Stenbocki maja / Rahukohtu 3 / 15161 Tallinn / Estonia / registrikood 70004809 +372 693 5555 / [email protected] / www.riigikantselei.ee

Põllumajandus- ja Toiduamet Teie: 30.06.2026 Meie: 28.08.2026 nr 1-4.4/26-01377-2

      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]

.

Innofondi V voor

10.08.2026

• Kantslerite koosolek

• Hindamiskomisjon

• Partnerluslepingute läbi- rääkimine ja sõlmimine

• Projektide käivitamine

10. ja 24. august

10. september

september – oktoober

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

Uuenduslikkus

• Mobiilse testimisplatvormi loomine merelise keskkonna kasutamiseks mehitamata sõidukite testimisel ja arendamisel

• Regulatiivsed lahendused suurendamaks mehitamata sõidukite arendajate huvi merelise keskkonna kasutamiseks.

• Uute osapoolte kaasamine ja koostoime loomine riigikaitse tegevustesse merelises ruumis

Merepesa Riigilaevastik

Probleem

● Merekatsete korraldamine mehitamata sõidukite arendamiseks ja testimiseks Läänemerel on ajakulukas ja võimalused on ebaselged, millel on negatiivne mõju mehitamata sõidukite valdkonna arengule ja konkurentsivõimele

● Puudub institutsionaalne raamistik, mis teeks mehitamata veesõidukite ja lennuvahendite arendajatele merekatsealade kasutamise katsete läbiviimiseks lihtsasti kättesaadavaks

Lahendussuunad

• Sobilike merealade määratlemine • Sobilike alade kasutamise protsessi

loomine, mis ei koormaks ettevõtjaid ega mehitamata sõidukite arendajaid

• Mobiilse stardiplatvormi arendamine ja testimine viiel missioonil

• Äriliselt motiveeriva väärtuspakkumise ja toime-mudeli loomine ja valideerimine turuosalistega

• Õigusruumi kohandamise ettepanekute tegemine

Projekti elluviijad: Riigilaevastik Kliimaministeerium, Riigikantselei Võimalikud lahenduse pakkujad: õigusbürood, konsultatsiooniettevõtted, teaduspargid, meretehnoloogiate, mehita- mata sõidukite ja seireseadmete arenda- jad, ülikoolid ja kompetentsikeskused.

Eelarve ja kestus

1 525 000 eurot 26 kuud

Katsetuse eesmärk

● Määratleda merelise testkeskkonna teenused ja kasutuspõhimõtted, arendada mobiilne testimisplatvorm ning praktikas katsetada määratletud merelised testteenused

● Arendada Riigilaevastiku mehitamata sõidukitega seotud võimeid, mida on võimalik tulevikus kasutada ka riigikaitse tegevuste toetamisel

Uuenduslikkus ● Eesti esimene agentne, AI-l põhinev riiklik

seire- ja aruandlussüsteem, mis ühendab kaugseire, generatiivse AI, RAG-teadmus- halduse ja seletatava AI (XAI) auditeerimise

● Sama kaugseireandmestik teenindab korraga mitut aruandluskohustust

Agentne riik: riiklik keskkonnaseire ja aruandlus Keskkonnaagentuur

Probleem

● Riiklik keskkonnaaruandlus on suures osas käsitöö: aeganõudev, vigadele avatud, ning asutuste vahel metoodiliselt killustunud

● Uued ELi kohustused (mullaseire direktiiv, looduse taastamise määrus, LULUCF Tier 3 aastaks 2030) nõuavad kaugseiremetoodikaid, mida Eestis veel ei ole

● Aruandlusvigadest ja hilinemistest tulenev finantsrisk on märkimisväärne: varasemad EL kliimasanktsioonid on olnud suurusjärgus 100 miljonit eurot

Lahendussuunad ● Luua ühtne kaugseiremetoodikate raamistiku

prototüüp, mis katab ühe töövooga LULUCF, Eurostati, mullaseire ja looduse taastamise vajadused

● Katsetada AI-agentide toimivust kehtivate metoodikate rakendamisel automaatselt Sentinel- 1, Sentinel-2 ja Landsat andmetele

● Katsetada RAG-põhist teadmusbaasi, mis jälgib ELi juhendite ja õigusaktide muutusi ning uuendab end automaatselt

● Luua interaktiivne juhtimislaua prototüüp, mis tagab kõigi aruannete ja otsuste auditeeritavuse

● Katsetada agendipõhist teenusmudelit, mis annab KAUR-ile, Statistikaametile ja ministeeriumidele just neile vajalikud tulemused.

Katsetuse eesmärk

● Luua agentse keskkonnaseire ja aruandluse prototüüp, mis automatiseerib andme- töötluse, aruandluse ja metoodikate haldamise

● Katsetada, kas ühest koostoimelisest kaug- seiretöövoost saab tuletada sisendid mitmele riiklikule ja ELi aruandluskohustusele korraga

● Projekt ei loo uut infosüsteemi, vaid proto- tüübib riigile strateegilise keskkonnaseire ja aruandluse võimekuse, mis võimaldab täita EL kohustusi automatiseeritult, usaldusväärselt ja väiksema halduskoormusega

Projekti elluviija: Keskkonnaagentuur

Võimalikud lahenduse pakkujad: MindTitan, Net Group, Nortal, Helmes, KappaZeta, Reach-U, CGI Eesti ja Datel

Eelarve ja kestus

1 500 000€ 24 kuud

Uuenduslikkus

• Tehisnägemise ja autonoomse andmehõive sidumine ühtseks, praktiliselt toimivaks ja skaleeritavaks avaliku sektori tööriistaks

• Võimekus tuvastada väiksemõõtmelisi objekte ka inimsilmale rasketes olukordades

Droonipõhine seiresüsteem prügi automatiseeritud tuvastuseks randades ja merepõhjas Keskkonnaagentuur

Probleem

● Mereline prügi on globaalselt kiiresti kasvav ja süsteemne keskkonnaprobleem

● Senine rannas ja merepõhjas oleva prügi tuvastamine on ajamahukas, kulukas ja subjektiivne

● Praegune töökorraldus ei ole skaleeritav ega vasta kasvavale vajadusele anda otsustajatele ajakohast ja täpset infot

Lahendussuunad

● Muuta ranniku- ja merekeskkonna reostusandmed standardiseeritud kujul masinloetavaks

● Tehisintellekti mudeli kohandamine ja treenimine väiksemõõtmeliste objektide tuvastamiseks päriselulistes keerukates keskkonnatingimustes.

● Horisontaalne kasutus: nt. õlireostuse varajase avastamise ja riigikaitse toetussüsteemi (nt ründedroonide fragmendid) rakendamine kriisisituatsioonis.

Katsetuse eesmärk

● Luua ja testida masinnägemisel põhinevat automatiseeritud platvormi ja töövoogu

● Valideerida kogu andmehõive ja -töötluse protsessis vähemalt 50%-line ajavõit ning põhikategooriates 90–95%-lise tuvastus- ja loendustäpsuse saavutamine

Projekti elluviija: Keskkonnaagentuur

Võimalikud lahenduse pakkujad: Kohalikud drooni- ja tarkvaraarendusega tegelevad ettevõtted ja teadusasutused

Eelarve ja kestus

595 000 eurot 36 kuud

Uuenduslikkus

● Droonimõõdistus, AI ja standardiseeritud andmemudel ühtse töövoona

● Üks andmekogumine annab sisendi aruandlusele, statistikale ja järelevalvele

● Killustatud käsitöö asendub automaatse andmepõhise otsustustoega

AI-põhine otsustustugi maavarade kasutuse ja kaevandamismahtude seireks Keskkonnaamet ja Kliimaministeerium

Probleem

● Puudub terviklik ja standardiseeritud andmevoog kaevandamismahtude ning kaevandatud ja korrastatud maa kohta

● Riiklikud aerokontrolli ülelennud toimusid viimati 2023. aastal – sõltumatu kontrollivõimekus puudub

● Markšeiderimõõdistused on ettevõtjatele kulukad: u 278 objekti ja ligikaudu 695 000 eurot aastas

● Käsitsi andmetöötlus suurendab haldus- koormust ning vähendab andmete kvaliteeti ja võrreldavust

Lahendussuunad

● Integreeritud digilahendus, mis ühendab droonimõõdistused, ruumi- ja kaugseire- andmed

● AI-mudel, mis tuvastab kaevandamise ja korrastamise tunnused ning arvutab mahud automaatselt

● Standardiseeritud andmemudel ja eeltäidetud aruandlus ettevõtjatele

● Automaatne andmevahetus ettevõtjate, Keskkonnaameti, Statistikaameti ja EGT vahel

● Piloteerimine kaevandamisaladel ja tulemuste võrdlus markšeideri- mõõdistustega

Katsetuse eesmärk

● Töötada välja ja piloteerida reaalses töökeskkonnas TRL 7 tasemel AI-põhise otsustustoe prototüüp.

