<?xml version="1.0"?>
<metadata xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:dc="http://purl.org/dc/elements/1.1/"><dc:title>Uporaba orodij umetne inteligence za analizo podatkov</dc:title><dc:creator>Đukanović,	Valentina	(Avtor)
	</dc:creator><dc:creator>Kljajić Borštnar,	Mirjana	(Mentor)
	</dc:creator><dc:subject>umetna inteligenca</dc:subject><dc:subject>analiza podatkov</dc:subject><dc:subject>Excel</dc:subject><dc:subject>Orange</dc:subject><dc:subject>ChatGPT</dc:subject><dc:subject>Claude</dc:subject><dc:description>V diplomskem delu smo raziskali, kako lahko različna analitična orodja – klasična (Microsoft Excel, Orange) in generativna (ChatGPT, Claude) – podprejo proces analize podatkov. Namen raziskave je bil preveriti, ali lahko generativna orodja, ki temeljijo na velikih jezikovnih modelih, zagotovijo enakovredno natančnost in uporabnost kot tradicionalna orodja, hkrati pa ponudijo prednosti v hitrosti in razumljivosti rezultatov. 
Metodološko smo izvedli eksperiment na javno dostopnih podatkih o povprečnih bruto plačah v javnem sektorju (2018). Vsi postopki so bili izvedeni z enakimi vhodnimi podatki in enakimi nalogami: izračun povprečja, standardnega odklona in koeficienta variacije, kategorizacija po frekvencah ter priprava vizualizacij (histogram, stolpčni graf). Rezultati so bili primerjani glede na natančnost, hitrost, jasnost interpretacij in uporabniško izkušnjo, ki smo jo ovrednotili tudi z Likertovo lestvico.
Rezultati kažejo, da Excel in Orange zagotavljata deterministično natančnost in popolno ponovljivost, vendar sta počasnejša in zahtevnejša za manj izkušene uporabnike. Generativna orodja so bila najhitrejša (≈ 2 minuti do prvih rezultatov) ter najbolje ocenjena pri jasnosti interpretacij in enostavnosti uporabe. Kljub temu so se pri njih pojavila manjša odstopanja v standardnih odklonih in kategorizacijah. To potrjuje hipotezo, da so generativna orodja ob ustrezni pripravi vhodnih podatkov enakovredna klasičnim, pri čemer ponujajo dodatno prednost v hitrosti in dostopnosti.
Zaključimo lahko, da optimalne rezultate zagotavlja hibridni pristop: klasična orodja so primerna za čiščenje, validacijo in sledljivost, generativna pa za hitro prototipiranje, narativne povzetke in podporo uporabnikom brez tehničnega predznanja. Praktična priporočila vključujejo standardizacijo podatkovnih tokov, validacijo ključnih rezultatov v Excelu ali Orangeu ter usposabljanje uporabnikov za kombinirano uporabo obeh pristopov.</dc:description><dc:date>2025</dc:date><dc:date>2025-09-09 22:18:24</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>95243</dc:identifier><dc:identifier>COBISS_ID: 253878275</dc:identifier><dc:language>sl</dc:language></metadata>
