Tanszékünkön alapvetően közösen készítjük a kiírásokat az Önálló laboratórium, Szakdolgozat, Diplomatervezés tárgyakra. Ez azt jelenti, hogy a legtöbb témát felvehetik BSc-s és MSc-s hallgatók is, tantárgytól (önlab/szakdolgozat/diplomatervezés), szaktól, szakiránytól/ágazattól függetlenül. Ez úgy lehetséges, hogy sokszor egy téma kellően általános ahhoz, hogy a különböző tárgyat felvevő hallgatók különböző konkrét feladatot végezhessenek az adott témán belül. Néha azonban ez nem lehetséges: ez esetben a konkrét témakiírás egyértelműen rendelkezik, hogy ki választhatja, avagy ki nem választhatja az adott témát.
Kulcsszavak: artificial intelligence in air traffic control, speech recognition, speech analysis, nonverbal features of speech, fatigue detection, speech synthesis, automatic alarm systems
A légiforgalmi irányítás kritikus biztonsági követelményeknek kell megfeleljen. A tevékenységnek sokféle részeleme van Budapesten is. Pl: Telefonos és rádiós beszélgetés magyar és angol nyelven. Kritikus információk azonosítása és azok alapján szükség szerint riasztás(ok) indítása. A feladat keretében a tevékenységhez kapcsolódó (elsősorban beszédtechnológiai) elemek kutatására kerül sor ill. kapcsolódó alkalmazások kidolgozására. Néhány példa: telefonos és rádiós beszélgetések leiratozása, ehhez kapcsolódó adatbázisok létrehozása, beszéd alapján fáradtság érzékelés, információ szolgáltatás gépi felolvasással és/vagy szöveges megjelenítéssel, automatikus munkatárs behívó rendszervészhelyzetekben...
A feladat BSc, MSc képzésben is folytatható, TDK dolgozat irányában is folytatható, PhD képzéshez is vezethet.
Szinte minden kisebb és nagyobb cég fejleszt vagy kínál intelligens asszisztenst (Apple. Google, Microsoft, Amazon, Meta, ....) .
Ezek jellemzően ma már szöveg és beszéd ki- és bemenetet is kezelnek. Főbb elemeik a beszédfelismerő, a nyelvi elemző és generáló (jellemzően ma már nagy nyelvi modell alapú) valamint a gépi szövegfelolvasó komponensek. Ezek van ahol csak integráltan használhatóak, de gyakran elérhetők komponensenként is. Ekkor lehetőség van ezekből építőkocka-szerűen felépíteni egy saját megoldást.
Széles körben ismert és elismert, a gyakorlatban is használt tesztelési és értékelési módszerek ma még hiányoznak.
A projekt keretében a nemzetközi szereplők rendszerei mellett a hazai megoldások vizsgálatára is sor kerül, mintarendszerek kialakításán keresztül.
A résztvevők betekinthetnek a valós felhasználást meghatározó paraméterekbe (felhő - lokális, nyelvek száma, akusztikus környezet, erőforrás igény, stb.).
A beszédtechnológiával (pl. gépi szövegfelolvasás = szöveg-beszéd átalakítás és beszédfelismerés) támogatott üzenetkezelés hasznos lehet azon felhasználóknak, akiknek keze kötött (pl. vezetés közben), vagy nem férnek hozzá a vizuális információhoz (pl. látássérültek). A hallgató feladata az üzenetkezelő alkalmazások áttekintése, közös interakciós felület tervezése és megvalósítása.
A téma elsősorban gyakorlati részproblémákat tartalmaz, de alkalmas későbbi TDK-ra, szakdolgozatra is.
