat vastu peab, siis on mõttekam see maha vedelema jätta kui kraavi matta. Postidele paigaldamisel on probleemiks lume ja jää raskus, mis võib kaabli katki tõmmata, aga maapinnal tõmmet eriti kartma ei pea, ainult läbi lombi minekul jäätumise külgsurvet.

Puu aastarõngaste loendamine masinnägemisega

Mitmel teadusalal kasutatakse puude aastaringide andmeid. Näiteks ajaloolise metsakasvu ja keskkonnatingimuste (temperatuur, sademed) mõõtmiseks. Praegustes maailmatasemel uuringutes kasutatakse paarikümnest kohast maailmas käsitsi loendatud aastarõngaid. Seda andmehulka saaks väikese kuluga oluliselt suurendada, loendades raie käigus masinnägemisega ringe kõigilt kändudelt. Tuleb vaid igast kännust foto teha ja andmebaasi üles laadida. Metsalangetajad võivad seda teha oma telefoniga, aga lihtsam oleks, kui harvesteri või mootorsae küljes olev kaamera automaatselt kändu pildistab ja wifi piirkonda jõudes pildid üles laadib. Kui metsas andmeside on, võib ka kohe pildistamise järgselt laadida.

Praktilisest vaatepunktist oleks lihtsaim harvesteri käpa külge kaamera monteerida, mis aktiveerub käpa liigutamisel või saeheli või -vibratsiooni peale, leiab automaatselt maastikult värske kännu (nagu näotuvastus nutitelefonides), fokusseerib, teeb foto ja laadib üles kas wifi levialasse jõudes või andmeside kaudu. Probleemiks on, et kaamera saab poriseks, läheb kuhugi vastu ja katki või teeb vihm selle uduseks. Kaamera mittetöötamise saaks automaatselt tuvastada (kui pilti ei näita, siis on midagi viga) ja sellest teavitada näiteks harvesteri juhti, et ta läätse puhtaks pühiks või kaamera parandusse viiks.

Kaamera saaks ka mootorsaega töötaja kiivri külge monteerida ja samuti automaatselt aktiveerida saehääle lõppemise või puu pikaliprantsatamise ragina peale. Idee on sarnane politseinike kehakaamera või püstolikaameraga, mis tulirelvalasu peale aktiveerub.

Eesti Digiregistratuuri järgi kohaletuleku ennustamine

Raviasutuse broneerimis- ja vastuvõtusüsteem võiks Digiregistratuuri automaatselt kirja panna, kas patsient tuli kokkulepitud ajal kohale ja kas hilines. Nende andmete põhjal saaks ennustada iga inimese kohaletulekut, mis võimaldab raviasutusel aega paremini planeerida. Esialgu kui andmeid vähe, oleks ennustus inimrühmade kohta. Näiteks, et keskmine patsient tuleb tõenäosusega x, pensioniealised tõenäosusega y, naised tõenäosusega z.

Ajaplaneerimise osas võib panna väiksema tõenäosusega saabuvad patsiendid päeva lõppu või lõunaajale, nii et nende mitteilmumise korral saavad meditsiinitöötajad varem koju minna või pikema lõuna. Samuti võib madala tõenäosusega kohale tulevaid patsiente rohkem ühele päevale panna (väiksemate ajavahedega), sest tõenäosus, et vähemalt üks neist ei tule, on kokkuvõttes suur, ja selle arvelt pikeneb teiste jaoks saada olev aeg.

Pidevalt hilinevale patsiendile võib pakkuda tegelikult vaba olevast varasemat aega, et neutraliseerida tema hilinemine. Näiteks kui inimene üldiselt 10 minutit hilineb ja arst on vaba kell 11, siis pakkuda sellele inimesele aega 10:50, muidugi talle teatamata, et arst tegelikult kell 11 vabaneb. See inimene tõenäoliselt hilineb nagu alati ja jõuabki kella 11ks nagu arstile kõige paremini sobib. Arstil on siis vähem tühja ootamist ja hilisemad patsiendid saab loodetavasti õigel ajal vastu võtta, mitte hilinejale kuluva aja võrra hiljem. Kokku säästab broneeringute kohandamine patsientide hilinemiskäitumisega paljude inimeste aega.

