Edastuskiri

. Terviseamet Teie: 30.06.2026 Meie: 28.08.2026 nr 1-4.4/26-01380-2 Kantslerite kogu otsus innofondi V vooru projektide kohta Hea ideekavandi esitaja! 24. augustil toimus kantslerite kogu kohtumine, kus hinnati avaliku sektori innofondi V vooru projektide prioriteetsust Vabariigi Valitsuse prioriteetide lõikes. Teie projekti ideekavandit otsustasid kantslerid kahjuks mitte toetada, seega ei liigu see edasi hindamiskomisjonile hindamiseks. Manuses on lisatud kohtumise kokkuvõte. Täname Teid ideekavandi esitamise eest. Kahjuks lähiajal innofondi taotlusvoore senisel kujul ei toimu. Küll aga on avaliku sektori innovatsiooni toetamise jätkumisega arvestatud järgmise Euroopa Liidu eelarveperioodi riigiplaani raames. Lugupidamisega (allkirjastatud digitaalselt) Aivar Hiio Innovatsioonivaldkonna juht Kadi Villers [email protected] Stenbocki maja / Rahukohtu 3 / 15161 Tallinn / Estonia / registrikood 70004809 +372 693 5555 / [email protected] / www.riigikantselei.ee  Kantslerite nõupidamine: avaliku sektori innovatsioonifondi projektide tutvustus Aeg ja koht: kantslerite nõupidamine 24. augustil 2026 kl 15.30-17.00, Riigikantselei, videosild Esitlesid: Aivar Hiio, Kadi Villers, Regina Tagger ja Kairit Viidalepp Kantslerid otsustasid pidada järgmisi innovatsiooniprojekte kõige olulisemateks valitsuse prioriteetidesse panustamise vaates ning toetada järgmiste projektide rahastamist: 1) Riigilaevastik, Riigikantselei ja Kliimaministeerium: Merepesa; 2) Keskkonnaamet: Agentne riik: riiklik keskkonnaseire ja aruandlus; 3) Kaitseministeerium: Kiltsi elektromagnetilise ühilduvuse ja elektroonilise sõjapidamise innovatsioonikeskuse mudeli katsetamine; 4) Keskkonnaministeeriumi infotehnoloogiakeskus 5) , Maa- ja Ruumiamet: Tuleviku ehitamis- ja planeerimiskeskkonna tsentraalse orkestreerimis- ja kvaliteedikontrolli katseprojekt; 6) Transpordiamet: TeeTark TI otsustustugi; 7) Majandus- ja Kommunikatsiooniministeerium: Tarnetõrke eelhoiatus; 8) Maa- ja Ruumiamet, KeMIT: Ruumiandmete süvaõppe andmestiku testimine automaatse Eesti Topograafia Andmekogu uuendajana ja poliitika kujundamist abistava tööriistana; 9) Põllumajanduse Registrite ja Informatsiooni Amet: Täpispinnaseire projekt maa digikaksiku loomiseks; 10) Statistikaamet: TI-valmis andmestikud; 11) Politsei- ja Piirivalveamet: Autonoomne kaabeldrooniga seirerobot idapiirile; 12) Sisekaitseakadeemia: Drooniohu tuvastuse ja otsustustoe rakenduse katsetamine elutähtsa teenuse objektidel (ETO); 13) Tartu Vangla: Autonoomne mobiilne seire- ja reageerimisvõimekuse; 14) Rahvusraamatukogu: AI-põhine raamatukogude vahetuskogu töövoo prototüüp ja ringmajanduslik jaotusmudel; 15) Tallinna Tehnoloogiakolledž: Mehitamata õhusõidukite õhuruumi digikaksik avaliku sektori droonikatsetusteks ja kutseõppeks. Projekte rahastatakse ühtekuuluvuspoliitika fondide rakenduskava aastateks 2021–2027 meetme „Avaliku sektori innovatsioonivõimekuse tõstmine“ vahenditest. Lisatud dokument: 1. Esitlus (slaidid) Koostas Marlen Pruunlep [email protected]  Innofondi V voor 10.08.2026 • Kantslerite koosolek 10. ja 24. august • Hindamiskomisjon 10. september • Partnerluslepingute läbi- september – oktoober rääkimine ja sõlmimine • Projektide käivitamine alates oktoober 2026  V voor numbrites • 30 ideekavandit • Kogueelarve 36 MEUR • Fondi jääk u 10 MEUR • Selle eelarveperioodi viimane voor Mida palume kantsleritel hinnata Kas projekt panustab valitsuse prioriteetidesse ja kas on piisavalt prioriteetne tegevus, et jätkurahastus leitakse (kui seda vaja)? 1) kriisikindluse suurendamine 2) majanduse kasvatamine 3) riigi tõhusam juhtimine KLIM haldusala  Merepesa Riigilaevastik Probleem Katsetuse eesmärk Lahendussuunad ● Merekatsete korraldamine mehitamata ● Määratleda merelise testkeskkonna • Sobilike merealade määratlemine sõidukite arendamiseks ja testimiseks teenused ja kasutuspõhimõtted, arendada • Sobilike alade kasutamise protsessi Läänemerel on ajakulukas ja võimalused on mobiilne testimisplatvorm ning praktikas loomine, mis ei koormaks ettevõtjaid ega ebaselged, millel on negatiivne mõju katsetada määratletud merelised mehitamata sõidukite arendajaid mehitamata sõidukite valdkonna arengule ja testteenused • Mobiilse stardiplatvormi arendamine ja konkurentsivõimele ● Arendada Riigilaevastiku mehitamata testimine viiel missioonil ● Puudub institutsionaalne raamistik, mis sõidukitega seotud võimeid, mida on • Äriliselt motiveeriva väärtuspakkumise ja teeks mehitamata veesõidukite ja võimalik tulevikus kasutada ka riigikaitse toime-mudeli loomine ja valideerimine lennuvahendite arendajatele merekatsealade tegevuste toetamisel turuosalistega kasutamise katsete läbiviimiseks lihtsasti • Õigusruumi kohandamise ettepanekute kättesaadavaks tegemine Projekti elluviijad: Eelarve ja kestus Uuenduslikkus Riigilaevastik • Mobiilse testimisplatvormi loomine merelise Kliimaministeerium, Riigikantselei keskkonna kasutamiseks mehitamata sõidukite Võimalikud lahenduse pakkujad: testimisel ja arendamisel õigusbürood, konsultatsiooniettevõtted, • Regulatiivsed lahendused suurendamaks teaduspargid, meretehnoloogiate, mehita- mehitamata sõidukite arendajate huvi merelise 1 525 000 eurot 26 kuud keskkonna kasutamiseks. mata sõidukite ja seireseadmete arenda- • Uute osapoolte kaasamine ja koostoime loomine jad, ülikoolid ja kompetentsikeskused. riigikaitse tegevustesse merelises ruumis  Agentne riik: riiklik keskkonnaseire ja aruandlus Keskkonnaagentuur Probleem Katsetuse eesmärk Lahendussuunad ● Luua ühtne kaugseiremetoodikate raamistiku ● Riiklik keskkonnaaruandlus on suures osas ● Luua agentse keskkonnaseire ja aruandluse prototüüp, mis katab ühe töövooga LULUCF, käsitöö: aeganõudev, vigadele avatud, ning prototüüp, mis automatiseerib andme- Eurostati, mullaseire ja looduse taastamise asutuste vahel metoodiliselt killustunud töötluse, aruandluse ja metoodikate haldamise vajadused ● Uued ELi kohustused (mullaseire direktiiv, ● Katsetada, kas ühest koostoimelisest kaug- ● Katsetada AI-agentide toimivust kehtivate looduse taastamise määrus, LULUCF Tier 3 seiretöövoost saab tuletada sisendid mitmele metoodikate rakendamisel automaatselt Sentinel- aastaks 2030) nõuavad riiklikule ja ELi aruandluskohustusele korraga 1, Sentinel-2 ja Landsat andmetele kaugseiremetoodikaid, mida Eestis veel ei ole ● Projekt ei loo uut infosüsteemi, vaid proto- ● Katsetada RAG-põhist teadmusbaasi, mis jälgib ● Aruandlusvigadest ja hilinemistest tulenev tüübib riigile strateegilise keskkonnaseire ja ELi juhendite ja õigusaktide muutusi ning uuendab finantsrisk on märkimisväärne: varasemad EL aruandluse võimekuse, mis võimaldab täita EL end automaatselt kliimasanktsioonid on olnud suurusjärgus 100 kohustusi automatiseeritult, usaldusväärselt ja ● Luua interaktiivne juhtimislaua prototüüp, mis miljonit eurot väiksema halduskoormusega tagab kõigi aruannete ja otsuste auditeeritavuse ● Katsetada agendipõhist teenusmudelit, mis annab KAUR-ile, Statistikaametile ja ministeeriumidele Eelarve ja kestus Uuenduslikkus just neile vajalikud tulemused. ● Eesti esimene agentne, AI-l põhinev riiklik seire- ja aruandlussüsteem, mis ühendab Projekti elluviija: kaugseire, generatiivse AI, RAG-teadmus- Keskkonnaagentuur halduse ja seletatava AI (XAI) Võimalikud lahenduse pakkujad: 1 500 000€ 24 kuud auditeerimise MindTitan, Net Group, Nortal, Helmes, ● Sama