Az emberi kommunikáció és a nyelvi kifejezés alapja a beszéd, Írni és olvasni jellemzően hat éves kora után tanul meg az ember. Mégis a számítógépes világban a természetes nyelvfeldolgozás fogalma tipikusan szöveg elemzést takar. A projekt keretében megvizsgáljuk, hogy milyen elméleti és objektív paraméterekkel írható le a hangzó beszéd és annak szöveges megfelelője közti különbség. Elemezzük, hogyan lehet ezt a gépi beszédfelismerés és a gépi beszédkeltés színvonalának javítására felhasználni. Az eredményeket demonstrációs alkalmazásokban mutatjuk be.
Sok gyártó esetében gépi szövegfelolvasó (Text-To-Speech, TTS)rendszerek egy-egy (pl. magyar) nyelven csak egyetlen vagy legfeljebb két (egy férfi és egy női) hangon érhetők el. A gyakorlati alkalmazásokat hátráltatja, ha az adott nyelven számos alkalmazás ugyanazt a hangot alkalmazza. Példa erre a beszédsérült emberek esete: furcsa, ha egy kórházban minden beteg ugyanazon a hangon szólalna meg.
A projekt keretében egy összetett szerver-alapú alkalmazás valósítandó meg, mely minőségbiztosított módon teszi lehetővé elsősorban magyar nyelven személyre szabott hangfelvételek készítését, ami később (akár automatikusan) lehetővé teszi az adott hangon megszólaló TTS motor generálását. Mind szerver, mind kliens oldali munkára szükség van.
A feladat szakdolgozat/diplomaterv/TDK szintig folytatható, jó előkészület PhD tanulmányokra is.
A gépi tanulás az élet sok területén használható, így a beszéd előállítására is A generált beszédnek fontos szerepe van mai felhasználó interfészekben (pl. Apple Siri, Amazon Echo, Microsoft Cortana), ezért a generált beszéd minőségének javítása folyamatos igény.
A hallgató feladata megismerkedni a mély neurális hálók működésével és tanításával, majd a beszédszintézisben ezt alkalmazni.
Elvárás a rendszeres munka, a korrekt hozzáállás. A téma diplomatervig is folytatható, TDK munkára is alkalmas.
Multimodális felügyelet és esemény-előrejelzés újszülötteknél műtéti altatás során
Kulcsszavak: újszülött állapot elemzés, multimodális adatelemzés, idősor analízis, egészségi állapot becslés, neonatal status analysis, multivariate data analysis, time series analysis, health status estimation,
Sokféle okból lehet szükség újszülött gyermekek altatással járó műtétére. Ehhez kapcsolódóan a műtét előtt, után és közben is különböző eszközökkel vizsgálják a gyermek állapotát. Számos paraméterből áll rendelkezésre változó mintavételi frekvenciával és mérési pontossággal (akár hiányos) mérési adat. A feladat az esetleges kapcsolat megtalálása a mért adatok és az ahhoz köthető egészségi állapot és/állapotváltozás között. A következő lépésben pedig az események előrejelzésének megvalósítása.
A projekt a SOTE kutatóival együttműködésben valósul meg.
A deep learning alapú ún. end-to-end beszédleiratozó rendszerek könnyen alkalmazhatók ma már szinte bármilyen nyelve, rögzített hanganyagokra. Azonban a valós idejű és egyben kis késleltetésű megoldások a legutóbbi időkig várattak magukra. A korszerű attention alapú megközelítések most jutottak el arra a szintre, hogy a nagy (többé-kevésbé) pontosságot megőrizve minimális, élő feliratozást is lehetővé tévő késletetéssel használhatók legyenek. A hallgató feladata a legkorszerűbb, gyakorlatban is alkalmazható megoldások megismerése, alkalmazása és kiértékelése magyar (vagy egyéb megbeszélt) nyelvre. Ajánlott deep learning ASR (Automatic Speech Recognition) toolkitek: WeNet, NVIDIA-NeMo, K2. A feladat folyamatos munkavégzést kíván, a Python és PyTorch ismerete jelentős előnyt jelent. Diplomatervig (sőt akár tovább) is vihető a téma. Angol olvasási készség, linux alapismeretek nehezen nélkülözhetőek.