● Katsetada, kas ühe droonimõõdistusega saab automaatselt määrata kaevandamismahud ning kaevandatud ja korrastatud maa.

● Mõõdikud: 5–6 pilootala, mahuarvutuse täpsus ±5%, aruandluse ajakulu vähenemine, kasutajate hinnang lahenduse rakendatavusele ning valminud skaleerimiskava.

Projekti elluviijad: Keskkonnaamet, Kliimaministeerium

Võimalikud lahenduse pakkujad: IT-arendajad (Nortal, Helmes, Cybernetica), GIS- ettevõtted (Datel, Regio), drooniteenuste pakkujad, teadusasutused (TalTech, TÜ, STACC)

Eelarve ja kestus

1 465 000 eurot 24 kuud

Uuenduslikkus

● Riiklikul tasandil uue põlvkonna keskkonna-seire ja -järelevalve terviklahendus

● Kogutud andmete ristkasutus. ● Automatiseeritud andmeanalüüs ● Operatiivse otsustoe süsteem

Pika lennuajaga VTOL-droonidel ja tehisintellektil põhinev keskkonnaseire ja -järelevalve automatiseerimise platvorm Keskkonnaamet ja Keskkonnaagentuur

Probleem

● Eestis puudub terviklik võimekus keskkonna- ja eluslooduse seisundi ressursisäästlikuks kaugseire jälgimiseks, kiireks andmeanalüüsiks ning keskkonnamuutustele ja -rikkumistele operatiivselt reageerimiseks

● Droonidega kogutavate andmete alakasutus erinevate töölõikude ja asutuste vahel

● Tõrked rahvusvaheliste kohustuste täitmisel ja riiklike otsuste jaoks vajalike alusandmete kättesaamisel

Lahendussuunad

● Arendada VTOL-droonide ja sensorite (multispektraalkaamera, LiDAR, radar) integratsiooni, et tagada võimalikult laiapõhjaline andmete kasutus

● Luua tehisintellektil põhinev andmetöötluse ja analüüsi raamistik, mis võimaldab automati-seeritud seiret, objektituvastust ja olukorra-teadlikkuse tõusu

● Kujundada asutusteülene töövoog ja koostöö-platvorm, mis ühendab andmevood ning muudab seireprotsessid kuluefektiivsemaks ja taaskasutatavaks

Katsetuse eesmärk

● Prototüübi loomine ja piloteerimine: Asutusteülene VTOL-droonidel, kaugseirel ja tehisintellektil põhinev keskkonnaseire ning -järelevalve lahendus.

● Andmepõhise töövoo arendamine ja testimine: Ühtne süsteem automatiseeritud andmete töötlemiseks, analüüsiks ja jagamisteks

● Tõhususe ja kvaliteedi parandamine: Suurendada seireandmete täpsust ja reaalajas andmete osakaalu otsuste kiiremaks tegemiseks

Projekti elluviijad: Keskkonnaamet ja Keskkonnaagentuur Võimalikud lahenduse pakkujad: VTOL-droonidel on pakkujaid nii Eestist kui Euroopast, nt Threod Systems, DeltaQuard, C-Astral. Tarkvaralahendusi pakuvad nt iSenses OÜ, E-ston.AI, FlyPix AI

Eelarve ja kestus

1 326 000 eurot 24 kuud

Uuenduslikkus

● AI-abimees ei ole juturobot, vaid teejuht ● Taotleja terviklik töövoog: ei piirdu üksiku

küsimuse-vastuse funktsiooniga, vaid toetab taotlejat järjestikuste sammude kaudu

● Juhtumipõhine andmekoondaja: milliseid andmeid vaja, millise õigusliku alusega kasutada, kuidas eri allikate andmeid seostada

Probleem

● Loa taotlemine on liiga keeruline ja ajamahukas ● Taotlejal on keeruline aru saada, kas ja millist

luba tegevus vajab, kas võib tekkida keskkonna- mõju (eel)hindamise vajadus ning millist teavet tuleb taotluses esitada

● 2025. aastal oli ~ 1300 keskkonnakaitseloa menetlust

Keskkonnaotsused 2.0: AI-toega teejuht taotlejale Kliimaministeerium

Lahendussuunad

AI-abimehe prototüüp, mis juhendab taotlejat samm-sammult, tugineb kontrollitud allikatele ja aitab koondada konkreetse juhtumi jaoks vajalikku infot: • Kasutab õigusakte, juhendeid, KOTKAS-e infot

jms • Aitab kokku tuua taotluse jaoks vajalikud

andmed eri registritest ja kaartidelt • Juhib tähelepanu puudustele ja küsib taotlejalt

täpsustavaid küsimusi

Katsetuse eesmärk

Katsetada AI-abimeest, mis aitab vähendada puudustega taotlusi 90% ja kiirendada 2x lubade menetlusesse võtmise aega: ● AI-abimees aitab taotlejal kiirelt aru saada,

millist luba või keskkonnamõju hindamise sammu võib vaja olla

● AI-abimees aitab taotlejal koheselt koostada kvaliteetse taotluse

Projekti elluviijad: Kliimaministeerium, Keskkonnaamet, KEMIT

Võimalikud lahenduse pakkujad: AI- ja tarkvaraarendajad koos andme- halduse ja ruumiandmete ning kesk- konnakaitselubade ja keskkonamõjude hindamise ekspertidega

Eelarve ja kestus

2 050 000 eurot 24 kuud

o Umbes pooled taotlused sisaldasid puudusi ja saadeti täiendamiseks tagasi

o Keskkonnaloa taotluse esmase kontrolli mediaanaeg oli 28 päeva

Uuenduslikkus

● AI-referentsarhitektuur ja uut tüüpi tarkvara hankimise ning loomise metoodika, mida saavad kasutada teised projektid ja IT-majad

● Senise klienditoe korralduse muutus – proaktiivne vigade parandamine

Tuleviku ehitamis- ja planeerimiskeskkonna tsentraalse orkestreerimis- ja kvaliteedikontrolli katseprojekt Keskkonnaministeeriumi Infotehnoloogiakeskus

Probleem

● Riiklikud IT-arendus- ja hooldusprotsessid võtavad liiga palju aega – klient ootab väga kaua muudatuste elluviimist infosüsteemis

● Tüüpiline probleem kõikide riigi suurte IT- arendustega (projektis näitena e-ehituse platvorm)

● Kasutajate madal rahuolu e-ehituse platvormiga. Suured IT-süsteemid muutuvad tehniliselt väga keerukaks ning nende haldamine nõuab palju inimressurssi. Vigade leidmine ja parandamine on ajamahukas.

Lahendussuunad

● Keskne AI-orkestraator: luuakse AI-l põhinev ühine juhtimiskiht, mis juhib spetsialisee- ritud AI-agentide tööd (eraldi agendid koodi arendamiseks, käitamiseks, kasutajatoeks ja reeglite kontrolliks). See kiht analüüsib automaatselt muudatuste mõju kogu platvormile ja lubab tegevusi reaalajas.

● Nutikas monitooring reaalajas: AI-lahendus, mis tuvastab kasutajate sisulised tõrked süsteemis automaatselt, süsteem genereerib ise struktu-reeritud paranduspileti koos lahendusette-panekuga ilma kasutaja sekkumiseta

Katsetuse eesmärk

● Valideerida hüpoteesi, et AI rakendamisel tarkvaraarenduses on võimalik vähendada infosüsteemi arendus- ja hoolduskulusid minimaalselt 30 %

● Katsetada süsteemi, mis võimaldab e- ehituse platvormil iseennast AI abil edasi arendada ja automaatselt parandada (sh kasutajate tehnilised probleemid)

● Vähendada süsteemivigu ca 50% ning kiirendada uuenduste ja muudatuste jõudmist keskkonda – sellest tulenevalt lõppkasutajate rahulolu kasv

Projekti elluviijad: KEMIT, Maa- ja Ruumiamet

Võimalikud lahenduse pakkujad: Erasektori ettevõtted, kelle on sarnane kompetents (nt Nortal), pilveteenuste osutajad (nt AWS, Azure)

Eelarve ja kestus

823 000 eurot 19 kuud

Uuenduslikkus

● Droonipõhise batümeetrilise LiDARi kasutusele-võtt madalate ja raskesti ligipääsetavate piir-kondade mõõdistamiseks

● Sonariarhiivi andmete integreerimine uude hüdrograafilisse töövoogu

● AI-põhine andmeanalüüs mõõdistustulemuste töötlemiseks

HORNET - Eesti madalmere mõõdistamine droon- lidar lahendusega ning tehisaru andmetöötlus Transpordiamet

Probleem

● Eesti madalmereala, eriti alla 3 m sügavused ranniku- ja saarteäärsed piirkonnad, on tavapäraste laevapõhiste mõõdistusmeetoditega aeglaselt, kulukalt ja sageli ebapiisava ohutusega kaardistatavad

● Hinnanguliselt on Eestis ligikaudu 2 500 km² madalmereala, mille mõõdistamine on keeruline, ebaefektiivne või teostamatu