kaugseireandmestik teenindab KappaZeta, Reach-U, CGI Eesti ja Datel korraga mitut aruandluskohustust  Droonipõhine seiresüsteem prügi automatiseeritud tuvastuseks randades ja merepõhjas Keskkonnaagentuur Probleem Katsetuse eesmärk Lahendussuunad ● Mereline prügi on globaalselt kiiresti kasvav ● Luua ja testida masinnägemisel põhinevat ● Muuta ranniku- ja merekeskkonna ja süsteemne keskkonnaprobleem automatiseeritud platvormi ja töövoogu reostusandmed standardiseeritud kujul masinloetavaks ● Senine rannas ja merepõhjas oleva prügi ● Valideerida kogu andmehõive ja -töötluse tuvastamine on ajamahukas, kulukas ja protsessis vähemalt 50%-line ajavõit ning ● Tehisintellekti mudeli kohandamine ja subjektiivne põhikategooriates 90–95%-lise tuvastus- ja treenimine väiksemõõtmeliste objektide loendustäpsuse saavutamine tuvastamiseks päriselulistes keerukates ● Praegune töökorraldus ei ole skaleeritav ega keskkonnatingimustes. vasta kasvavale vajadusele anda otsustajatele ajakohast ja täpset infot ● Horisontaalne kasutus: nt. õlireostuse varajase avastamise ja riigikaitse toetussüsteemi (nt ründedroonide fragmendid) rakendamine kriisisituatsioonis. Eelarve ja kestus Uuenduslikkus • Tehisnägemise ja autonoomse andmehõive Projekti elluviija: sidumine ühtseks, praktiliselt toimivaks ja Keskkonnaagentuur skaleeritavaks avaliku sektori tööriistaks Võimalikud lahenduse pakkujad: 595 000 eurot 36 kuud • Võimekus tuvastada väiksemõõtmelisi Kohalikud drooni- ja tarkvaraarendusega objekte ka inimsilmale rasketes olukordades tegelevad ettevõtted ja teadusasutused  AI-põhine otsustustugi maavarade kasutuse ja kaevandamismahtude seireks Keskkonnaamet ja Kliimaministeerium Probleem Katsetuse eesmärk Lahendussuunad ● Puudub terviklik ja standardiseeritud ● Töötada välja ja piloteerida reaalses ● Integreeritud digilahendus, mis ühendab andmevoog kaevandamismahtude ning töökeskkonnas TRL 7 tasemel AI-põhise droonimõõdistused, ruumi- ja kaugseire- kaevandatud ja korrastatud maa kohta otsustustoe prototüüp. andmed ● Riiklikud aerokontrolli ülelennud toimusid ● Katsetada, kas ühe droonimõõdistusega ● AI-mudel, mis tuvastab kaevandamise ja viimati 2023. aastal – sõltumatu saab automaatselt määrata korrastamise tunnused ning arvutab kontrollivõimekus puudub kaevandamismahud ning kaevandatud ja mahud automaatselt ● Markšeiderimõõdistused on ettevõtjatele korrastatud maa. ● Standardiseeritud andmemudel ja kulukad: u 278 objekti ja ligikaudu 695 000 ● Mõõdikud: 5–6 pilootala, mahuarvutuse eeltäidetud aruandlus ettevõtjatele eurot aastas täpsus ±5%, aruandluse ajakulu ● Automaatne andmevahetus ettevõtjate, ● Käsitsi andmetöötlus suurendab haldus- vähenemine, kasutajate hinnang Keskkonnaameti, Statistikaameti ja EGT koormust ning vähendab andmete lahenduse rakendatavusele ning vahel kvaliteeti ja võrreldavust valminud skaleerimiskava. ● Piloteerimine kaevandamisaladel ja tulemuste võrdlus markšeideri- Eelarve ja kestus Uuenduslikkus mõõdistustega ● Droonimõõdistus, AI ja standardiseeritud Projekti elluviijad: andmemudel ühtse töövoona Keskkonnaamet, Kliimaministeerium ● Üks andmekogumine annab sisendi aruandlusele, statistikale ja järelevalvele Võimalikud lahenduse pakkujad: IT-arendajad (Nortal, Helmes, Cybernetica), GIS- 1 465 000 eurot 24 kuud ● Killustatud käsitöö asendub automaatse ettevõtted (Datel, Regio), drooniteenuste andmepõhise otsustustoega pakkujad, teadusasutused (TalTech, TÜ, STACC)  Pika lennuajaga VTOL-droonidel ja tehisintellektil põhinev keskkonnaseire ja -järelevalve automatiseerimise platvorm Keskkonnaamet ja Keskkonnaagentuur Probleem Katsetuse eesmärk Lahendussuunad ● Eestis puudub terviklik võimekus ● Prototüübi loomine ja piloteerimine: ● Arendada VTOL-droonide ja sensorite keskkonna- ja eluslooduse seisundi Asutusteülene VTOL-droonidel, kaugseirel ja (multispektraalkaamera, LiDAR, radar) ressursisäästlikuks kaugseire jälgimiseks, tehisintellektil põhinev keskkonnaseire ning integratsiooni, et tagada võimalikult kiireks andmeanalüüsiks ning -järelevalve lahendus. laiapõhjaline andmete kasutus keskkonnamuutustele ja -rikkumistele ● Andmepõhise töövoo arendamine ja ● Luua tehisintellektil põhinev andmetöötluse operatiivselt reageerimiseks testimine: ja analüüsi raamistik, mis võimaldab ● Droonidega kogutavate andmete alakasutus Ühtne süsteem automatiseeritud andmete automati-seeritud seiret, objektituvastust ja erinevate töölõikude ja asutuste vahel töötlemiseks, analüüsiks ja jagamisteks olukorra-teadlikkuse tõusu ● Tõrked rahvusvaheliste kohustuste täitmisel ● Tõhususe ja kvaliteedi parandamine: ● Kujundada asutusteülene töövoog ja ja riiklike otsuste jaoks vajalike alusandmete Suurendada seireandmete täpsust ja koostöö-platvorm, mis ühendab andmevood kättesaamisel reaalajas andmete osakaalu otsuste ning muudab seireprotsessid kiiremaks tegemiseks kuluefektiivsemaks ja taaskasutatavaks Eelarve ja kestus Uuenduslikkus Projekti elluviijad: ● Riiklikul tasandil uue põlvkonna Keskkonnaamet ja keskkonna-seire ja -järelevalve Keskkonnaagentuur terviklahendus Võimalikud lahenduse pakkujad: ● Kogutud andmete ristkasutus. VTOL-droonidel on pakkujaid nii Eestist kui 1 326 000 eurot 24 kuud ● Automatiseeritud andmeanalüüs Euroopast, nt Threod Systems, DeltaQuard, ● Operatiivse otsustoe süsteem C-Astral. Tarkvaralahendusi pakuvad nt iSenses OÜ, E-ston.AI, FlyPix AI  Keskkonnaotsused 2.0: AI-toega teejuht taotlejale Kliimaministeerium Probleem Katsetuse eesmärk Lahendussuunad ● Loa taotlemine on liiga keeruline ja ajamahukas Katsetada AI-abimeest, mis aitab vähendada AI-abimehe prototüüp, mis juhendab taotlejat ● Taotlejal on keeruline aru saada, kas ja millist puudustega taotlusi 90% ja kiirendada 2x samm-sammult, tugineb kontrollitud allikatele ja luba tegevus vajab, kas võib tekkida keskkonna- lubade menetlusesse võtmise aega: aitab koondada konkreetse juhtumi jaoks mõju (eel)hindamise vajadus ning millist ● AI-abimees aitab taotlejal kiirelt aru saada, vajalikku infot: teavet tuleb taotluses esitada millist luba või keskkonnamõju hindamise • Kasutab õigusakte, juhendeid, KOTKAS-e infot ● 2025. aastal oli ~ 1300 keskkonnakaitseloa sammu võib vaja olla jms menetlust ● AI-abimees aitab taotlejal koheselt koostada • Aitab kokku tuua taotluse jaoks vajalikud o Umbes pooled taotlused sisaldasid kvaliteetse taotluse andmed eri registritest ja kaartidelt puudusi ja saadeti täiendamiseks tagasi • Juhib tähelepanu puudustele ja küsib taotlejalt o Keskkonnaloa taotluse esmase kontrolli täpsustavaid küsimusi mediaanaeg oli 28 päeva Uuenduslikkus Projekti elluviijad: Eelarve ja kestus ● AI-abimees ei ole juturobot, vaid teejuht Kliimaministeerium, ● Taotleja terviklik töövoog: ei piirdu üksiku Keskkonnaamet, KEMIT küsimuse-vastuse funktsiooniga, vaid toetab Võimalikud lahenduse pakkujad: taotlejat järjestikuste sammude kaudu AI- ja tarkvaraarendajad koos andme- ● Juhtumipõhine andmekoondaja: milliseid halduse ja ruumiandmete ning kesk- andmeid vaja, millise õigusliku alusega konnakaitselubade ja keskkonamõjude 2 050 000 eurot 24 kuud kasutada, kuidas eri allikate andmeid hindamise ekspertidega seostada  Tuleviku ehitamis- ja planeerimiskeskkonna tsentraalse orkestreerimis- ja kvaliteedikontrolli katseprojekt Keskkonnaministeeriumi Infotehnoloogiakeskus Probleem Katsetuse eesmärk Lahendussuunad ● Riiklikud IT-arendus- ja