A beszédfelismerési technológia hatalmasat fejlődött az elmúlt években, azonban ezt nem minden alkalmazás tudta követni. Talán ahol a legnagyobb szükség van a hatékony és pontos diktálásra, az az orvosi terület és ezen belül is kiemelt a nagy szaktudást igénylő, drága diagnosztikai gépekkel dolgozó orvosok munkájának segítése. Az érdeklődő hallgatók számára lehetőség van bekapcsolódni egy, a SOTÉ-n már alkalmazásban lévő orvosi diktálórendszer fejlesztésébe.
A történelem legsikeresebb beszédfelismerési keretrendszere (software toolkit-je) alighanem a Kaldi volt, melyre többek között az Apple, Intel, Xiaomi diktálója is épült. A siker jelentős részben a Weighted Finite State Transducer (WFST ~ véges állapotú gépek általánosítása) technológia hatékony integrálásának volt köszönhető - ezzel indult a Google is annak idején. Időközben a mélytanulási keretrendszerek - különösen a PyTorch - rendkívül közkedveltté váltak és a korábbi WFST alapú megoldások háttérbe szorultak. Azonban a Kaldi fejlesztőcsapata nemrégiben előrukkolt a k2 rendszerrel (https://github.com/k2-fsa/k2), mely a PyTorch-ra épül és a mély neuronhálókat a WFST-kel "varratmentesen" integrálja. Az Icefall kész, "state of the art" receptúrákat kínál a k2-höz, így az eredmények reprodukálása relatíve könnyű. A feladat a k2/Icefall segítségével hatékony magyar és idegennyelvű beszéd-szöveg átalakítás megvalósítása. A téma TDK-ra, diplomára is továbbvihető. A Python ismerete előny, az angol minimum olvasási szinten szükséges.
A természetes beszéd automatikus szöveggé konvertálása még mindig jelentős kihívás, ha a beszélők szétválasztása, az írásjelezés, névelemek tag-elése, az idegen nyelvű kifejezések felismerés és a zajban is nagy pontosság a követelmények között van. Noha a klasszikus/neurális nyelvmodellek alkalmazása alapvetőnek számít ezen a területen, a (nagyon) nagy nyelvi modellek (LLM-ek, pl. GPT-x, ChatGPT, LLAMA, BARD, Qwen, stb.) felhasználása egyáltalán nem magától értetődő. A hallgató feladat feltárni a közvetlen, beszéd-szöveg konverziót segítő és az utólagos (pl. korrekciós) LLM alkalmazásokat. A téma diplomatervig - és azon túl is - továbbvihető.
A klasszikus beszédfelismerő rendszerek egy megadott nyelven működnek jól, ahol akár az emberivel összevethető pontosságot is elérhetnek. Azonban a gyakorlati problémáknál elkerülhetetlen másik nyelvű szavak elhangzása, mely számos problémát felvet. Egyrészt, ha az adott (pl. magyar) nyelv hangjaival nagyjából le is fedhető az adott (pl. angol) szó, nem magától értetődő, hogy származtassuk a kiejtését - különösen, ha több ezer ilyen szó rövid idő alatt történő szótárba illesztése a feladat. Azonban natív ejtésmód esetén már a hangképzés is jelentősen különbözik, ami külön akusztikai modellezért tesz szükségessé. A ma nagyon népszerű end-to-end deep learning alapú megközelítést javasoljuk megvizsgálni, ehhez számos szoftver és hardver eszköz és tapasztalat áll rendelkezésre.
Gyűjtőtéma révén számos területen (pl. természetes nyelvű szövegfeldolgozás/NLP/, deep learning, Python alapú fejlesztés, kutatás) lehet bekapcsolódni, a téma továbbvihető TDK, szakdolgozat/diplomamunka, PhD irányába.