● Olemasolevate sonar- ja punktipilveandmete käsitsi analüüs on väga töömahukas

Lahendussuunad

● Ettevalmistus: AI-mudeli loogika kavandamine, andmehalduse põhimõtete määratlemine, katsealade valik

● Droon-LiDAR mõõdistuste läbiviimine ● Mõõdistusandmete töötlemine ja

sonariarhiiviga sidumine ● AI-mudeli arendamine ja treenimine ● Veealuste objektide automaattuvastuse

katsetamine. ● Kasutuselevõtu ja edasise rakendamise ette-

paneku koostamine

Katsetuse eesmärk

● Katsetada Eesti oludesse sobivat droonipõhist batümeetrilise LiDAR- mõõdistuse ja AI-põhise punktipilve analüüsi töövoogu, mis ühendab uued LiDAR seadmega kogutud andmed Transpordiameti sonariarhiiviga ning võimaldab automaatselt tuvastada veealuseid objekte ja anomaaliaid, sh kive, vrakke ja konstruktsioone

Projekti elluviija: Transpordiamet

Võimalikud lahenduse pakkujad: Eesti või rahvusvahelised pakkujad ning konsortsiumipartnerid, nt Reach-U, Datel, AlphaGIS, Regio, Hepta Airborne/Hepta Insights, Cybernetica, Quantum Horizon, Srini, Nortal

Eelarve ja kestus

1 140 000 eurot 26 kuud

Uuenduslikkus

● Katsetatakse mitte mõnd kitsast TI funktsiooni, vaid ühendatakse eri andmeallikad, normid, projektid, seisukorra-, hooldus-, liiklus- ja teeilmaandmed üheks loomulikus keeles kasutatavaks otsustustoeks

TeeTark TI otsustustugi Transpordiamet

Probleem

● Transpordiamet haldab 5 miljardi euro väärtuses teevara ning massiivset teeandmestikku, kuid need andmed paiknevad killustatult eri süsteemides

● Andmepõhiste investeeringu-, hooldus- ja kriisiotsuste kvaliteet ning kiirus saaks olla oluliselt parem

● Vaja on muuta andmed ühtseks ja praktiliseks otsustustoeks

Lahendussuunad

● Andmete ühendamine ühtseks teadmuskihiks

● TI-põhine loomuliku keele otsustustugi ● Kontrollitavad ja põhjendatud soovitused ● Teevara, hoolduse ja kriisiriskide ennustav

analüüs ● Pilootlahenduse testimine ja mõju

tõendamine

Katsetuse eesmärk

● Testida, kas tehisintellektil põhinev otsustustugi võimaldab:

● kasutada Transpordiameti andmeid terviklikult;

● Saada vähemalt tänase parima kvaliteeditasemega teehoiu-, investeeringu-, hooldus- ja kriisiotsused, vähendades analüüsi töö- ja ajakulu vähemalt 75%

Eelarve ja kestus

1 200 000 eurot 24 kuud

Projekti elluviija: Transpordiamet

Võimalikud lahenduse pakkujad: AI ja andmeanalüütika: STACC, Positium, MindTitan, Texta GIS ja taristuseire: Reach-U/EyeVi, Datel Avaliku sektori IT-lahendused: Nortal, Helmes, Net Group

MKM haldusala

Uuenduslikkus

● Tagantjärele aruandlusest liigutakse varajase hoiatuse töövahendini, mis oskab luua seoseid välissignaalide, turuandmete jm kihtide vahel

● Dünaamiliselt uuenev AI-põhine tarnetõrke eelhoiatuse mudel, mis loob uusi seoseid ja hindab riski ümber iga uue andmekihi lisandumisel

Tarnetõrke eelhoiatus Majandus- ja Kommunikatsiooniministeerium

Probleem

● Varud üksi ei taga varustuskindlust, vaja on varajast olukorratõlgendust, et teha paremaid otsuseid

● Riigil puudub tööriist, mis tõlgendaks erinevate väliste sündmuste, tarneahela ja turu signaale piisavalt varases faasis

● Otsused tuginevad killustatud andmetele ja käsitööle ning ei taga varustuskindlust parimal viisil - „tagantjärele tarkus“

● Jätkuvalt volatiilne julgeolekukeskkond ja IMERA määruse rakendamine kasvatavad ootust kriitiliste kaupade tarneahelate seirele

Lahendussuunad

● Kasutusjuhtude portfelli kujundamine (toit, esmatarbekaubad, ravimid, kütus), andmete ja nende kasutamise turvanõuete kaardistamine ja määratlemine

● Testkeskkonna ehk „liivakasti“ tingimuste ja nõuete kujundamine ja hankimine

● Mudelite katsetamine ja valideerimine (TRL7 tasemeni)

Katsetuse eesmärk

● Luua AI-põhine varustuskindluse eelhoiatuse prototüüp ja testida seda EVK tööprotsessides

● Ühendada olemasolevad andmed ja välis- signaalid ning koostada neist selgitatav ja ajas arenev riskisignaal

● Kontrollida, millistes kaasustes tekib suurim praktiline lisaväärtus

Projekti elluviijad: MKM (partner ja hankija) Eesti Varude Keskus (EVK) (sisuline tooteomanik), REM, SOM, KLIM, Ravimiamet, Terviseamet, Maksu- ja Tolliamet, Statistikaamet

Võimalikud lahenduse pakkujad: MindTitan, STACC, Texta, Helmes, Nortal, Trinidad Wiseman. TalTech ja TÜ teaduspartneritena

Eelarve ja kestus

1 140 000 mln eurot 24 kuud

Eelarve ja kestus

611 000 eurot 22 kuud

Uuenduslikkus Maailmas puudub eeskuju, mis ühendaks neli funktsionaalsust ühte aknasse: (1) AI-põhise õigusaktidest nõuete tuletamise; (2) integratsiooni riiklikku ehitisregistrisse, mitte eraldi portaali; (3) planeeringu- ja piiranguandmed; (4) kättesaadavuse esmase idee puhul ilma jooniste jm dokumentideta, kasutades isikuga seotud andmeid sisselogimise korral.

E-ehituse eelkonsultatsiooni moodul Maa- ja Ruumiamet

Probleem

Ehituslubade taotlemise protsess on ebamugav, ennustamatu, läbipaistmatu: ● Loataotlejal on raske aru saada, millised

nõuded tema ehitustegevusele kohalduvad ja kas ehitusvajadus tingib planeerimismenetluse vajaduse

● KOVi jõuavad puudulikud taotlused, mille menetlemise aeg kulub sisulise hindamise asemel vormivigadega tegelemisele

● Tulemuseks on menetluste venimine, osapoolte frustratsioon ning erinevused KOVide praktikas

Aastas väljastatakse umbes 10 000 ehitusluba.

Lahendussuunad

• Arendada ja valideerida AI-põhine e-ehituse eelkonsultatsiooni tööriista prototüüp, mille eesmärk on abistada ehitusloa taotlejat ideest ehitusloa taotluse esitamiseni:

• disainitakse ümber taotluse esitamiseni jõudmise loogika, lisades teekonna algusesse eelkonsultatsioon taotleja juhtumipõhiseks abistamiseks (millised nõuded, protsessid ja dokumendid talle kohalduvad)

• menetlejani jõuab kvaliteetsem taotlus ● Eesmärk on menetlusringide ja vormiliste märkuste

vähenemine, taotleja ja menetleja rahulolu tõus ja menetluse ajakulu vähenemine.

Projekti elluviijad: Maa- ja Ruumiamet, Kliimaministeerium, KEMIT

Võimalikud lahenduse pakkujad: AI- ja tarkvaraarendajad

Katsetuse eesmärk

Katsetatakse kahte põhimõtteliselt erinevat viisi taotleja juhtimiseks: ● AI-põhine kasutajaliides, kus kogu suhtlus

toimub dialoogiaknas. Kasutaja kirjeldab oma soovi loomulikus keeles ja vastab täpsustavatele küsimustele;

● AI-põhine juhtloogika, kus kasutaja liigub visuaalses keskkonnas, valib kaardilt asukoha ja vastab samm-sammult valikutele ning AI otsustab taustal, mida järgmisena näidata.