hooldusprotsessid ● Valideerida hüpoteesi, et AI rakendamisel ● Keskne AI-orkestraator: luuakse AI-l põhinev võtavad liiga palju aega – klient ootab väga tarkvaraarenduses on võimalik ühine juhtimiskiht, mis juhib spetsialisee- kaua muudatuste elluviimist vähendada infosüsteemi arendus- ja ritud AI-agentide tööd (eraldi agendid koodi infosüsteemis hoolduskulusid minimaalselt 30 % arendamiseks, käitamiseks, kasutajatoeks ja ● Tüüpiline probleem kõikide riigi suurte IT- ● Katsetada süsteemi, mis võimaldab e- reeglite kontrolliks). See kiht analüüsib arendustega (projektis näitena e-ehituse ehituse platvormil iseennast AI abil edasi automaatselt muudatuste mõju kogu platvorm) arendada ja automaatselt parandada (sh platvormile ja lubab tegevusi reaalajas. ● Kasutajate madal rahuolu e-ehituse kasutajate tehnilised probleemid) ● Nutikas monitooring reaalajas: AI-lahendus, platvormiga. Suured IT-süsteemid ● Vähendada süsteemivigu ca 50% ning mis tuvastab kasutajate sisulised tõrked muutuvad tehniliselt väga keerukaks ning süsteemis automaatselt, süsteem kiirendada uuenduste ja muudatuste genereerib ise struktu-reeritud nende haldamine nõuab palju jõudmist keskkonda – sellest tulenevalt paranduspileti koos lahendusette-panekuga inimressurssi. Vigade leidmine ja lõppkasutajate rahulolu kasv ilma kasutaja sekkumiseta parandamine on ajamahukas. Uuenduslikkus Eelarve ja kestus Projekti elluviijad: ● AI-referentsarhitektuur ja uut tüüpi KEMIT, Maa- ja Ruumiamet tarkvara hankimise ning loomise metoodika, mida saavad kasutada teised Võimalikud lahenduse pakkujad: projektid ja IT-majad Erasektori ettevõtted, kelle on sarnane Senise klienditoe korralduse muutus – kompetents (nt Nortal), pilveteenuste 823 000 eurot 19 kuud ● proaktiivne vigade parandamine osutajad (nt AWS, Azure)  HORNET - Eesti madalmere mõõdistamine droon- lidar lahendusega ning tehisaru andmetöötlus Transpordiamet Probleem Katsetuse eesmärk Lahendussuunad ● Eesti madalmereala, eriti alla 3 m sügavused ● Katsetada Eesti oludesse sobivat ● Ettevalmistus: AI-mudeli loogika kavandamine, ranniku- ja saarteäärsed piirkonnad, on droonipõhist batümeetrilise LiDAR- andmehalduse põhimõtete määratlemine, tavapäraste laevapõhiste mõõdistuse ja AI-põhise punktipilve analüüsi katsealade valik mõõdistusmeetoditega aeglaselt, kulukalt ja töövoogu, mis ühendab uued LiDAR ● Droon-LiDAR mõõdistuste läbiviimine sageli ebapiisava ohutusega kaardistatavad seadmega kogutud andmed Transpordiameti ● Mõõdistusandmete töötlemine ja ● Hinnanguliselt on Eestis ligikaudu 2 500 km² sonariarhiiviga ning võimaldab automaatselt sonariarhiiviga sidumine madalmereala, mille mõõdistamine on tuvastada veealuseid objekte ja anomaaliaid, ● AI-mudeli arendamine ja treenimine keeruline, ebaefektiivne või teostamatu sh kive, vrakke ja konstruktsioone ● Veealuste objektide automaattuvastuse ● Olemasolevate sonar- ja punktipilveandmete katsetamine. käsitsi analüüs on väga töömahukas ● Kasutuselevõtu ja edasise rakendamise ette- paneku koostamine Eelarve ja kestus Uuenduslikkus Projekti elluviija: Transpordiamet ● Droonipõhise batümeetrilise LiDARi kasutusele-võtt madalate ja raskesti Võimalikud lahenduse pakkujad: ligipääsetavate piir-kondade mõõdistamiseks Eesti või rahvusvahelised pakkujad ning ● Sonariarhiivi andmete integreerimine uude konsortsiumipartnerid, nt Reach-U, Datel, 1 140 000 eurot 26 kuud hüdrograafilisse töövoogu AlphaGIS, Regio, Hepta Airborne/Hepta ● AI-põhine andmeanalüüs mõõdistustulemuste Insights, Cybernetica, Quantum Horizon, töötlemiseks Srini, Nortal  TeeTark TI otsustustugi Transpordiamet Probleem Katsetuse eesmärk Lahendussuunad ● Testida, kas tehisintellektil põhinev ● Andmete ühendamine ühtseks ● Transpordiamet haldab 5 miljardi euro otsustustugi võimaldab: teadmuskihiks väärtuses teevara ning massiivset ● kasutada Transpordiameti andmeid ● TI-põhine loomuliku keele otsustustugi teeandmestikku, kuid need andmed terviklikult; ● Kontrollitavad ja põhjendatud soovitused paiknevad killustatult eri süsteemides ● Saada vähemalt tänase parima ● Teevara, hoolduse ja kriisiriskide ennustav ● Andmepõhiste investeeringu-, hooldus- ja kvaliteeditasemega teehoiu-, analüüs kriisiotsuste kvaliteet ning kiirus saaks olla investeeringu-, hooldus- ja ● Pilootlahenduse testimine ja mõju oluliselt parem kriisiotsused, vähendades analüüsi tõendamine ● Vaja on muuta andmed ühtseks ja töö- ja ajakulu vähemalt 75% praktiliseks otsustustoeks Projekti elluviija: Eelarve ja kestus Uuenduslikkus Transpordiamet ● Katsetatakse mitte mõnd kitsast TI funktsiooni, vaid ühendatakse eri Võimalikud lahenduse pakkujad: andmeallikad, normid, projektid, AI ja andmeanalüütika: STACC, Positium, MindTitan, Texta seisukorra-, hooldus-, liiklus- ja GIS ja taristuseire: Reach-U/EyeVi, Datel 1 200 000 eurot 24 kuud teeilmaandmed üheks loomulikus keeles Avaliku sektori IT-lahendused: Nortal, Helmes, kasutatavaks otsustustoeks Net Group MKM haldusala  Tarnetõrke eelhoiatus Majandus- ja Kommunikatsiooniministeerium Probleem Katsetuse eesmärk Lahendussuunad ● Varud üksi ei taga varustuskindlust, vaja on ● Luua AI-põhine varustuskindluse ● Kasutusjuhtude portfelli kujundamine (toit, varajast olukorratõlgendust, et teha eelhoiatuse prototüüp ja testida seda EVK esmatarbekaubad, ravimid, kütus), paremaid otsuseid tööprotsessides andmete ja nende kasutamise turvanõuete ● Riigil puudub tööriist, mis tõlgendaks ● Ühendada olemasolevad andmed ja välis- kaardistamine ja määratlemine erinevate väliste sündmuste, tarneahela ja signaalid ning koostada neist selgitatav ja ● Testkeskkonna ehk „liivakasti“ tingimuste turu signaale piisavalt varases faasis ajas arenev riskisignaal ja nõuete kujundamine ja hankimine ● Otsused tuginevad killustatud andmetele ja ● Kontrollida, millistes kaasustes tekib suurim ● Mudelite katsetamine ja valideerimine käsitööle ning ei taga varustuskindlust praktiline lisaväärtus (TRL7 tasemeni) parimal viisil - „tagantjärele tarkus“ ● Jätkuvalt volatiilne julgeolekukeskkond ja IMERA määruse rakendamine kasvatavad ootust kriitiliste kaupade tarneahelate Uuenduslikkus Projekti elluviijad: seirele MKM (partner ja hankija) Eelarve ja kestus ● Tagantjärele aruandlusest liigutakse Eesti Varude Keskus (EVK) (sisuline varajase hoiatuse töövahendini, mis oskab tooteomanik), REM, SOM, KLIM, Ravimiamet, luua seoseid välissignaalide, turuandmete Terviseamet, Maksu- ja Tolliamet, jm kihtide vahel Statistikaamet ● Dünaamiliselt uuenev AI-põhine tarnetõrke Võimalikud lahenduse pakkujad: eelhoiatuse mudel, mis loob uusi seoseid ja MindTitan, STACC, Texta, Helmes, Nortal, 1 140 000 mln eurot 24 kuud hindab riski ümber iga uue andmekihi Trinidad Wiseman. TalTech ja TÜ teaduspartneritena lisandumisel  E-ehituse eelkonsultatsiooni moodul Maa- ja Ruumiamet Probleem Katsetuse eesmärk Lahendussuunad Ehituslubade taotlemise protsess on ebamugav, • Arendada ja valideerida AI-põhine e-ehituse Katsetatakse kahte põhimõtteliselt erinevat viisi ennustamatu, läbipaistmatu: eelkonsultatsiooni tööriista prototüüp, mille eesmärk taotleja juhtimiseks: on abistada ehitusloa taotlejat ideest ehitusloa ● AI-põhine kasutajaliides, kus kogu suhtlus ● Loataotlejal on raske aru saada, millised nõuded tema ehitustegevusele kohalduvad ja taotluse esitamiseni: toimub dialoogiaknas. Kasutaja kirjeldab oma • disainitakse ümber taotluse esitamiseni soovi