A demencia napjaink egyik leggyakoribb időskori betegsége. Időbeli, korai felismerése rendkívül fontos az életminőség megtartása miatt. Minél korábban ismerjük fel, annál jobban lehet kezelni. A tünetei megjelennek a heszéd által hordozott nyelvi tartalomban is, amelyek automatikus módszerekkel kinyerhetőek. A hallgató feladata demens betegek által közölt beszéd akusztikai és szöveges tartalmának vizsgálata, és gépi tanulás (mélytanulás) alkalmazása a betegség automatikus felismerésére.
Jelentkezés (email, Teams): Sztahó Dávid, sztaho.david@vik.bme.hu
Az agy-számítógép interfészek (BCI) lehetővé teszik a számítógépek közvetlen, fizikai aktivitás nélküli vezérlését, és potenciálisan alkalmazhatók a mozgássérült személyek rehabilitációs eszközeiként. Az összes idegrendszeri képalkotási mód közül az elektroenkefalográfia (EEG) a legmegfelelőbb a BCI számára, mivel lényegesen kisebb kockázattal jár, mint az invazív módszerek. A tiszta és jól használható EEG jel kinyerése azonban kihívást jelent a különböző biofiziológiai hatások miatt, így még nemzetközi szinten sem született teljes megoldás a beszéd alapú BCI-re nem invazív EEG-vel. Egy megfelelő, teljes mondatú beszédet érthető és természetes módon generálni képes agy-beszéd rendszer kidolgozása nagy kihívást jelent. Hiányoznak azok a kombinált módszerek, amelyek a nem invazív EEG-t, az artikulációt és a beszédjeleket összevontan használnák, és elemeznék az agyban zajló tervezési folyamatot.
A fenti célok elérése érdekében a feladat artikulációs és agyi jelek elemzések, valamint ezekből beszéd szintetizálása.
További információkért keressen minket az Informatika épület B 156-os szobájában, a sztaho.david@vik.bme.hu email címen, vagy Microsoft Teams-en (Sztahó Dávid, sztaho.david@vik.bme.hu)
A személyazonosítás fontos biztonsági és igazságügyi feladat. A téma során a hallgatók feladata hagyományos és mélytanulás alapú személyazonosítási kísérletek megvalósítása beszéd és természetes nyelvfeldolgozás alapon. A résztvevők megismerkedhetnek a beszéd akusztikai paraméterekkel való jellemzésével, hang jelfeldolgozási eljárásokkal, statisztikai elemző módszerekkel, gépi osztályozó eljárásokkal, nyelvfeldolgozó eljárásokkal.
Bővebb felvilágosításért keressen minket az Informatika épület B 156-os szobájában vagy a sztaho.daivd@vik.bme.hu email címen.
Az agy-számítógép interfészek (BCI) lehetővé teszik a számítógépek közvetlen, fizikai aktivitás nélküli vezérlését, és potenciálisan alkalmazhatók a mozgássérült személyek rehabilitációs eszközeiként. Az összes idegrendszeri képalkotási mód közül az elektroenkefalográfia (EEG) a legmegfelelőbb a BCI számára, mivel lényegesen kisebb kockázattal jár, mint az invazív módszerek. A BCI témakör egyik alapkutatása, hogy az EEG jelből felismerjük, hogy az adott személy mire gondolt. Mivel ez a feladat egyelőre nem megvalósítható, első feladatként megpróbálhatunk egy szűkített célhalmazt, például fogalmi kategóriákat felismerni.
A téma soeán a feladat EEG jelek segítésével egy adott korlátolt gondolati kategória felismerése. További információkért keressen minket az Informatika épület B 156-os szobájában, a sztaho.david@vik.bme.hu email címen, vagy Microsoft Teams-en (Sztahó Dávid, sztaho.david@vik.bme.hu)
A gyógyszerjelölt molekulák (gráfok) toxicitásának és biohasznosulásának előrejelzése kritikus az iparban. A cél a különböző GNN architektúrák (pl. GCN, GIN, GraphSAGE) implementálása és összehasonlítása a MoleculeNet adathalmazain, különös tekintettel a modell magyarázhatóságára (melyik atomok/kötések okozzák a toxicitást).