Testimise järel valitakse koostöös taotlejatega teda paremini toetav lahendus ja arendatakse e- ehituse testkeskkonnas toimivaks prototüübiks (TRL 7)

Uuenduslikkus

● Kogu failides olev info, mille leidmine on täna aeganõudev käsitöö, on ühe küsimuse kaugusel

● AI seob kokku dokumendi-, joonise-, mudeli- ja registriandmed

● Iga AI vastus on kontrollitav ja viib algallikateni ● Riik saab varasemates ja käimasolevates

menetlustes loodud infot uuesti kasutada

Menetlustes loodud pärandvara lugeja Maa- ja Ruumiamet

Probleem ● Riigi ja KOV-ide oluline ruumi- ja ehitusinfo on

lukustatud erinevatesse failidesse (seletuskirjad, joonised, mudelid, tabelid, menetlusdokumendid)

● MaRu vaates puudutab see ca 15 000 detailplaneeringut ja ca 69 miljonit EHR faili, mille sisu ei ole masinloetavalt otsitav ega analüüsitav

● Tallinna näitel tuleb planeeringu- ja ehitusloa menetlustes ning tellija vaates ehitusprojektide kontrollis infot käsitsi eri failide ja registrite vahel võrrelda

● Tulemuseks on ajakulu, andmevead ja hilja ilmnevad vastuolud, mis aeglustavad menetlusi ja ehituse dokumentatsiooni kvaliteedikontrolli

Lahendussuunad • „Failiavaja“ ja GraphRAG teadmusbaas: eri

formaadis failid registrites loetakse loodava AI- lahenduse abil läbi ja muudetakse ühtseks indekseeritud andmestikuks, kus info on JSON- kujul, seostatud ning algallikani jälgitav ja kasutatav AI-assistentide poolt

• MaRu ja Tallinna AI-assistendid: MaRu assistent toetab riiklikke planeeringu- ja loamenetlus- päringuid, Tallinna assistent menetluste ja ehitusprojektide dokumentatsiooni kontrolli. Mõlemad töötavad sama keskse baasi peal.

• 3D, BIM ja digikaksiku võimekus: võrreldakse projekti- ja üleandmisdokumente BIM-infoga, et tuvastada vastuolud enne, kui vigased andmed liiguvad digikaksikusse või menetlustesse

Katsetuse eesmärk ● Katsetada AI-toega pärandvara lugejat, mis

muudab vanad failid kasutatavaks otsustus- teadmuseks ning teha need kättesaadavaks AI- assistentidele (nii riigi kui KOV omad)

● Tõendada, kas AI suudab leida olulised andmed, tingimused ja vastuolud eri allikate vahel, eristada kehtivaid andmeid kehtetutest

● Hinnata ajasäästu ja kasutatavust planeerimises, menetlustes ja ehitusdokumentatsiooni kontrollis

● Testida, kas oleks võimalik andmeid AI abil saada kätte sellise kvaliteediga, et neid saaks teenustesse struktureeritud kujul masinloetavana salvestada

Projekti elluviijad: MaRu KEMIT, Tallinna linn

Võimalikud lahenduse pakkujad: TEXTA, STACC, MindTitan

Eelarve ja kestus

1 024 000 eurot 18 kuud

Uuenduslikkus

● Esmakordselt ühendatakse ruumiandmete automaatne uuendamine ja tehisintellektil põhinev loomulikus keeles päringute tegemine ühtseks lahenduseks

Ruumiandmete süvaõppe andmestiku testimine automaatse Eesti Topograafia Andmekogu uuendajana ja poliitika kujundamist abistava tööriistana Maa- ja Ruumiamet, Keskkonnaministeeriumi Infotehnoloogiakeskus

Probleem

● Riiklike ruumiandmete ajakohastamist tehakse täna suuresti käsitsi (u 50 000 töötundi aastas), mis on aeglane ja ressursimahukas protsess

● Täna ei jõua andmed piisavalt kiiresti muutunud tegelikkust peegeldada

● Oluline ruumiinfo jääb sageli otsuste tegemisel kasutamata, kuna ruumiandmete kasutamine on keeruliste infosüsteemide ja eriteadmiste vajaduse tõttu otsustajatele, ametnikele ning teadlastele raskendatud

Lahendussuunad

• Ruumiandmete automaatne uuendamine AI abil – luuakse automaatne muutuste tuvastamise töövoog ETAK-i uuendamiseks, mille käigus AI tuvastab maastikul toimunud muutused ning koostab ettepanekud ETAK-i andmete ajakohastamiseks. Spetsialistid valideerivad ka kinnitavad.

• AI-assistent ruumiandmete kasutamiseks – luuakse AI-l põhinev assistent, mis võimaldab esitada ruumiandmete kohta küsimusi loomulikus keeles ning saada kiiresti analüüse ja vastuseid ilma GIS-i eriteadmisteta. See laiendab oluliselt ruumiandmete kättesaadavust.

Katsetuse eesmärk

● Välja selgitada, kas AI-l põhinev süvaõppelahendus võimaldab riiklike ruumiandmete uuendamist vähemalt osaliselt automatiseerida ning muuta ruumiandmed otsustajatele, ametnikele ja teadlastele lihtsamini kasutatavaks

● Testida, kui täpselt suudab mudel tuvastada muutusi ruumis, kui usaldusväärselt vastab AI- assistent ruumiandmetega seotud päringutele ning millist tööaja- ja ressursisäästu on võimalik saavutada, võrreldes tänase suuresti käsitsi toimiva protsessiga

Projekti elluviijad:

Võimalikud lahenduse pakkujad:

Eelarve ja kestus

967 000 eurot 21 kuud

Maa- ja Ruumiamet (kasusaaja) KEMIT (hankija, arenduse vastuvõtja, majutus- platvormi pakkuja)

CGI Eesti, Datel, Mindtitan, Solita, STACC

REM haldusala

Uuenduslikkus

• Multiallikaline, allikasõltumatu AI-seire - mitte ühe andmeallika või markeri parendus

Täpispinnaseire projekt maa digikaksiku loomiseks Põllumajanduse Registrite ja Informatsiooni Amet (PRIA)

Probleem

● Toetuste õiguspärane maksmine vajab täpset ja ajakohast ülevaadet toetus- õiguslikust maast

● Seiremaht on tohutu: ~1 mln ha s.o ca 200 000 põldu/niitu, mida igal aastal on vaja seirega 100% kontrollida

● Praegune kontroll on käsitöömahukas ja ebatäpne (eeldatav kokkuhoid PRIA tööjõult 350 000 eur/aastas)

● Riskiks on EL raha mittesihipärane kasutus ja finantskorrektsioonid

Lahendussuunad

• Luuakse AI-agentne raamistik ja maa digikaksik: ajas muutuv andmestik tegelikust maakasutusest

• Lahendus ühendab satelliidi-, ortofoto-, drooni-/lennuki- ja sensorandmeid eri kvaliteedis, täpsuses ja ajasageduses

• Lahendus tuvastab maakasutuse, kultuurid ja piirid, jälgib muutusi (niitmine/ kündmine/ tekkinud kahjustused) ning hindab vea- määra

• Piloteerimine põllumajanduses, kuid skaleerimispotentsiaal ka mujal (koostöö MaRu-ga juba käimas)

Katsetuse eesmärk

● Katsetada ja piloteerida uusi tehnoloogilisi võimalusi markeripõhises täpisseires

● Testida, kui palju senisest kiiremini, täpsemalt ning väiksema ressursikuluga õnnestub füüsilises ruumis toimuvaid muutusi tuvastada ja hinnata

● Testida mudelite korrektsust ja usaldus- väärsust tegeliku maakasutuse vastu

Projekti elluviijad: PRIA MaRu, Kaitsejõud, Tartu Ülikool

Võimalikud lahenduse pakkujad: Airbus Defence & Space, Planet Labs, ICEYE Eestis: KappaZeta OÜ, CGI Eesti OÜ ja Tartu Ülikool

Eelarve ja kestus

1 200 000 eurot 18 kuud

Uuenduslikkus

• AI-l põhineva masinnägemise rakenda- mine veterinaarse järelevalve protsessis, et muuta tapamajas visuaalne kontroll andmepõhiseks reaalajas otsustustoeks

• Uue toimemudeli katsetamine, mis ühendab toiduohutuse, loomade heaolu ja andmeanalüüsi ühtseks süsteemiks

AI-põhise veterinaarse kontrolli ja loomade heaolu seiresüsteemi arendamine tapamajades Põllumajandus- ja Toiduamet

Probleem

● Veterinaarne tapajärgne kontroll on töö- mahukas, sõltub visuaalsest hindamisest ning selle kvaliteet võib varieeruda

● Veterinaararstide nappus ja suurenev töö- koormus ohustavad järelevalve tõhusust ja jätkusuutlikkust

● Kontrolli käigus kogutavat infot ei saa kasutada süsteemselt riskipõhiseks järelevalveks, loomade heaolu hindami- seks ega farmidele tagasiside andmiseks

Lahendussuunad • Eelistatud lahendussuund on süvaõppel põhinev

masinnägemise süsteem, mida vajadusel täiendatakse hübriidkomponentidega (nt reegli- põhine eelklassifitseerimine). Põhjendused:

• võimaldab tuvastada keerukaid ja varieeru- vaid patoloogiaid;

• sobib reaalsetesse tapamaja tingimustesse; • toetab pikaajalist skaleeritavust ja mudelite

täiustamist; • võimaldab luua farmipõhise andmepõhise

süsteemi, mitte ainult ühe liini lahendust. • Alternatiivsed lahendussuunad:

• Klassikaline pilditöötlusel ja eeldefineeritud reeglitel põhinev süsteem (nt värvuse, kontrasti ja kuju analüüs)