loomulikus keeles ja vastab kas ehitusvajadus tingib planeerimismenetluse jõudmise loogika, lisades teekonna algusesse vajaduse täpsustavatele küsimustele; eelkonsultatsioon taotleja juhtumipõhiseks ● AI-põhine juhtloogika, kus kasutaja liigub ● KOVi jõuavad puudulikud taotlused, mille abistamiseks (millised nõuded, protsessid ja menetlemise aeg kulub sisulise hindamise visuaalses keskkonnas, valib kaardilt asukoha dokumendid talle kohalduvad) asemel vormivigadega tegelemisele ja vastab samm-sammult valikutele ning AI • menetlejani jõuab kvaliteetsem taotlus ● Tulemuseks on menetluste venimine, osapoolte otsustab taustal, mida järgmisena näidata. ● Eesmärk on menetlusringide ja vormiliste märkuste frustratsioon ning erinevused KOVide praktikas vähenemine, taotleja ja menetleja rahulolu tõus ja Testimise järel valitakse koostöös taotlejatega menetluse ajakulu vähenemine. teda paremini toetav lahendus ja arendatakse e- Aastas väljastatakse umbes 10 000 ehitusluba. ehituse testkeskkonnas toimivaks prototüübiks Uuenduslikkus (TRL 7) Eelarve ja kestus Maailmas puudub eeskuju, mis ühendaks neli funktsionaalsust ühte aknasse: (1) AI-põhise õigusaktidest nõuete tuletamise; Projekti elluviijad: (2) integratsiooni riiklikku ehitisregistrisse, mitte eraldi Maa- ja Ruumiamet, Kliimaministeerium, portaali; KEMIT (3) planeeringu- ja piiranguandmed; (4) kättesaadavuse esmase idee puhul ilma jooniste jm Võimalikud lahenduse pakkujad: 611 000 eurot 22 kuud AI- ja tarkvaraarendajad dokumentideta, kasutades isikuga seotud andmeid sisselogimise korral.  Menetlustes loodud pärandvara lugeja Maa- ja Ruumiamet Probleem Katsetuse eesmärk Lahendussuunad ● Riigi ja KOV-ide oluline ruumi- ja ehitusinfo on ● Katsetada AI-toega pärandvara lugejat, mis • „Failiavaja“ ja GraphRAG teadmusbaas: eri lukustatud erinevatesse failidesse (seletuskirjad, muudab vanad failid kasutatavaks otsustus- formaadis failid registrites loetakse loodava AI- joonised, mudelid, tabelid, menetlusdokumendid) teadmuseks ning teha need kättesaadavaks AI- lahenduse abil läbi ja muudetakse ühtseks ● MaRu vaates puudutab see ca 15 000 assistentidele (nii riigi kui KOV omad) indekseeritud andmestikuks, kus info on JSON- detailplaneeringut ja ca 69 miljonit EHR faili, mille ● Tõendada, kas AI suudab leida olulised andmed, kujul, seostatud ning algallikani jälgitav ja sisu ei ole masinloetavalt otsitav ega analüüsitav tingimused ja vastuolud eri allikate vahel, eristada kasutatav AI-assistentide poolt ● Tallinna näitel tuleb planeeringu- ja ehitusloa kehtivaid andmeid kehtetutest • MaRu ja Tallinna AI-assistendid: MaRu assistent menetlustes ning tellija vaates ehitusprojektide ● Hinnata ajasäästu ja kasutatavust planeerimises, toetab riiklikke planeeringu- ja loamenetlus- kontrollis infot käsitsi eri failide ja registrite vahel menetlustes ja ehitusdokumentatsiooni kontrollis päringuid, Tallinna assistent menetluste ja võrrelda ● Testida, kas oleks võimalik andmeid AI abil saada ehitusprojektide dokumentatsiooni kontrolli. ● Tulemuseks on ajakulu, andmevead ja hilja kätte sellise kvaliteediga, et neid saaks Mõlemad töötavad sama keskse baasi peal. ilmnevad vastuolud, mis aeglustavad menetlusi ja teenustesse struktureeritud kujul masinloetavana • 3D, BIM ja digikaksiku võimekus: võrreldakse ehituse dokumentatsiooni kvaliteedikontrolli salvestada projekti- ja üleandmisdokumente BIM-infoga, et tuvastada vastuolud enne, kui vigased andmed liiguvad digikaksikusse või menetlustesse Eelarve ja kestus Uuenduslikkus ● Kogu failides olev info, mille leidmine on täna Projekti elluviijad: aeganõudev käsitöö, on ühe küsimuse kaugusel MaRu ● AI seob kokku dokumendi-, joonise-, mudeli- ja KEMIT, Tallinna linn registriandmed ● Iga AI vastus on kontrollitav ja viib algallikateni Võimalikud lahenduse pakkujad: 1 024 000 eurot 18 kuud ● Riik saab varasemates ja käimasolevates TEXTA, STACC, MindTitan menetlustes loodud infot uuesti kasutada  Ruumiandmete süvaõppe andmestiku testimine automaatse Eesti Topograafia Andmekogu uuendajana ja poliitika kujundamist abistava tööriistana Maa- ja Ruumiamet, Keskkonnaministeeriumi Infotehnoloogiakeskus Probleem Katsetuse eesmärk Lahendussuunad ● Riiklike ruumiandmete ajakohastamist ● Välja selgitada, kas AI-l põhinev • Ruumiandmete automaatne uuendamine AI abil – luuakse automaatne muutuste tehakse täna suuresti käsitsi (u 50 000 süvaõppelahendus võimaldab riiklike tuvastamise töövoog ETAK-i uuendamiseks, töötundi aastas), mis on aeglane ja ruumiandmete uuendamist vähemalt osaliselt mille käigus AI tuvastab maastikul toimunud ressursimahukas protsess automatiseerida ning muuta ruumiandmed muutused ning koostab ettepanekud ETAK-i ● Täna ei jõua andmed piisavalt kiiresti otsustajatele, ametnikele ja teadlastele andmete ajakohastamiseks. Spetsialistid muutunud tegelikkust peegeldada lihtsamini kasutatavaks valideerivad ka kinnitavad. ● Oluline ruumiinfo jääb sageli otsuste ● Testida, kui täpselt suudab mudel tuvastada • AI-assistent ruumiandmete kasutamiseks – tegemisel kasutamata, kuna muutusi ruumis, kui usaldusväärselt vastab AI- luuakse AI-l põhinev assistent, mis võimaldab ruumiandmete kasutamine on keeruliste assistent ruumiandmetega seotud päringutele esitada ruumiandmete kohta küsimusi infosüsteemide ja eriteadmiste vajaduse ning millist tööaja- ja ressursisäästu on loomulikus keeles ning saada kiiresti analüüse tõttu otsustajatele, ametnikele ning võimalik saavutada, võrreldes tänase suuresti ja vastuseid ilma GIS-i eriteadmisteta. See teadlastele raskendatud käsitsi toimiva protsessiga laiendab oluliselt ruumiandmete kättesaadavust. Eelarve ja kestus Uuenduslikkus Projekti elluviijad: ● Esmakordselt ühendatakse ruumiandmete Maa- ja Ruumiamet (kasusaaja) automaatne uuendamine ja tehisintellektil KEMIT (hankija, arenduse vastuvõtja, majutus- põhinev loomulikus keeles päringute platvormi pakkuja) tegemine ühtseks lahenduseks 967 000 eurot 21 kuud Võimalikud lahenduse pakkujad: CGI Eesti, Datel, Mindtitan, Solita, STACC REM haldusala  Täpispinnaseire projekt maa digikaksiku loomiseks Põllumajanduse Registrite ja Informatsiooni Amet (PRIA) Probleem Katsetuse eesmärk Lahendussuunad Katsetada ja piloteerida uusi • Luuakse AI-agentne raamistik ja maa ● Toetuste õiguspärane maksmine vajab ● digikaksik: ajas muutuv andmestik täpset ja ajakohast ülevaadet toetus- tehnoloogilisi võimalusi markeripõhises täpisseires tegelikust maakasutusest õiguslikust maast Testida, kui palju senisest kiiremini, • Lahendus ühendab satelliidi-, ortofoto-, ● Seiremaht on tohutu: ~1 mln ha s.o ca 200 ● täpsemalt ning väiksema ressursikuluga drooni-/lennuki- ja sensorandmeid eri 000 põldu/niitu, mida igal aastal on vaja õnnestub füüsilises ruumis toimuvaid kvaliteedis, täpsuses ja ajasageduses seirega 100% kontrollida ● Praegune kontroll on käsitöömahukas ja muutusi tuvastada ja hinnata • Lahendus tuvastab maakasutuse, kultuurid ebatäpne (eeldatav kokkuhoid PRIA ● Testida mudelite korrektsust ja usaldus- ja piirid, jälgib muutusi (niitmine/ kündmine/ tööjõult 350 000 eur/aastas) väärsust tegeliku maakasutuse vastu tekkinud kahjustused) ning hindab vea- ● Riskiks on EL raha mittesihipärane määra kasutus ja finantskorrektsioonid • Piloteerimine põllumajanduses, kuid skaleerimispotentsiaal ka mujal (koostöö Eelarve ja kestus Uuenduslikkus MaRu-ga juba käimas) • Multiallikaline, allikasõltumatu