Tehisintellekt ja masinõpe (ML) on toonud revolutsiooni tavapärasesse andmetöötluse paradigmasse. Neid kasutatakse laialdaselt erinevates valdkondades tänu nende tugevusele keeruliste probleemide lahendamisel. ML-i kasutatakse ohutuskriitilistes rakendustes tõhusamate tulemuste saavutamiseks, näiteks autonoomsetes sõidukites ja tervisehoius. Seetõttu on ML-süsteemide ohutus ülimalt oluline. Üks oluline töökindluse aspekt on riistvara töökindlus kuna riistvarariketest tekkinud süsteemitõrked võivad põhjustada katastroofe.
Süvanärvivõrkude (DNN) ja kiirendite külluse tõttu leidub DNN-ide ja kiirendite töökindluse hindamise kohta mitmeid teadustöid. Selle valdkonna ulatus ja lahenduste mitmekesisus on loonud laialivalguva uurimisvaldkonna, mis teeb teadlastel olemasoleva kirjanduse puuduste hindamist raskemaks. Antud uuring koostab esimese süstemaatilise kirjandusülevaate, mis käsitleb kõiki olemasolevaid DNN-ide töökindluse hindamise meetodeid. Et luua terviklik pilt antud valdkonnast, liigitatakse olemasolevad meetodid, analüüsitakse neid ja tuuakse välja olemasoleva kirjanduse puudused.
Käesolevas lõputöös pakutakse välja CNN-ide jaoks välja kaks tarkvaralise lahendusega mudelitasemel tõrketaluvuse tõstmise meetodit.
Lisaks uurib käesolev töö esmakordselt LSTM-põhiste CNN-ide riketele vastupidavuse hindamist ja täiustamist. Uuritakse LSTM-põhiste DNN-ide erinevate struktuuride tõrkekindlust ja pakutakse välja erinevaid meetodeid LSTM-ide tõrkemõjude leevendamiseks.

Doktoritöö on avaldatud Tehnikaülikooli raamatukogu digikogus

Juhendajad: täisprofessor tenuuris Jaan Raik ja professor Masoud Daneshtalab (TalTech)

Oponendid:

• professor Yanjing Li (Chicago Ülikool, USA)
• professor Luciano Ost (Loughborough Ülikool, Suurbritannia)