• Kombinatsioon reeglipõhisest eelfiltreerimi- sest ja AI-põhisest lõppklassifikatsioonist

Katsetuse eesmärk

• Katsetada AI-põhise visuaalse kontrolli võimekust broilerite ja sigade rümpade saastatuse, patoloogiate ning loomade heaolu näitajate automaatsel tuvastamisel reaalses tapamajas

• Hinnata AI-lahenduse täpsust ja töökindlust, võrreldes ametliku veterinaarkontrolli tulemustega ning mõõta kõrvalekallete avastamise tundlikkust, spetsiifilisust ja ajakulu

• Katsetada andmete automaatset edastamist PTA järelevalvesüsteemi ning hinnata, kuidas AI abil kogutud struktureeritud andmed toetavad riski- põhist järelevalvet, loomade heaolu hindamist ja farmipõhist tagasiside andmist

Projekti elluviija: Põllumajandus- ja Toiduamet

Võimalikud lahenduse pakkujad: Tehisintellekti ja masinnägemise arenduspartner(id), IT ja integratsioonipartner(id), andmekaitse ekspert

Eelarve ja kestus

1 000 000 eurot 36 kuud

RAM haldusala

Uuenduslikkus

● Selgitatav tehisintellekt (XAI) kõrgendatud usaldusväärsuse nõuetega tööprotsessides

● Ühendab teadmiste säilitamise, hüpoteeside kontrollimise, põhjenduskäigu jälgitavuse ja inimjärelevalve

● Ei genereeri üksnes vastuseid, vaid seob järeldused tõenditega ja dokumenteerib analüüsikäigu

AI-agentide põhine otsustustugi Maksu- ja Tolliamet

Probleem

● Kasvavad andmemahud, rohkem osapooli ja piiriülesed seosed muudavad olulise teabe kiire leidmise ja seoste mõistmise üha keerukamaks

● Oluline osa teadmusest põhineb töötajate kogemusel ja võib kogenud töötajate lahkumisel kaduda

● Ajasurve tõttu jäävad alternatiivsed hüpoteesid sageli süstemaatiliselt hindamata

Lahendussuunad

• Eelistatud suund: selgitataval tehis- intellektil põhinev otsustustugi, mis ei asenda inimese otsuseid, vaid toetab neid.

• Teadmiste kogumine, dokumentide analüüs ja alternatiivsete hüpoteeside võrdlemine

• Põhjenduskäigu dokumenteerimine ning seoste tuvastamine ja visualiseerimine

• Prototüübi väljatöötamine turvalises ja kontrollitud keskkonnas

• Katsetamine valitud kasutusjuhtumitega

Katsetuse eesmärk

● Hinnata, kas selgitataval tehisintellektil (XAI) põhinev otsustustugi parandab keerukate juhtumite analüüsi kvaliteeti ja säilitab organisatsioonilist teadmust

● Sihttasemed: teabe leidmise aeg −50%, analüüsi aeg −30%, seoste tuvastamine −70%, jälgitavus ja auditeeritavus vähemalt 90%.

Projekti elluviija: Maksu- ja Tolliamet

Võimalikud lahenduse pakkujad: Nortal, Helmes, CGI Eesti, Net Group, MindTitan, STACC jt tehisintellekti- ja tarkvaraarenduse ettevõtted

Eelarve ja kestus

1 471 000 eurot 24 kuud

Uuenduslikkus

● Esmakordne ühtne AI-võimekusega röntgenipiltide andmebaas Eesti tollikontrollis

● Kauganalüüs muudab töö asukohast sõltumatuks

● Lahendus on skaleeritav ja rahvusvaheliselt liidestatav

Tollikontrolli AI-põhine pildianalüüsi platvorm Maksu- ja Tolliamet

Probleem

● MTA kuus röntgenseadet toodavad aastas kuni 60 000 pilti, mida analüüsitakse täielikult käsitsi ja kohapeal

● Tsentraalne pildipank puudub: pildid paiknevad lokaalselt masinates, mis takistab teadmiste süsteemset kogumist, jagamist ja tehisintellekti rakendamist

● Kasvav töökoormus ja ajasurve suurendavad avastamata rikkumiste riski ning pikendavad kontrolliaegu ja ooteaegu piiril, mõjutades kaubavoogusid ja maksulaekumist

Lahendussuunad

● Kaks peamist katsetuse suunda: hajutatud (edge) AI-lahendus ja tsentraalne keskse tehisintellekti mudeli lahendus

● Hajutatud suund: esmane pilditöötlus ja eelanalüüs röntgenseadmete lähedal, reaalajas otsustustugi kohapeal

● Tsentraalne suund: pildid koondatakse keskselt, ühtne mudel tagab ühtlase kvaliteedi ja lihtsama halduse

● Mõlemad loovad tsentraalse pildipanga ja rakendavad AI-analüüsi, säilitades inimjärelevalve

Katsetuse eesmärk

● Valideerida röntgenipiltide tsentraalse halduse ja AI-l põhineva analüüsi lahendus 2–3 röntgenseadmega reaalses töökeskkonnas

● Sihttasemed: analüüsi aja vähenemine vähemalt 15%, vähemalt 10 000–15 000 pildi kogumine ja analüüs, parem riskimustrite ja anomaaliate tuvastamine

● Luua toimiv tsentraalne pildipank koos kaug-analüüsi ja teadmiste jagamise võimekusega ning hinnata lahenduse tehnilist toimivust ja skaleeritavust

Projekti elluviija: Maksu – ja Tolliamet

Võimalikud lahenduse pakkujad: Leidos (Mezzo platvorm) ja Armgate (BAXE2 lahendus)

Eelarve ja kestus

1 300 000 eurot 18 kuud

Uuenduslikkus

● Ühendame tervikuks kaks seni eraldi arenenud suunda: tehisintellekti tehnoloogiad ja standardipõhise andmehalduse

● Loome valdkondadeülese teadmuskihi, mis ühendab eri valdkondade andmed, mõisted ja metoodika. Senised katsetused on enamasti piirdunud ühe valdkonnaga.

TI-valmis andmestikud Statistikaamet

Lahendussuunad

● Koondada andmete kirjeldused, metoodikad ja muu dokumentatsioon TI jaoks hallatavaks ja kontrollitavaks allikabaasiks

● Siduda andmestikud, mõisted ja klassifikaatorid omavahel seotud teadmiste võrgustikuks ehk teadmusgraafiks

● Katsetada andmete leidmiseks TI-toega otsingut, mis vastab loomulikus keeles ning viitab kasutatud andmetele ja metoodikale

● Automatiseerida osaliselt metaandmete loomist ja ajakohastamist

Katsetuse eesmärk

● Luua ja katsetada Statistikaameti andmetel teadmuskihi prototüüp ehk omavahel seotud andmete ja neid selgitava info tervik

● Katsetada, kas lahendus parandab andmete leitavust, mõistetavust ja taaskasutust

● Töötada välja toimemudel ehk tehniline lahendus, rollid, vastutus ja tööprotsessid, mille alusel saab teadmuskihi kasutusele võtta kogu avalikus sektoris

Projekti elluviija: Statistikaamet

Võimalikud lahenduse pakkujad: Ülikoolid, Cybernetica, STACC, MindTitan, CGI, Texta, rahvusvahelised ettevõtted

Eelarve ja kestus

1 076 400 eurot 18 kuud

Probleem

● TI töötleb hästi teksti, kuid ei mõista ilma lisa- kontekstita usaldusväärselt tabeleid, statistilisi näitajaid ega registriandmeid

● Andmed, nende kirjeldused, mõisted ja metoodika paiknevad eri süsteemides ega ole masinloetavalt seotud, mistõttu on õigete andmete leidmine ja tõlgendamine ajamahukas ja keeruline nii inimestele kui TI-lahendustele

● Ilma tähendust ja konteksti siduva semantilise kihita ei saa TI-lahendused ega AI-agendid andmeid usaldusväärselt kasutada. Nii jäävad andmed alakasutatuks ning suureneb eksitavate vastuste ja dubleeriva kogumise risk.

KAM haldusala

Uuenduslikkus

● Kontrollitud elektromagnetilise häiringu mõjuala sisaldava välitestala ja tervikliku katse- ning valideerimismudeli loomine, mis võimaldab hinnata mehitamata süsteemide töökindlust õiguspäraselt, ohutult ja mõõdetavalt

Kiltsi elektroonilise sõjapidamise innovatsioonikeskus Kaitseministeerium

Probleem

● Eestis puudub realistlik ja kontrollitud testkeskkond, kus saaks katsetada elektroonilise sõjapidamise ning droonitehnoloogiate toimimist tegelikele kasutustingimustele sarnanevas keskkonnas

● Olemasolevad testimisvõimalused on killustunud ja raskesti kättesaadavad avaliku sektori asutustele, teadusasutustele ja ettevõtjatele

● Valdkonna arendamine toimub eri sektorites eraldiseisvalt. Seotud asutuste vahel puudub terviklik koostöö- ja tegevusraamistik.