AI-seire - Projekti elluviijad: mitte ühe andmeallika või markeri PRIA parendus MaRu, Kaitsejõud, Tartu Ülikool Võimalikud lahenduse pakkujad: 1 200 000 eurot 18 kuud Airbus Defence & Space, Planet Labs, ICEYE Eestis: KappaZeta OÜ, CGI Eesti OÜ ja Tartu Ülikool  AI-põhise veterinaarse kontrolli ja loomade heaolu seiresüsteemi arendamine tapamajades Põllumajandus- ja Toiduamet Probleem Katsetuse eesmärk Lahendussuunad • Katsetada AI-põhise visuaalse kontrolli võimekust • Eelistatud lahendussuund on süvaõppel põhinev ● Veterinaarne tapajärgne kontroll on töö- masinnägemise süsteem, mida vajadusel broilerite ja sigade rümpade saastatuse, mahukas, sõltub visuaalsest hindamisest patoloogiate ning loomade heaolu näitajate täiendatakse hübriidkomponentidega (nt reegli- ning selle kvaliteet võib varieeruda automaatsel tuvastamisel reaalses tapamajas põhine eelklassifitseerimine). Põhjendused: ● Veterinaararstide nappus ja suurenev töö- • Hinnata AI-lahenduse täpsust ja töökindlust, • võimaldab tuvastada keerukaid ja varieeru- vaid patoloogiaid; koormus ohustavad järelevalve tõhusust võrreldes ametliku veterinaarkontrolli tulemustega ning mõõta kõrvalekallete avastamise tundlikkust, • sobib reaalsetesse tapamaja tingimustesse; ja jätkusuutlikkust • toetab pikaajalist skaleeritavust ja mudelite spetsiifilisust ja ajakulu ● Kontrolli käigus kogutavat infot ei saa täiustamist; • Katsetada andmete automaatset edastamist PTA kasutada süsteemselt riskipõhiseks järelevalvesüsteemi ning hinnata, kuidas AI abil • võimaldab luua farmipõhise andmepõhise järelevalveks, loomade heaolu hindami- kogutud struktureeritud andmed toetavad riski- süsteemi, mitte ainult ühe liini lahendust. seks ega farmidele tagasiside andmiseks põhist järelevalvet, loomade heaolu hindamist ja • Alternatiivsed lahendussuunad: farmipõhist tagasiside andmist • Klassikaline pilditöötlusel ja eeldefineeritud reeglitel põhinev süsteem (nt värvuse, kontrasti ja kuju analüüs) Eelarve ja kestus Uuenduslikkus • Kombinatsioon reeglipõhisest eelfiltreerimi- sest ja AI-põhisest lõppklassifikatsioonist • AI-l põhineva masinnägemise rakenda- mine veterinaarse järelevalve protsessis, Projekti elluviija: et muuta tapamajas visuaalne kontroll Põllumajandus- ja Toiduamet andmepõhiseks reaalajas otsustustoeks Võimalikud lahenduse pakkujad: 1 000 000 eurot 36 kuud • Uue toimemudeli katsetamine, mis Tehisintellekti ja masinnägemise ühendab toiduohutuse, loomade heaolu ja arenduspartner(id), IT ja integratsioonipartner(id), andmekaitse ekspert andmeanalüüsi ühtseks süsteemiks RAM haldusala  AI-agentide põhine otsustustugi Maksu- ja Tolliamet Probleem Katsetuse eesmärk Lahendussuunad ● Kasvavad andmemahud, rohkem osapooli ● Hinnata, kas selgitataval tehisintellektil • Eelistatud suund: selgitataval tehis- ja piiriülesed seosed muudavad olulise (XAI) põhinev otsustustugi parandab intellektil põhinev otsustustugi, mis ei teabe kiire leidmise ja seoste mõistmise keerukate juhtumite analüüsi kvaliteeti ja asenda inimese otsuseid, vaid toetab neid. üha keerukamaks säilitab organisatsioonilist teadmust • Teadmiste kogumine, dokumentide ● Oluline osa teadmusest põhineb töötajate ● Sihttasemed: teabe leidmise aeg −50%, analüüs ja alternatiivsete hüpoteeside kogemusel ja võib kogenud töötajate analüüsi aeg −30%, seoste tuvastamine võrdlemine lahkumisel kaduda −70%, jälgitavus ja auditeeritavus • Põhjenduskäigu dokumenteerimine ning ● Ajasurve tõttu jäävad alternatiivsed vähemalt 90%. seoste tuvastamine ja visualiseerimine hüpoteesid sageli süstemaatiliselt • Prototüübi väljatöötamine turvalises ja hindamata kontrollitud keskkonnas • Katsetamine valitud kasutusjuhtumitega Eelarve ja kestus Uuenduslikkus Projekti elluviija: ● Selgitatav tehisintellekt (XAI) kõrgendatud Maksu- ja Tolliamet usaldusväärsuse nõuetega tööprotsessides ● Ühendab teadmiste säilitamise, hüpoteeside kontrollimise, põhjenduskäigu jälgitavuse ja Võimalikud lahenduse pakkujad: inimjärelevalve Nortal, Helmes, CGI Eesti, Net Group, 1 471 000 eurot 24 kuud Ei genereeri üksnes vastuseid, vaid seob järeldused ● MindTitan, STACC jt tehisintellekti- ja tõenditega ja dokumenteerib analüüsikäigu tarkvaraarenduse ettevõtted  Tollikontrolli AI-põhine pildianalüüsi platvorm Maksu- ja Tolliamet Probleem Katsetuse eesmärk Lahendussuunad ● MTA kuus röntgenseadet toodavad aastas ● Valideerida röntgenipiltide tsentraalse ● Kaks peamist katsetuse suunda: hajutatud kuni 60 000 pilti, mida analüüsitakse halduse ja AI-l põhineva analüüsi lahendus (edge) AI-lahendus ja tsentraalne keskse täielikult käsitsi ja kohapeal 2–3 röntgenseadmega reaalses tehisintellekti mudeli lahendus ● Tsentraalne pildipank puudub: pildid töökeskkonnas ● Hajutatud suund: esmane pilditöötlus ja paiknevad lokaalselt masinates, mis ● Sihttasemed: analüüsi aja vähenemine eelanalüüs röntgenseadmete lähedal, takistab teadmiste süsteemset kogumist, vähemalt 15%, vähemalt 10 000–15 000 reaalajas otsustustugi kohapeal jagamist ja tehisintellekti rakendamist pildi kogumine ja analüüs, parem ● Tsentraalne suund: pildid koondatakse ● Kasvav töökoormus ja ajasurve riskimustrite ja anomaaliate tuvastamine keskselt, ühtne mudel tagab ühtlase suurendavad avastamata rikkumiste riski ● Luua toimiv tsentraalne pildipank koos kvaliteedi ja lihtsama halduse ning pikendavad kontrolliaegu ja ooteaegu kaug-analüüsi ja teadmiste jagamise ● Mõlemad loovad tsentraalse pildipanga ja piiril, mõjutades kaubavoogusid ja võimekusega ning hinnata lahenduse rakendavad AI-analüüsi, säilitades maksulaekumist tehnilist toimivust ja skaleeritavust inimjärelevalve Eelarve ja kestus Uuenduslikkus Projekti elluviija: ● Esmakordne ühtne AI-võimekusega Maksu – ja Tolliamet röntgenipiltide andmebaas Eesti tollikontrollis Võimalikud lahenduse pakkujad: ● Kauganalüüs muudab töö asukohast 1 300 000 eurot 18 kuud Leidos (Mezzo platvorm) ja Armgate sõltumatuks (BAXE2 lahendus) ● Lahendus on skaleeritav ja rahvusvaheliselt liidestatav  TI-valmis andmestikud Statistikaamet Probleem Katsetuse eesmärk Lahendussuunad ● TI töötleb hästi teksti, kuid ei mõista ilma lisa- ● Luua ja katsetada Statistikaameti andmetel ● Koondada andmete kirjeldused, metoodikad ja kontekstita usaldusväärselt tabeleid, statistilisi teadmuskihi prototüüp ehk omavahel seotud muu dokumentatsioon TI jaoks hallatavaks ja näitajaid ega registriandmeid andmete ja neid selgitava info tervik kontrollitavaks allikabaasiks ● Andmed, nende kirjeldused, mõisted ja metoodika ● Katsetada, kas lahendus parandab andmete ● Siduda andmestikud, mõisted ja klassifikaatorid paiknevad eri süsteemides ega ole masinloetavalt leitavust, mõistetavust ja taaskasutust omavahel seotud teadmiste võrgustikuks ehk seotud, mistõttu on õigete andmete leidmine ja ● Töötada välja toimemudel ehk tehniline teadmusgraafiks tõlgendamine ajamahukas ja keeruline nii lahendus, rollid, vastutus ja tööprotsessid, ● Katsetada andmete leidmiseks TI-toega otsingut, inimestele kui TI-lahendustele mille alusel saab teadmuskihi kasutusele mis vastab loomulikus keeles ning viitab kasutatud ● Ilma tähendust ja konteksti siduva semantilise võtta kogu avalikus sektoris andmetele ja metoodikale kihita ei saa TI-lahendused ega AI-agendid ● Automatiseerida osaliselt metaandmete loomist ja andmeid usaldusväärselt kasutada. Nii jäävad ajakohastamist andmed alakasutatuks