Sama efektiivsustõus on võimalik kõigis järjekorra- ja broneerimissüsteemides. Lisaks parandab mitme valdkonna hilinemisandmete ühendamine süsteemi ennustusvõimet, sest inimene, kes hilineb tihti üht tüüpi kokkusaamistele, hilineb tõenäoliselt ka teistele. Kes ei pea kinni arstiaegadest, see ilmselt ka töökoosolekutest ja sõpradega kohtumistest, võib kasutamata jätta üritusepileti jne. Kui ta esimest korda arstiaja kinni paneb, siis pole varasemaid arstivisiite, mille põhjal ta hilinemiskäitumist ennustada, küll aga võib olla palju muid sündmusi, mis on tema kohta informatiivsed.

Pole vaja keskset broneeringusüsteemi ja andmebaasi inimeste hilinemise kohta – piisab sotsiaalvõrgustikust ja telefonide lähedusandmetest, mida kasutab näiteks bluetoothi-põhine Hoia äpp. Sõprade telefonid registreerivad, millal tuttava telefon nende lähedusse saabus, võrdlevad seda kalendriäpis kokku lepitud kohtumisajaga ja salvestavad automaatselt, kas see tuttav tuli kokkulepitud kohtumisele ja millise hilinemisega. Igaüks saab enda sõprade kohta salvestatud andmete põhjal nende saabumise tõenäosust ja aega ennustada. See aitab üritusi planeerida ja inimese üldist usaldusväärsust hinnata. Kes tihti hilineb, võib ka muid lubadusi harvem pidada – ei tasu ehk talle raha laenata.

Eesti Digiloo põhjal haiguste ennustamine

Masinõppega saaks Digiloo põhjal ennustada patsiendi haigusi, vaadates samade demograafiliste näitajatega inimesi, kel varem oli sarnase algusega haiguslugu Digiloos ja kuidas see haiguslugu jätkus. Sellega ei pea tegelema riigiametnikud ega eestlased – kui anda ligipääs, siis rahvusvahelised teadlased hea meelega uuriksid Digiloo andmeid tasuta ja saaksid endale sellega publikatsioone. Tulemuste põhjal võib rahvatervist ennustada, inimestele hoiatusi ja soovitusi jagada, neid uuringutele kutsuda ja ennetavat ravi määrata.

Andmetele endile ei pea isegi ligipääsu andma – teadlastelt saadud statistikaprogrammi võib lihtsalt andmete peal jooksutada ja ainult tulemused teadlastele väljastada. Ise andmeid nägemata saab neid ometi uurida – selle valdkonna nimi on turvaline mitmepoolne arvutus (secure multiparty computation). Uurimise lihtsustamiseks tuleks avaldada andmete struktuur: kui mitu rida ja veergu, mis formaadis igas reas ja veerus olev info on (tekst, number, kuupäev). Piisab, kui laadida andmed tabelarvutusprogrammi ja kustutada tabelite sisu, jättes vaid ridade ja veergude pealkirjad. Programm peab lahtrite formaadi ise meeles, nii et selle tühjade tabelitega faili põhjal saab uurija andmete formaadi teada.

Kasutaja jaoks on Digilugu praegu üsna ebamugav ja allalaadimisvaenulik. Eraldi peab igal epikriisil klõpsama, ootama, kuni see avaneb, avama veel peidetud väljad klõpsates „Vaata kirjeldust” ja alles siis saab leheküljel laiali olevatest tekstidest ehk midagi välja lugeda. Saatekirjad ja nende vastused on eraldi. Pildimaterjali (röntgeni, ultraheli, silmapildistamise tulemusi) enamik asutusi üles ei laadi. Epikriisid ja saatekirjad on ruudustikku paigutatud, mitte ajalises järjestuses.

Enamiku inimeste kohta on Digiloos nii vähe materjali, et selle võiks kõik ühel lehel ajalises järjestuses tekstina esitada. Lisaks võiks selle teha tabelarvutusprogrammi tabelina allalaaditavaks, mis võimaldaks inimestel ühendada terviseandmed näiteks oma toitumis- ja trennipäevikuga ja nende vahel statistilisi seoseid leida.

Kui mingi kategooria, nt „Teatised” all ühtegi dokumenti pole, siis võiks selle halliks muuta, et kasutaja ei peaks teavet otsides asjatult klõpsima, ootama ja alles siis nägema, et „Päringu tingimustele vastavaid dokumente ei leitud ”.

Sisselogimisel võiks Digilugu avalehe asemel näidata viimaseid lisatud andmeid, näiteks uuringu tulemust. Tõenäoliselt logib kasutaja sisse viimaste andmete vaatamiseks, nii et nende näitamine kohe alguses säästab aega.