Lahendussuunad

● Avatud ja paindliku kasutusmudeliga innovatsioonikeskuse loomine

● Nõuetele vastava välitestala ning EMC/EW mõjuala rajamine

● Testimist toetava õigusliku ja menetlusliku raamistiku kujundamine ja/või olemasoleva raamistiku täiendamine

Katsetuse eesmärk

● Välja töötada ning valideerida kontrollitud elektromagnetiliste häiretega mehitamata süsteemide katse- ja valideerimiskeskkonna kontseptsioon

● Katseprojekti käigus loodavad tulemused panustavad „Eesti mehitamata sõidukite sektori arengu lähtealustes ja teekaardis 2026-2030“ seatud eesmärkide elluviimisesse

Projekti elluviijad: Kaitseministeerium Kaitseliit, Kaitseväe Akadeemia, Kaitseväe Tulevikuvõime ja Innovatsiooni Väejuhatus, Eesti Lennuakadeemia, RKIK, TTJA

Võimalikud lahenduse pakkujad: Droonivaldkonda arendavad riigiasutused ja ettevõtted

Eelarve ja kestus

2 321 500 eurot 24 kuud

Uuenduslikkus

● Esmakordne AI-as-a-Capability mudeli katsetamine Eesti kaitsevaldkonnas

● Tsentraalse, turvalise ja jagatud AI- võimekuse valideerimine

● NATO DIANA ja NATO Innovation Range AI/küber-testkeskkonna võimekuse arendamine

● Tõenduspõhine otsustusraamistik tehnoloogiliste, arhitektuursete ja organisatsiooniliste valikute tegemiseks

AI mudelite treeningkeskkond SA CR14

Probleem

● Kaitsevaldkonnas puudub valideeritud AI hindamis- ja kasutusmudel kõrge turvanõudlusega keskkondades

● Pilvelahendused ei sobi alati tundlike andmete ja andmesuveräänsuse nõuete tõttu

● Puudub ühine AI treening-, testimis- ja valideerimiskeskkond KM valitsemisalas

Lahendussuunad

● Tsentraalne GPU-põhine AI- treeningkeskkond

● Lokaalne LLM dokumentide ja teadmushalduse jaoks

● Turvaline AI-toega tarkvaraarendus ilma pilveteenuseid kasutamata

Katsetuse eesmärk

● Valideerida AI kasutamiseks vajalik tehniline keskkond ja toimemudel

● Hinnata erinevate AI arhitektuuride sobivust kaitsevaldkonnas

● Luua kriteeriumite raamistik edasiste AI- investeeringute ja võimearenduse jaoks

Projekti elluviija: SA CR14 (KAM sihtasutus)

Võimalikud lahenduse pakkujad: Süsteemiintegraatorid ja taristupakkujad AI-arenduspartnerid Andmekeskuste teenusepakkujad Teadus- ja arendusasutused

Eelarve ja kestus

1 828 000 eurot 18 kuud

SIM haldusala

Uuenduslikkus

● Autonoomse kaabeldrooniga seireroboti, mis seirab kahel tasandil ja teostab liikumise pealt ka maastikuseiret ja - analüüsi, komplekslahenduse väljatöötamine on Eesti ja lähipiirkonna jaoks uudne

Autonoomne kaabeldrooniga seirerobot idapiirile Politsei- ja Piirivalveamet

Probleem

● Piirivalvurite isikkoosseisu nappus on kasvav probleem, olemasoleva ressursiga on keeruline omada pidevat ja terviklikku ülevaadet piiril toimuvast

● GNSS-signaali segatakse idanaabri poolt üha võimsamalt ning piiriribal on drooniseire ja õhudroonide kasutamine võimalik väga piiratult

● Pikaajalistel kohtvaatlustel ja otsingutel tulevad inimvõimete piirid ette, ei ole võimalik olla 24/7 mitmes kohas korraga

● Statsionaarsed seirekaamerad ei anna laiapindset olukorrapilti

Lahendussuunad

● Töötatakse välja mehitamata tehnoloogiad ja autonoomse seireroboti prototüüp, mis suudab pakkuda olukorrateadlikkust nii maismaal kui õhus idapiiril, aga ka suur- üritustel ja kriisiolukordades, ning mida katsetatakse reaalelu tingimustes

Katsetuse eesmärk

● Arendada ja koostoimelisena katsetada uut automatiseeritud komplekslahendust, teostades seiret nii liikumisel kui kohtvaatlusel

● Tõsta piiri valvamise võimekust idapiiril läbi uue komplekslahenduse, mis võimaldaks seirevõimekuse tõstmist piirivööndis maal ja õhus ning efektiivistaks patrulltegevust

● Leida uuenduslikud lahendused laiapindseks seireks ja andmeanalüüsiks olukorras, kus GNSS on pidevalt segatud

Projekti elluviijad: PPA Koostööpartneritena Kaitsevägi, Kaitseliit, Siseministeerium, Kaitse- ja Kosmose- tööstuse Liit, teaduskeskused ja SMIT

Võimalikud lahenduse pakkujad: Nii praktiline kui teoreetiline kompetents on olemas nii Eestis kui Euroopas: IKT-arendus- ettevõtted, seirerobotite ja kaabeldroonide pakkujad

Eelarve ja kestus

1 285 800 eurot 28 kuud

Uuenduslikkus

• Drooniohtu käsitletakse paljude eri osapoolte andme-, otsustus- ja koostööprobleemina, mitte üksnes tehnilise tuvastusprobleemina

• Viiakse läbi eri andme- ja sensoritüüpide kasutatavuse võrdlev katsetamine ühtse olukorrapildi loomisel

• Füüsiline ja digitaalne katsetus seotakse ETO- de, PPA, turvasektori ja akadeemilise vaatega

Drooniohu tuvastuse ja otsustustoe rakenduse katsetamine elutähtsa teenuse objektidel (ETO) Sisekaitseakadeemia

Probleem

• ETO-del puudub läbi katsetatud mudel drooniohu varaseks tuvastamiseks, ühise ohu- pildi loomiseks ja operatiivseks otsustustoeks

• Droonioht mõjutab kriisikindlust, objektiturvet ja elutähtsate teenuste toimepidevust

• Katsetamata lahendused suurendavad vale- investeeringute ja killustatud reageerimise riski

Lahendussuunad

• Füüsilised katsetused vähemalt 3 ETO objektitüübil: energia, finants, tervishoid

• Sensorid ja andmeallikad: RF, radar, kaamerad, objekti turvasüsteemid, sündmusteave

• Otsustustoe prototüüp: olukorrapilt, riskitase, rollipõhised tegevusvalikud

• Digitaalne katsekeskkond/digikaksik ning VR/XR valitud stsenaariumites

Katsetuse eesmärk

• Töötada välja ja katsetada piiratud funktsio- naalsusega otsustustoe prototüüp

• Kontrollida, kas ja kui palju ühine olukorrapilt lühendab ohu hindamise ja eskaleerimise aega

• Mõõta mõju olukorrateadlikkusele, rolli- selgusele ja koordineeritud tegutsemisele

• Edu: 3 objektipõhist katsetust, 3 sensoritüübi hinnang, kasutajate tagasiside ja lõppraport

Projekti elluviijad:

Sisekaitseakadeemia

Sisupartnerid: Elering, Eesti Pank, Tartu Ülikooli Kliinikum, Politsei- ja Piirivalveamet, Kaitseväe Õhuvägi Eesti Turvaettevõtete Liit. Akadeemilised nõustajad: TalTech, Kaitseväe Akadeemia, Eesti Lennuakadeemia

Võimalikud lahenduse pakkujad:

Droonituvastuse ja C-UAS pakkujad; otsustustoe, andmefusiooni ja TI arendajad; digikaksiku ja VR/XR lahenduste pakkujad; õigus-, infoturbe- ja lennuohutuse eksperdid

Eelarve ja kestus

1 400 000 eurot 24 kuud

SOM haldusala

Uuenduslikkus

Ohutusjuhtumitest õppimise automatiseeritud töövoog

Intsidendist õppetunnini: AI-lahendus patsiendiohutuse parandamiseks ja juhiste rakendamise kiirendamiseks tervishoiuasutustes Terviseamet

Probleem

Patsiendiohutuse juhtumitest õpitakse liiga aeglaselt. • Patsiendiohutuse andmekogus on

tuhandeid juhtumeid, kuid õpikohad ei jõua piisavalt kiiresti praktikasse

• Klassifikatsioon ei ava alati tegelikku riskimustrit - oluline info on sageli vabatekstis

• Patsiendi ohutusjuhtumite tagajärgedega tegelemine võtab OECD hinnangul ca 10- 15 % ravieelarvest, Eestis on see ca 250 miljonit eurot aastas

Lahendussuunad

Intsident → anonümiseerimine → AI-analüüs → juhiste kontroll → õpiampsu mustand → ekspertvalideerimine → töötajale