ning suureneb eksitavate vastuste ja dubleeriva kogumise risk. Eelarve ja kestus Uuenduslikkus Projekti elluviija: ● Ühendame tervikuks kaks seni eraldi arenenud Statistikaamet suunda: tehisintellekti tehnoloogiad ja standardipõhise andmehalduse ● Loome valdkondadeülese teadmuskihi, mis Võimalikud lahenduse pakkujad: ühendab eri valdkondade andmed, mõisted ja Ülikoolid, Cybernetica, STACC, 1 076 400 eurot 18 kuud metoodika. Senised katsetused on enamasti MindTitan, CGI, Texta, rahvusvahelised piirdunud ühe valdkonnaga. ettevõtted KAM haldusala  Kiltsi elektroonilise sõjapidamise innovatsioonikeskus Kaitseministeerium Probleem Katsetuse eesmärk Lahendussuunad ● Eestis puudub realistlik ja kontrollitud ● Välja töötada ning valideerida kontrollitud ● Avatud ja paindliku kasutusmudeliga testkeskkond, kus saaks katsetada elektromagnetiliste häiretega innovatsioonikeskuse loomine elektroonilise sõjapidamise ning mehitamata süsteemide katse- ja ● Nõuetele vastava välitestala ning EMC/EW droonitehnoloogiate toimimist tegelikele valideerimiskeskkonna kontseptsioon mõjuala rajamine kasutustingimustele sarnanevas keskkonnas ● Katseprojekti käigus loodavad tulemused ● Testimist toetava õigusliku ja menetlusliku ● Olemasolevad testimisvõimalused on panustavad „Eesti mehitamata sõidukite raamistiku kujundamine ja/või killustunud ja raskesti kättesaadavad avaliku sektori arengu lähtealustes ja teekaardis olemasoleva raamistiku täiendamine sektori asutustele, teadusasutustele ja 2026-2030“ seatud eesmärkide ettevõtjatele elluviimisesse ● Valdkonna arendamine toimub eri sektorites eraldiseisvalt. Seotud asutuste vahel puudub Projekti elluviijad: terviklik koostöö- ja tegevusraamistik. Kaitseministeerium Uuenduslikkus Kaitseliit, Kaitseväe Akadeemia, Kaitseväe Tulevikuvõime ja Eelarve ja kestus ● Kontrollitud elektromagnetilise häiringu Innovatsiooni Väejuhatus, Eesti mõjuala sisaldava välitestala ja tervikliku Lennuakadeemia, RKIK, TTJA katse- ning valideerimismudeli loomine, mis võimaldab hinnata mehitamata Võimalikud lahenduse pakkujad: 2 321 500 eurot 24 kuud süsteemide töökindlust õiguspäraselt, Droonivaldkonda arendavad ohutult ja mõõdetavalt riigiasutused ja ettevõtted  AI mudelite treeningkeskkond SA CR14 Probleem Katsetuse eesmärk Lahendussuunad ● Kaitsevaldkonnas puudub valideeritud AI ● Valideerida AI kasutamiseks vajalik ● Tsentraalne GPU-põhine AI- hindamis- ja kasutusmudel kõrge tehniline keskkond ja toimemudel treeningkeskkond turvanõudlusega keskkondades ● Hinnata erinevate AI arhitektuuride ● Lokaalne LLM dokumentide ja ● Pilvelahendused ei sobi alati tundlike sobivust kaitsevaldkonnas teadmushalduse jaoks andmete ja andmesuveräänsuse nõuete ● Luua kriteeriumite raamistik edasiste AI- ● Turvaline AI-toega tarkvaraarendus ilma tõttu investeeringute ja võimearenduse jaoks pilveteenuseid kasutamata ● Puudub ühine AI treening-, testimis- ja valideerimiskeskkond KM valitsemisalas Uuenduslikkus ● Esmakordne AI-as-a-Capability mudeli katsetamine Eesti kaitsevaldkonnas Projekti elluviija: Eelarve ja kestus ● Tsentraalse, turvalise ja jagatud AI- SA CR14 (KAM sihtasutus) võimekuse valideerimine ● NATO DIANA ja NATO Innovation Range AI/küber-testkeskkonna võimekuse Võimalikud lahenduse pakkujad: arendamine Süsteemiintegraatorid ja ● Tõenduspõhine otsustusraamistik taristupakkujad AI-arenduspartnerid 1 828 000 eurot 18 kuud tehnoloogiliste, arhitektuursete ja Andmekeskuste teenusepakkujad organisatsiooniliste valikute tegemiseks Teadus- ja arendusasutused SIM haldusala  Autonoomne kaabeldrooniga seirerobot idapiirile Politsei- ja Piirivalveamet Probleem Katsetuse eesmärk Lahendussuunad Arendada ja koostoimelisena katsetada uut ● Töötatakse välja mehitamata tehnoloogiad ● Piirivalvurite isikkoosseisu nappus on kasvav ● automatiseeritud komplekslahendust, ja autonoomse seireroboti prototüüp, mis probleem, olemasoleva ressursiga on keeruline teostades seiret nii liikumisel kui suudab pakkuda olukorrateadlikkust nii omada pidevat ja terviklikku ülevaadet piiril kohtvaatlusel maismaal kui õhus idapiiril, aga ka suur- toimuvast Tõsta piiri valvamise võimekust idapiiril läbi üritustel ja kriisiolukordades, ning mida ● GNSS-signaali segatakse idanaabri poolt üha ● uue komplekslahenduse, mis võimaldaks katsetatakse reaalelu tingimustes võimsamalt ning piiriribal on drooniseire ja õhudroonide kasutamine võimalik väga piiratult seirevõimekuse tõstmist piirivööndis maal ● Pikaajalistel kohtvaatlustel ja otsingutel tulevad ja õhus ning efektiivistaks patrulltegevust inimvõimete piirid ette, ei ole võimalik olla 24/7 ● Leida uuenduslikud lahendused mitmes kohas korraga laiapindseks seireks ja andmeanalüüsiks ● Statsionaarsed seirekaamerad ei anna laiapindset olukorras, kus GNSS on pidevalt segatud Projekti elluviijad: olukorrapilti PPA Eelarve ja kestus Uuenduslikkus Koostööpartneritena Kaitsevägi, Kaitseliit, Siseministeerium, Kaitse- ja Kosmose- tööstuse Liit, teaduskeskused ja SMIT ● Autonoomse kaabeldrooniga seireroboti, mis seirab kahel tasandil ja teostab Võimalikud lahenduse pakkujad: liikumise pealt ka maastikuseiret ja - Nii praktiline kui teoreetiline kompetents on analüüsi, komplekslahenduse olemas nii Eestis kui Euroopas: IKT-arendus- 1 285 800 eurot 28 kuud ettevõtted, seirerobotite ja kaabeldroonide väljatöötamine on Eesti ja lähipiirkonna jaoks uudne pakkujad  Drooniohu tuvastuse ja otsustustoe rakenduse katsetamine elutähtsa teenuse objektidel (ETO) Sisekaitseakadeemia Probleem Katsetuse eesmärk Lahendussuunad • ETO-del puudub läbi katsetatud mudel • Töötada välja ja katsetada piiratud funktsio- • Füüsilised katsetused vähemalt 3 ETO drooniohu varaseks tuvastamiseks, ühise ohu- naalsusega otsustustoe prototüüp objektitüübil: energia, finants, tervishoid pildi loomiseks ja operatiivseks otsustustoeks • Kontrollida, kas ja kui palju ühine olukorrapilt • Sensorid ja andmeallikad: RF, radar, kaamerad, • Droonioht mõjutab kriisikindlust, objektiturvet lühendab ohu hindamise ja eskaleerimise aega objekti turvasüsteemid, sündmusteave ja elutähtsate teenuste toimepidevust • Mõõta mõju olukorrateadlikkusele, rolli- • Otsustustoe prototüüp: olukorrapilt, riskitase, • Katsetamata lahendused suurendavad vale- selgusele ja koordineeritud tegutsemisele rollipõhised tegevusvalikud investeeringute ja killustatud reageerimise riski • Edu: 3 objektipõhist katsetust, 3 sensoritüübi • Digitaalne katsekeskkond/digikaksik ning VR/XR hinnang, kasutajate tagasiside ja lõppraport valitud stsenaariumites Projekti elluviijad: Sisekaitseakadeemia Eelarve ja kestus Uuenduslikkus Sisupartnerid: Elering, Eesti Pank, Tartu Ülikooli Kliinikum, Politsei- ja Piirivalveamet, Kaitseväe • Drooniohtu käsitletakse paljude eri osapoolte Õhuvägi Eesti Turvaettevõtete Liit. Akadeemilised andme-, otsustus- ja koostööprobleemina, nõustajad: TalTech, Kaitseväe Akadeemia, Eesti mitte üksnes tehnilise tuvastusprobleemina Lennuakadeemia • Viiakse läbi eri andme- ja sensoritüüpide Võimalikud lahenduse pakkujad: 1 400 000 eurot 24 kuud kasutatavuse võrdlev katsetamine ühtse Droonituvastuse ja C-UAS pakkujad; otsustustoe, olukorrapildi loomisel andmefusiooni ja TI arendajad; digikaksiku ja VR/XR • Füüsiline ja digitaalne katsetus seotakse ETO- lahenduste pakkujad; õigus-, infoturbe- ja de, PPA, turvasektori ja akadeemilise vaatega lennuohutuse eksperdid SOM haldusala  