A projekt célja a legkorszerűbb architektúrák adaptálása és összehasonlító elemzése lenne egy jól definiált biológiai problémán. A modern Gráf Neurális Hálózatok (GNN) elég jó prediktív teljesítményt nyújtanak ezen a területen, az ipari alkalmazásuk gyakran akadályokba ütközik a fekete doboz jellegük miatt. A kutatók számára nem elég pusztán egy mérgezőség valószínűség, tudniuk kell, hogy a modell döntése a molekula mely szerkezeti elemeire támaszkodik.
A standard, jellemzően 20-50 éve korosztály által beszélt nyelvet ma már nagy pontossággal lehet szöveggé alakítani. Azonban akár a gyerekek vagy idősek, vagy éppen valamilyen a beszédképzést érintő betegséggel rendelkezők számára (ami akár egy nátha vagy rosszabb esetben neurális károsodás is okozhat), a beszédfelismerő rendszerek pontossága drasztikusan romlik. Ezt részben adathiány (avagy illesztetlenség) okozza, azonban a probléma pusztán adatgyűjtéssel nem kezelhető az atipikus beszéd nagymértékű variáltsága miatt. A feladat a gépi beszédfelismerés egyik legnagyobb kihívása napjainkban, a hallgató feladata az ezen a területen folyó kutatásokba és fejlesztésekbe bekapcsolódni, önállóan dolgozni, adatokat gyűjteni és különféle beszélőadaptációs technikákat alkalmazni és kiértékelni.
Az elmúlt években a cloud gaming és az on-line multiplayer videójátékok elterjedése új kihívások elé állítja a kommunikációs hálózatokat. A játék típusától függően a néhány tíz ms alatti válaszidő alapvető követelmény, mely gyakran már a szerverek és a felhőben elérhető GPU-k fizika távolsága miatt is nehezen megvalósítható. További kihívás a felhasználók mobilitása, melyre a hálózatnak dinamikus erőforrás-foglalással kell válaszolnia az 5G edge hálózatban.
A hallgató feladata a fenti cloud és az on-line videójátékok hálózati kommunikációja során jelentkező mérnöki problémák közül egy kiválasztása, megismerése és kidolgozása, mely kiterjedhet hálózati forgalom mérésére, dinamikus erőforrás foglaló módszerek kidolgozására, vagy felhőben jelentkező ütemezési feladatokra. Ezen kívül lehetőség van mikrontranzakcióinak gazdasági elemzésére, vagy a videójátékok hozzáférhetőségével (accessiblity) és alternatív irányításával kapcsolatos kutatás végzésére.
A mesterséges intelligencia egyik legizgalmasabb területe a Gráf Neurális Hálók (GNN-ek) kutatása és alkalmazása. A gráfokkal bonyolult kapcsolatrendszereket (pl. közösségi hálók, molekulák, térképek/közlekedés) írhatunk le, a GNN-ek pedig képesek ezekből új tudást kinyerni. Elképzelhető feladatok:
1. Magyarázhatóság: miért dönt a neurális háló úgy, ahogy?
2. Skálázhatóság: komplex hálózatok kezelése és hatékony tanítása.
3. Vizualizáció: interaktív eszközök fejlesztése gráfok és reprezentációik bemutatására.
4. GraphRAG: nyelvi modellek és gráf alapú keresés ötvözése.
5. Bioinformatikai alkalmazások: alkalmazás a génszerkesztés területén.
A konkrét témát a hallgató saját érdeklődésének megfelelően, közösen határozzuk meg.
Elvárások: szorgalmas munkavégzés, angol nyelvtudás, programozási ismeretek.
Python és Deep Learning keretrendszerek (PyTorch/TensorFlow) ismerete, TDK és tudományos érdeklődés előnyt jelent.