AI loob mustandi, inimene kinnitab sisu: • Intsidendi vabatekst anonümiseeritakse ja

struktureeritakse • AI/NLP + juhistepõhine RAG seob juhtumi

kehtiva teadmusega • Eksperdid valideerivad kliinilise täpsuse

enne avaldamist • Piloot 3-5 haiglas

Katsetuse eesmärk

Valideerida AI-toega õppetsükkel päris tervishoiukeskkonnas. • Katsetada, kas intsidendiraportitest saab

luua valideeritud õpiampse (eesmärk vähemalt 30 õpiampsu)

• Testida senise 4-aastase õpitsükli muutmist 24-tunniseks

• Hinnata lahenduse tehnilist toimivust, kasutatavust ja eksperdi töökoormust

• Hoida raha kokku välditavate patsiendiohutusjuhtumite pealt

Projekti elluviija: Terviseamet

Võimalikud lahenduse pakkujad: Digitaalse tervishoiu ja terviseinformaatika lahenduste pakkujad; AI, loomuliku keeletöötluse ja andmeteaduse arendajad; eksperdid

Eelarve ja kestus

1 060 000 eurot 24 kuud

Uuenduslikkus

Haigla infosüsteemi AI-valmisoleku analüüs ja testimine SA Tartu Ülikooli Kliinikumis SA Tartu Ülikooli Kliinikum

Probleem LahendussuunadKatsetuse eesmärk

Projekti elluviija: SA Tartu Ülikooli Kliinikum

Võimalikud lahenduse pakkujad: Teadus- ja akadeemilised partnerid: Tartu Ülikool Regulatiivse ja õigusliku toe pakkujad: Sorainen, COBALT, KPMG Rahvusvahelised koostööpartnerid: Karolinska Institutet ja TPM konsortsiumi välispartnerid Tehnoloogia- ja arenduspartnerid: Nortal AS, Cybernetica AS Tervisetehnoloogia ökosüsteem: Health Founders Estonia võrgustiku koostööpartnerid

Eelarve ja kestus

1 475 000 € 24 kuud

● Eestis puudub süsteemne ja korduvkasutatav mehhanism, mis viiks AI-lahendused terviseandmetest kliinilise valideerimise ja kasutuselevõtuni

● Haiglate valmisolek innovatsiooniprojektide vastuvõtuks, piloteerimiseks ja valideerimiseks on piiratud

● Puudub terviklik haiglasisene raamistik, mis ühendaks innovatsioonijuhtimise, andmehalduse, regulatiivse valmisoleku ja kliinilised katsetused

● Avaliku sektori võimekus kasutada AI-d otsustustoes, ennetuses ja ravikvaliteedi parandamises on tervisevaldkonnas puudulik

● Tervisetehnoloogiaettevõtetel on keeruline oma lahendusi Eestis kliiniliselt testida ja rahvusvahelistele nõuetele vastavalt valideerida

•.

• Testida, kas SA Tartu Ülikooli Kliinikumi jaoks saab luua ja rakendada korduvkasutatava AI Site Readiness-mudeli, mis võimaldab tehisintellektil põhinevaid tervisetehnoloogiaid süsteemselt hinnata, piloteerida ja kliiniliselt valideerida reaalses haiglakeskkonnas

• Viia läbi haigla infosüsteemi AI Site Readiness analüüs (andmeallikad, andmevood, integratsioonid, infoturve ja regulatiivne valmisolek)

• Töötada välja haiglasisene innovatsiooniprojektide juhtimise ja AI-lahenduste valideerimise raamistik

• Luua AI-integratsioonide referentsarhitektuur ning standardi-seeritud arendus-, piloteerimis- ja valideerimisprotsess

• Testida loodud mudelit kolme erineva AI kasutusjuhtumi pilootprojektiga reaalses haiglakeskkonnas

• Täiendada mudel korduvkasutatavaks lahenduseks teistele Eesti e-HL haiglatele

• Eesti esimene terviklik AI Site Readiness-mudel haiglatele

• Ühte raamistikku ühendatakse tehniline valmisolek, innovatsioonijuhtimine, andmehaldus, regulatiivne vastavus ja kliiniline valideerimine

• Rahvusvahelised praktikad kohandatakse Eesti tervishoiusüsteemi, e-HL haiglainfosüsteemi ning AI Act’i ja EHDS’i nõuetega

JUSTDIGI haldusala

Uuenduslikkus

● Sündmuspõhine autonoomne reageerimine

● Kiiresti teisaldatav seirevõimekus ● AI-põhine olukorrateadlikkus ● Eesti kliimas ja õigusruumis valideeritud

MVP

Autonoomne mobiilne seire- ja reageerimis- võimekus Tartu Vangla

Probleem

● Puudub paindlik mobiilne lahendus eri objektide valveks vanglas

● Tänane seire tugineb inimressursile ja statsionaarsetele valvesüsteemidele

● Sensorist või valvesüsteemist saadud häire ei käivita automaatselt täiendavat olukorra kontrollimist

● Autonoomse mobiilse lahenduse toimivus Eesti kliimas, õigusruumis ja töökorralduses vajab tõendamist

Lahendussuunad

● Portatiivne droon koos mobiilse baasjaamaga, mis ei vaja püsitaristut

● Autonoomne lend sündmuse piirkonda minimaalse inimsekkumisega

● Liidestamine olemasolevate sensorite ja valvesüsteemidega

● Tehisintellektil põhinev objektide tuvastamine ja klassifitseerimine

● Alternatiivsete navigatsioonimeetodite katsetamine GNSS-häirete korral

● Töökindluse katsetamine erinevates ilmastikuoludes

Katsetuse eesmärk

● Arendada autonoomse droonilahenduse töötav prototüüp (MVP)

● Võimaldada süsteemil reageerida välisest sensorist või valvesüsteemist saadud sündmusele

● Tuvastada sündmuspiirkonnas objekte ja edastada olukorrainfo seiresüsteemi operaatorile

● Valideerida lahenduse tehniline, operatiivne ja õiguslik toimivus Tartu Vanglas

Projekti elluviija: Tartu Vangla

Võimalikud lahenduse pakkujad: Drooni-, kaitsetööstuse, AI- ja süsteemiintegratsiooni ettevõtted ning teadus- ja arendusasutused

Eelarve ja kestus

1 395 000 eurot 24 kuud

KUM haldusala

Uuenduslikkus

• AI-põhine teavikute automaatne tuvastamine ja sobitamine

• AI-põhine teavikute pakkumine partneritele • Vahetuskogu varu nähtavus partneritele

reaalajas ja iseseisev tellimine

AI-põhine raamatukogude vahetuskogu töövoo prototüüp ja ringmajanduslik jaotusmudel Eesti Rahvusraamatukogu

Probleem • 2025. aastal võeti vastu 463 371 teavikut, kuid neist

61% suunati jäätmekäitlusesse • Tänane käsitsi tehtav töövoog ei võimalda teavikute

ringluskõlblikkust, nõudlust ja logistilist teostatavust piisavalt kiiresti ja süsteemselt eristada

• Puudub ühtne digitaalne süsteem, mistõttu partnerid ei näe reaalajas, mis teavikud on saadaval ja mis ootel

• Vastuvõetavate teavikute arv kasvab pidevalt, kuid töövoog jääb samaks - lisanduv koormus kaetakse vabatahtlike abiga, mis pole jätkusuutlik lahendus

• Praegune killustatud töövoog piirab üleriigilise vahetuskogu terviksüsteemi tõhusust

Lahendussuunad • Vahetuskogu töövoo kaardistamine ja

standardiseerimine • AI-põhise tarkvaralahenduse ja partnerite

portaali hankimine avatud hankega • Laohaldussüsteemi juurutamine hoidlas • Logistikateenuse integreerimine • Piloot 5 partneriga, mõju mõõtmine ja

hindamine

Katsetuse eesmärk • Piloteerida AI-põhist töövoogu koos partnerite

portaaliga, mis tõhustab vahetuskogu teavikute ringlust

• Vähendada manuaalset tööd ja luua ühtne digitaalne töövoog vahetuskogu ja partnerite vahel

• Luua prototüüp, mida on eduka rakendamise korral võimalik laiendada üleriigiliselt

• Mõõta piloodi lõpus edukust ringluse kasvu (+20%) ja jäätmemahu vähenemise (-15%) põhjal

Projekti elluviija: Eesti Rahvusraamatukogu

Võimalikud lahenduse pakkujad: AI-tarkvarafirmad, logistikaettevõtted, raamatukogusüsteemide liidestajad

Eelarve ja kestus

820 000 eurot 24 kuud

•.