Intsidendist õppetunnini: AI-lahendus patsiendiohutuse parandamiseks ja juhiste rakendamise kiirendamiseks tervishoiuasutustes Terviseamet Probleem Katsetuse eesmärk Lahendussuunad Patsiendiohutuse juhtumitest õpitakse liiga Valideerida AI-toega õppetsükkel päris Intsident → anonümiseerimine → AI-analüüs → aeglaselt. tervishoiukeskkonnas. juhiste kontroll → õpiampsu mustand → • Patsiendiohutuse andmekogus on • Katsetada, kas intsidendiraportitest saab ekspertvalideerimine → töötajale tuhandeid juhtumeid, kuid õpikohad ei luua valideeritud õpiampse (eesmärk jõua piisavalt kiiresti praktikasse vähemalt 30 õpiampsu) AI loob mustandi, inimene kinnitab sisu: • Klassifikatsioon ei ava alati tegelikku • Testida senise 4-aastase õpitsükli • Intsidendi vabatekst anonümiseeritakse ja riskimustrit - oluline info on sageli muutmist 24-tunniseks struktureeritakse vabatekstis • Hinnata lahenduse tehnilist toimivust, • AI/NLP + juhistepõhine RAG seob juhtumi • Patsiendi ohutusjuhtumite tagajärgedega kasutatavust ja eksperdi töökoormust kehtiva teadmusega tegelemine võtab OECD hinnangul ca 10- • Hoida raha kokku välditavate • Eksperdid valideerivad kliinilise täpsuse 15 % ravieelarvest, Eestis on see ca 250 patsiendiohutusjuhtumite pealt enne avaldamist miljonit eurot aastas • Piloot 3-5 haiglas Eelarve ja kestus Uuenduslikkus Projekti elluviija: Ohutusjuhtumitest õppimise Terviseamet automatiseeritud töövoog Võimalikud lahenduse pakkujad: Digitaalse tervishoiu ja terviseinformaatika 1 060 000 eurot 24 kuud lahenduste pakkujad; AI, loomuliku keeletöötluse ja andmeteaduse arendajad; eksperdid •. Haigla infosüsteemi AI-valmisoleku analüüs ja testimine SA Tartu Ülikooli Kliinikumis SA Tartu Ülikooli Kliinikum Probleem Katsetuse eesmärk Lahendussuunad ● Eestis puudub süsteemne ja korduvkasutatav • Testida, kas SA Tartu Ülikooli Kliinikumi jaoks • Viia läbi haigla infosüsteemi AI Site Readiness analüüs mehhanism, mis viiks AI-lahendused terviseandmetest saab luua ja rakendada korduvkasutatava AI (andmeallikad, andmevood, integratsioonid, infoturve ja kliinilise valideerimise ja kasutuselevõtuni Site Readiness-mudeli, mis võimaldab regulatiivne valmisolek) ● Haiglate valmisolek innovatsiooniprojektide vastuvõtuks, tehisintellektil põhinevaid tervisetehnoloogiaid • Töötada välja haiglasisene innovatsiooniprojektide piloteerimiseks ja valideerimiseks on piiratud süsteemselt hinnata, piloteerida ja kliiniliselt juhtimise ja AI-lahenduste valideerimise raamistik ● Puudub terviklik haiglasisene raamistik, mis ühendaks valideerida reaalses haiglakeskkonnas • Luua AI-integratsioonide referentsarhitektuur ning innovatsioonijuhtimise, andmehalduse, regulatiivse standardi-seeritud arendus-, piloteerimis- ja valmisoleku ja kliinilised katsetused valideerimisprotsess ● Avaliku sektori võimekus kasutada AI-d otsustustoes, • Testida loodud mudelit kolme erineva AI kasutusjuhtumi ennetuses ja ravikvaliteedi parandamises on pilootprojektiga reaalses haiglakeskkonnas tervisevaldkonnas puudulik • Täiendada mudel korduvkasutatavaks lahenduseks ● Tervisetehnoloogiaettevõtetel on keeruline oma teistele Eesti e-HL haiglatele lahendusi Eestis kliiniliselt testida ja rahvusvahelistele nõuetele vastavalt valideerida Projekti elluviija: SA Tartu Ülikooli Kliinikum Eelarve ja kestus Uuenduslikkus Võimalikud lahenduse pakkujad: • Eesti esimene terviklik AI Site Readiness-mudel Teadus- ja akadeemilised partnerid: Tartu Ülikool haiglatele Regulatiivse ja õigusliku toe pakkujad: Sorainen, COBALT, • Ühte raamistikku ühendatakse tehniline valmisolek, KPMG innovatsioonijuhtimine, andmehaldus, regulatiivne Rahvusvahelised koostööpartnerid: Karolinska Institutet ja vastavus ja kliiniline valideerimine TPM konsortsiumi välispartnerid • Rahvusvahelised praktikad kohandatakse Eesti Tehnoloogia- ja arenduspartnerid: Nortal AS, Cybernetica AS 1 475 000 € 24 kuud tervishoiusüsteemi, e-HL haiglainfosüsteemi ning AI Tervisetehnoloogia ökosüsteem: Health Founders Estonia Act’i ja EHDS’i nõuetega võrgustiku koostööpartnerid JUSTDIGI haldusala  Autonoomne mobiilne seire- ja reageerimis- võimekus Tartu Vangla Probleem Katsetuse eesmärk Lahendussuunad ● Puudub paindlik mobiilne lahendus eri ● Arendada autonoomse droonilahenduse ● Portatiivne droon koos mobiilse objektide valveks vanglas töötav prototüüp (MVP) baasjaamaga, mis ei vaja püsitaristut ● Tänane seire tugineb inimressursile ja ● Võimaldada süsteemil reageerida välisest ● Autonoomne lend sündmuse piirkonda statsionaarsetele valvesüsteemidele sensorist või valvesüsteemist saadud minimaalse inimsekkumisega ● Sensorist või valvesüsteemist saadud sündmusele ● Liidestamine olemasolevate sensorite ja häire ei käivita automaatselt täiendavat ● Tuvastada sündmuspiirkonnas objekte ja valvesüsteemidega olukorra kontrollimist edastada olukorrainfo seiresüsteemi ● Tehisintellektil põhinev objektide ● Autonoomse mobiilse lahenduse toimivus operaatorile tuvastamine ja klassifitseerimine Eesti kliimas, õigusruumis ja ● Valideerida lahenduse tehniline, ● Alternatiivsete navigatsioonimeetodite töökorralduses vajab tõendamist operatiivne ja õiguslik toimivus Tartu katsetamine GNSS-häirete korral Vanglas ● Töökindluse katsetamine erinevates ilmastikuoludes Eelarve ja kestus Uuenduslikkus Projekti elluviija: ● Sündmuspõhine autonoomne Tartu Vangla reageerimine ● Kiiresti teisaldatav seirevõimekus Võimalikud lahenduse pakkujad: ● AI-põhine olukorrateadlikkus Drooni-, kaitsetööstuse, AI- ja 1 395 000 eurot 24 kuud ● Eesti kliimas ja õigusruumis valideeritud süsteemiintegratsiooni ettevõtted ning MVP teadus- ja arendusasutused KUM haldusala •. AI-põhine raamatukogude vahetuskogu töövoo prototüüp ja ringmajanduslik jaotusmudel Eesti Rahvusraamatukogu Probleem Katsetuse eesmärk Lahendussuunad • 2025. aastal võeti vastu 463 371 teavikut, kuid neist • Piloteerida AI-põhist töövoogu koos partnerite • Vahetuskogu töövoo kaardistamine ja 61% suunati jäätmekäitlusesse portaaliga, mis tõhustab vahetuskogu standardiseerimine • Tänane käsitsi tehtav töövoog ei võimalda teavikute ringluskõlblikkust, nõudlust ja logistilist teostatavust teavikute ringlust • AI-põhise tarkvaralahenduse ja partnerite piisavalt kiiresti ja süsteemselt eristada • Vähendada manuaalset tööd ja luua ühtne portaali hankimine avatud hankega • Puudub ühtne digitaalne süsteem, mistõttu partnerid ei digitaalne töövoog vahetuskogu ja partnerite • Laohaldussüsteemi juurutamine hoidlas näe reaalajas, mis teavikud on saadaval ja mis ootel vahel • Logistikateenuse integreerimine • Vastuvõetavate teavikute arv kasvab pidevalt, kuid • Luua prototüüp, mida on eduka rakendamise • Piloot 5 partneriga, mõju mõõtmine ja töövoog jääb samaks - lisanduv koormus kaetakse korral võimalik laiendada üleriigiliselt hindamine vabatahtlike abiga, mis pole jätkusuutlik lahendus • Mõõta piloodi lõpus edukust ringluse kasvu • Praegune killustatud töövoog piirab üleriigilise (+20%) ja jäätmemahu vähenemise (-15%) vahetuskogu terviksüsteemi tõhusust põhjal Eelarve ja kestus Uuenduslikkus Projekti elluviija: • AI-põhine teavikute automaatne tuvastamine Eesti Rahvusraamatukogu ja sobitamine Võimalikud lahenduse pakkujad: • AI-põhine teavikute pakkumine partneritele 820 000 eurot 24 kuud AI-tarkvarafirmad, logistikaettevõtted, • Vahetuskogu varu nähtavus partneritele raamatukogusüsteemide liidestajad