HTM haldusala

Uuenduslikkus

• Loob droonisektoriüleselt kasutatava tehniliselt tervikliku andmebaasi ja lahenduse

• Muudab efektiivsemaks droonilahenduste kasutuselevõtu ning hankimise avalikus sektoris läbi digitaalsete tehnoloogiate

Mehitamata õhusõidukite õhuruumi digikaksik avaliku sektori droonikatsetusteks ja kutseõppeks Tallinna Tehnoloogiakolledž (Drooniakadeemia)

Probleem

● Droonid muutuvad andmemahukamaks ja autonoomsemaks ning nende kasutamine eeldab ruumiandmete, side, õhuruumi piirangute, ilmastiku, sensorite ja riski- hindamise koostoimet

● Eestis puudub mehitamata õhusõidukitele ühtne virtuaalne õhu- ja ruumiandmete katsekeskkond, kus enne reaalses õhu- ruumis katsetamist luua stsenaariume, kontrollida marsruute, võrrelda drooni- profiile ja hinnata andmete piisavust ja riske

Lahendussuunad

Lahendusidee koosneb kuuest moodulist: • andmete sissetoomise ja kvaliteedi-

kontrolli moodul • 3D- ja kaardivaade • stsenaariumimootor, simulatsioon-

funktsioon • drooniprofiili ja parameetrite moodulid • marsruudi, piirangute ja riskihindamise

moodul; andmekihtide lisamine, ühendamine

• õppe-, tagasiside- ja ekspordimoodul

Katsetuse eesmärk

Luua ja katsetada droonilendude virtuaalseks simuleerimiseks Eesti õhuruumi digikaksik, kus on: • hoone- ja takistusmahud ligikaudu LOD

2.5-3 / LOD 250-300 tasemel • maastiku- ja kõrgusmudelid • taimestikumahud • punktipilve üldistused • õhuruumi piirangud • sidekatvuse kiht • üldistatud taristu- ja riskikihid • ja muud olulised andmekihid

Projekti elluviija: Tallinna Tehnoloogiakolledž

Võimalikud lahenduse pakkujad: NVIDIA Omniverse, Unreal Engine, Dassault Systèmes / 3DEXPERIENCE, Hexagon, Virtual City, LendurAI, Tekever

Eelarve ja kestus

605 000 eurot 18 kuud

KOV

Uuenduslikkus

● Ametnik kirjeldab teenust, AI loob digiteenuse

● Agent teeb õigus- ja andmeanalüüsi ning loob e-vormi

● Loomine ei eelda IT-teadmisi

Kohaliku omavalitsuse digiteenuse loomise agent Eesti Linnade ja Valdade Liit

Probleem

● Elanikel puudub üle Eesti ühtlane ligipääs kaasaegsetele digiteenustele

● Eesti 78 omavalitsusest arendab digiteenuseid süsteemselt vaid umbes 15

● Digiteenuse loomine eeldab mitme spetsialisti koostööd ning võtab nädalaid või kuid

● Väiksematel omavalitsustel napib raha ja digipädevaid spetsialiste

Lahendussuunad

● Olemasoleva e-teenuste platvormi (Spoku) täiendamine AI-agendiga

● Rahvusvahelise lahenduse (nt eRegistrations) täiendamine

● Uue avaliku sektori e-teenuste keskkonna loomine, mida hakkab haldama ELVL

Katsetuse eesmärk

● Töötada välja tehisintellektil põhinev digiteenuste loomise agent ja piloteerida seda viies omavalitsuses (Tartu, Pärnu, Viimsi, Saue ja Türi)

● Vähendada lihtsama digiteenuse loomise aega vähemalt 70%

● Luua agendi abil vähemalt 25 digiteenust; 80% ametnikest hindab lahendust kasulikuks.

Projekti elluviija: Eesti Linnade ja Valdade Liit

Võimalikud lahenduse pakkujad: Piksel OÜ (Spoku), eRegistrations, Eesti IT-arendajad (nt Nortal, Helmes jne), AI-eksperdid (nt MindTitan, ülikoolid).

Eelarve ja kestus

1 055 000 eurot 24 kuud

Eelarve ja kestus

899 000 eurot 24 kuud

Uuenduslikkus ● Uus lähenemine teenuse juhtimisele, kus teenus

on samaaegselt juhtimisobjekt, teadmisteobjekt ja tehisaru tööobjekt

● Tehisaru toetab teenuste juhtimist kõigil juhtimis- tasanditel ja kogu väärtusahela ulatuses, mitte ainult üksikuid tööprotsesse

● Lahendus on skaleeritav ja koostoimeline riiklike standarditega

Teenuspõhist juhtimist toetav tehisaru rakendus Tallinna Strateegiakeskus

Probleem

● Tallinna teenuste juhtimisandmed on killustunud, mistõttu puudub terviklik vaade teenuspõhise juhtimise rakendamiseks

● Linna teenusjuhid kulutavad märkimis- väärselt aega andmete käsitsi koondamisele ning sama infot kogutakse erinevates juhtimisprotsessides korduvalt

● Killustatud andmehaldus piirab andme- põhist juhtimist, terviklikku kasutajakoge- must ja tehisaru süsteemset rakendamist

● Teenusjuhtimine on ebaühtlase andmekvaliteedi tõttu reaktiivne ja ei võimalda muudatuste mõju prognoosida

Lahendussuunad

• Katse objekt on teenuskataloogi prototüüp, mis seob teenuse andmemudelile tuginedes olemasolevate infosüsteemide teenuseinfo ühtseks juhtimisvaateks

• Selleks täiendatakse teenuse andmeid, mis on kvaliteetsed ja masinloetavad ja võimaldavad rakendada tehisaru analüüsis, arenduses ja prognoosimises

• Lahendust katsetatakse erinevatel juhtimis- tasanditel ning hinnatakse selle laiendatavust teistele omavalitsustele ja riigile

Katsetuse eesmärk

• Mõista ja tõendada, kas ühtne teenuse andmemudel võimaldab kasutada teenuskataloogi keskse teadmistekihina, mis toetab teenusjuhtimist läbi tehisaru süsteemse rakendamise

• Valideerida teenuste halduskoormuse vähenemine min 15% ning suunata rohkem aega teenuste analüüsimisele ja arendamisele

• Luua ja testida taaskasutatav tehisaru rakendus- mudel ja tehnilise lahenduse ülesehitus

Projekti elluviijad: Tallinna Strateegiakeskus Koostööpartnerid: Tallinna Keskkonna- ja Kommunaalamet, Justiits- ja Digiministeerium, Eesti Linnade ja Valdade Liit Võimalikud lahenduse pakkujad: Trinidad Wiseman, MindTitan, Nortal, Helmes, Velvet, PwC Eesti, AS Spin TEK (ATAK liidestus)

Uuenduslikkus

• Uue andmepõhise ja ennetava toime- mudeli loomine KOV juhtimises

• Pikaajaliste prognoosimudelite (digitaalne andmeanalüütik) ning vahetu tekstilise eelnõude eelanalüüsi (AI-moodul) esma- kordne koondamine ühte lahendusse

KOV digitaalne andmeanalüütik – andmepõhise juhtimise, teenusvajaduste prognoosimise ja AI-mõjuanalüüsi tööriist Kohila vallavalitsus

Probleem

● Käsitsi teostatav ja killustatud andme- analüüs

● Hiline vastuolude tuvastamine erinevates andmeallikates ja erinevates menetlustes

● Kumulatiivsete mõjude hindamise keerukus

● Strateegilise juhtimise kvaliteet ei vasta puuduliku andmekasutuse tõttu ootustele ega vajadustele

Lahendussuunad ● Eeltöö: KOV-ide dokumendihalduse analüüs ja

ühtlustamine, luuakse digitaalse kaksiku ja AI- mooduli esmane arhitektuur ning kasutusjuhtude kirjeldused

● Andme- ja prognoosimudelid ning AI-võimekus: töötatakse välja integreeritud andmemudelid, mis hõlmavad demograafilisi muutusi, elamuaren- duste mõju, haridus- ja sotsiaalteenuste vajadust ning finantsmõjusid

● Prototüübi/ töölaudade arendamine ● Piloteerimine reaalkeskkonnas: katse Kohila vallas

reaalse juhtimisinfo ja volikogu eelnõudega ● ELVL toel lahenduse laiendamine/ skaleerimine

(avatud lähtekoodi alusel/ KOVTP platvormi kaudu teistele Eesti omavalitsustele)

Katsetuse eesmärk

● Kiirema ja täpsema avaliku teenuse prototüübi testimine: AI-moodul suudab tuvastada vastuolud menetlustes sama täpselt kui kogenud ametnik

● Omavalitsuse otsuste kvaliteedi tõstmise võimalikkuse katsetamine: automaatne struktureeritud mõjuhinnang

● Kodaniku kasutajakogemuse tõhustamise testimine: teenistujate fookus on probleemide sisulisel analüüsil ja lahenduste pakkumisel

Projekti elluviijad: Kohila vallavalitsus Rae vallavalitsus, Eesti Linnade ja Valdade Liit

Võimalikud lahenduse pakkujad: AI-mudelite arendusele spetsialiseerunud kohalikud IT-ettevõtted

Eelarve ja kestus

800 000 eurot 24 kuud

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

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]