reaalajas ja iseseisev tellimine HTM haldusala  Mehitamata õhusõidukite õhuruumi digikaksik avaliku sektori droonikatsetusteks ja kutseõppeks Tallinna Tehnoloogiakolledž (Drooniakadeemia) Probleem Katsetuse eesmärk Lahendussuunad ● Droonid muutuvad andmemahukamaks ja Luua ja katsetada droonilendude virtuaalseks Lahendusidee koosneb kuuest moodulist: autonoomsemaks ning nende kasutamine simuleerimiseks Eesti õhuruumi digikaksik, • andmete sissetoomise ja kvaliteedi- eeldab ruumiandmete, side, õhuruumi kus on: kontrolli moodul piirangute, ilmastiku, sensorite ja riski- • hoone- ja takistusmahud ligikaudu LOD • 3D- ja kaardivaade hindamise koostoimet 2.5-3 / LOD 250-300 tasemel • stsenaariumimootor, simulatsioon- ● Eestis puudub mehitamata õhusõidukitele • maastiku- ja kõrgusmudelid funktsioon ühtne virtuaalne õhu- ja ruumiandmete • taimestikumahud • drooniprofiili ja parameetrite moodulid katsekeskkond, kus enne reaalses õhu- • punktipilve üldistused • marsruudi, piirangute ja riskihindamise ruumis katsetamist luua stsenaariume, • õhuruumi piirangud moodul; andmekihtide lisamine, kontrollida marsruute, võrrelda drooni- • sidekatvuse kiht ühendamine profiile ja hinnata andmete piisavust ja • üldistatud taristu- ja riskikihid • õppe-, tagasiside- ja ekspordimoodul riske • ja muud olulised andmekihid Eelarve ja kestus Uuenduslikkus Projekti elluviija: • Loob droonisektoriüleselt kasutatava Tallinna Tehnoloogiakolledž tehniliselt tervikliku andmebaasi ja lahenduse • Muudab efektiivsemaks droonilahenduste kasutuselevõtu ning hankimise avalikus Võimalikud lahenduse pakkujad: NVIDIA Omniverse, Unreal Engine, Dassault 605 000 eurot 18 kuud sektoris läbi digitaalsete tehnoloogiate Systèmes / 3DEXPERIENCE, Hexagon, Virtual City, LendurAI, Tekever KOV  Kohaliku omavalitsuse digiteenuse loomise agent Eesti Linnade ja Valdade Liit Probleem Katsetuse eesmärk Lahendussuunad ● Elanikel puudub üle Eesti ühtlane ligipääs ● Töötada välja tehisintellektil põhinev ● Olemasoleva e-teenuste platvormi (Spoku) kaasaegsetele digiteenustele digiteenuste loomise agent ja piloteerida täiendamine AI-agendiga ● Eesti 78 omavalitsusest arendab seda viies omavalitsuses (Tartu, Pärnu, ● Rahvusvahelise lahenduse (nt digiteenuseid süsteemselt vaid umbes 15 Viimsi, Saue ja Türi) eRegistrations) täiendamine ● Digiteenuse loomine eeldab mitme ● Vähendada lihtsama digiteenuse loomise ● Uue avaliku sektori e-teenuste keskkonna spetsialisti koostööd ning võtab nädalaid aega vähemalt 70% loomine, mida hakkab haldama ELVL või kuid ● Luua agendi abil vähemalt 25 digiteenust; ● Väiksematel omavalitsustel napib raha ja 80% ametnikest hindab lahendust digipädevaid spetsialiste kasulikuks. Projekti elluviija: Eelarve ja kestus Uuenduslikkus Eesti Linnade ja Valdade Liit ● Ametnik kirjeldab teenust, AI loob digiteenuse Võimalikud lahenduse pakkujad: ● Agent teeb õigus- ja andmeanalüüsi ning Piksel OÜ (Spoku), eRegistrations, Eesti loob e-vormi IT-arendajad (nt Nortal, Helmes jne), 1 055 000 eurot 24 kuud Loomine ei eelda IT-teadmisi ● AI-eksperdid (nt MindTitan, ülikoolid).  Teenuspõhist juhtimist toetav tehisaru rakendus Tallinna Strateegiakeskus Probleem Katsetuse eesmärk Lahendussuunad ● Tallinna teenuste juhtimisandmed on • Mõista ja tõendada, kas ühtne teenuse • Katse objekt on teenuskataloogi prototüüp, killustunud, mistõttu puudub terviklik andmemudel võimaldab kasutada mis seob teenuse andmemudelile tuginedes vaade teenuspõhise juhtimise teenuskataloogi keskse teadmistekihina, mis olemasolevate infosüsteemide teenuseinfo rakendamiseks toetab teenusjuhtimist läbi tehisaru süsteemse ühtseks juhtimisvaateks ● Linna teenusjuhid kulutavad märkimis- rakendamise • Selleks täiendatakse teenuse andmeid, mis väärselt aega andmete käsitsi • Valideerida teenuste halduskoormuse on kvaliteetsed ja masinloetavad ja koondamisele ning sama infot kogutakse vähenemine min 15% ning suunata rohkem aega võimaldavad rakendada tehisaru analüüsis, erinevates juhtimisprotsessides korduvalt teenuste analüüsimisele ja arendamisele arenduses ja prognoosimises ● Killustatud andmehaldus piirab andme- • Luua ja testida taaskasutatav tehisaru rakendus- • Lahendust katsetatakse erinevatel juhtimis- põhist juhtimist, terviklikku kasutajakoge- mudel ja tehnilise lahenduse ülesehitus tasanditel ning hinnatakse selle must ja tehisaru süsteemset rakendamist laiendatavust teistele omavalitsustele ja Uuenduslikkus riigile ● Teenusjuhtimine on ebaühtlase andmekvaliteedi tõttu reaktiivne ja ei ● Uus lähenemine teenuse juhtimisele, kus teenus Projekti elluviijad: võimalda muudatuste mõju prognoosida on samaaegselt juhtimisobjekt, teadmisteobjekt ja Tallinna Strateegiakeskus tehisaru tööobjekt Koostööpartnerid: Tallinna Keskkonna- ja Eelarve ja kestus ● Tehisaru toetab teenuste juhtimist kõigil juhtimis- Kommunaalamet, Justiits- ja Digiministeerium, Eesti Linnade ja Valdade tasanditel ja kogu väärtusahela ulatuses, mitte Liit ainult üksikuid tööprotsesse Võimalikud lahenduse pakkujad: ● Lahendus on skaleeritav ja koostoimeline riiklike Trinidad Wiseman, MindTitan, Nortal, standarditega Helmes, Velvet, PwC Eesti, AS Spin TEK 899 000 eurot 24 kuud (ATAK liidestus)  KOV digitaalne andmeanalüütik – andmepõhise juhtimise, teenusvajaduste prognoosimise ja AI-mõjuanalüüsi tööriist Kohila vallavalitsus Probleem Katsetuse eesmärk Lahendussuunad ● Eeltöö: KOV-ide dokumendihalduse analüüs ja ● Käsitsi teostatav ja killustatud andme- ● Kiirema ja täpsema avaliku teenuse ühtlustamine, luuakse digitaalse kaksiku ja AI- analüüs prototüübi testimine: AI-moodul suudab mooduli esmane arhitektuur ning kasutusjuhtude ● Hiline vastuolude tuvastamine erinevates tuvastada vastuolud menetlustes sama kirjeldused andmeallikates ja erinevates menetlustes täpselt kui kogenud ametnik ● Andme- ja prognoosimudelid ning AI-võimekus: Omavalitsuse otsuste kvaliteedi tõstmise töötatakse välja integreeritud andmemudelid, mis ● Kumulatiivsete mõjude hindamise ● võimalikkuse katsetamine: automaatne hõlmavad demograafilisi muutusi, elamuaren- keerukus duste mõju, haridus- ja sotsiaalteenuste vajadust ● Strateegilise juhtimise kvaliteet ei vasta struktureeritud mõjuhinnang ning finantsmõjusid puuduliku andmekasutuse tõttu ootustele ● Kodaniku kasutajakogemuse ● Prototüübi/ töölaudade arendamine ega vajadustele tõhustamise testimine: teenistujate ● Piloteerimine reaalkeskkonnas: katse Kohila vallas fookus on probleemide sisulisel analüüsil reaalse juhtimisinfo ja volikogu eelnõudega ja lahenduste pakkumisel ● ELVL toel lahenduse laiendamine/ skaleerimine (avatud lähtekoodi alusel/ KOVTP platvormi kaudu teistele Eesti omavalitsustele) Eelarve ja kestus Uuenduslikkus Projekti elluviijad: • Uue andmepõhise ja ennetava toime- Kohila vallavalitsus mudeli loomine KOV juhtimises Rae vallavalitsus, Eesti Linnade ja Valdade Liit • Pikaajaliste prognoosimudelite (digitaalne andmeanalüütik) ning vahetu tekstilise Võimalikud lahenduse pakkujad: 800 000 eurot 24 kuud eelnõude eelanalüüsi (AI-moodul) esma- AI-mudelite arendusele spetsialiseerunud kordne koondamine ühte lahendusse kohalikud IT-ettevõtted Mida palume kantsleritel hinnata Kas projekt panustab valitsuse prioriteetidesse ja kas on piisavalt prioriteetne tegevus, et jätkurahastus leitakse (kui seda vaja)? 1) kriisikindluse suurendamine 2) majanduse kasvatamine 3) riigi tõhusam juhtimine