A modern jogrendszerekben a jogszabályok folytonos növekedése és azok folyamatos, időbeli változása olyan komplexitást eredményez, amely manuális módszerekkel már nem kezelhető hatékonyan. Gyakoriak a rejtett ellentmondások és a strukturális anomáliák.
A projekt célja ezen problémák orvoslása a legújabb, lokálisan futtatható nagy nyelvi modellek (LLM-ek) és szemantikus elemzési módszerek alkalmazásával. A fejlesztés eredményeként egy olyan prototípus jön létre, amely képes jelezni a potenciális koherencia-hibákat, illetve segíti a felhasználót az adott ügyhöz kapcsolódó releváns jogszabályok megtalálásában.
A hallgató feladata a témához kapcsolódó nemzetközi szakirodalom megismerése után a releváns jogszabályi adatbázisok beszerzése, tisztítása, szegmentálása, vizualizációja és előkészítése a tanításhoz. A kísérletezés és fejlesztés során széleskörű teszteket kell végezni különböző szövegbeágyazási (embedding) technikákkal, klaszterezési eljárásokkal, valamint modell-finomhangolást (fine-tuning) kell végrehajtani jogi szöveg segítségével. A folyamat magában foglalja a modellek tervezését és objektív kiértékelését is, végül pedig az elért eredmények precíz dokumentálása és prezentálása zárja a projektet.
Elvárások a jelentkezővel szemben:
- Középhaladó szintű Python programozási ismeret.
- Elkötelezettség a gépi tanulás és az adatelemzés iránt.
- A nemzetközi szakirodalom és dokumentációk feldolgozásához elengedhetetlen az olvasási szintű angol nyelvtudás.
- Heti rendszerességű, kitartó munkavégzés.
- Precíz forráskód és dokumentáció készítése, az etikus adatkezelési elvek szigorú betartása.
A munka együttműködésben zajlik a Nemzeti Adó- és Vámhivatal (NAV) Mesterséges Intelligencia Munkacsoportjával, így a hallgató valós, ipari és közigazgatási problémák megoldásán dolgozhat.A téma rugalmasan illeszthető a hallgató akadémiai előmeneteléhez:
- Folytatató TDK munkaként, szakdolgozatként és diplomamunkaként
- Folytatható akár PhD témaként is
A hagyományos pénzügyi elemzések gyakran feltételezik a folyamatok állandóságát, azonban a valós világ - különösen a gazdaság - folyamatosan változik, hirtelen "rezsimváltásokkal" és váratlan eseményekkel. Hogyan integrálhatók a száraz numerikus adatok mellé a hírekben rejlő szöveges információk egy közös modellbe? Képesek-e az új generációs mélytanuló architektúrák (pl. Transzformerek, State Space Modellek) nemcsak előrejelezni egy árfolyamot vagy a GDP-t, hanem megérteni a mögöttes okokat is ("miért" történt)? Építhető-e olyan "alapmodell" (foundation model), amely kevés tanítóadatból is képes alkalmazkodni új piaci helyzetekhez?
Jelen téma célja a legkorszerűbb deep learning megoldások, különösen az idősoros alapmodellek és a multimodális adatfúzió (szöveg és numerikus adat együttes kezelése) vizsgálata. A hallgató feladata a releváns, heterogén adatforrások feltárása, begyűjtése és tisztítása, kiemelt figyelmet fordítva a jogi és etikai aspektusokra, valamint az EU AI Act előírásainak való megfelelésre. Ezt követően a tisztított adatokon olyan architektúrák (pl. RAG - Retrieval-Augmented Generation, domén-specifikus LLM-ek) kutatása és implementálása a cél, amelyek a gazdasági híreket és a idősorokat egy közös látens térben kezelik a pontosabb nowcast és forecast érdekében.
A feladat jellege kifejezetten kutatás-orientált, a téma elméleti kihívásokat tartalmaz, ezért a jelentkezésnél elvárás a tudományos ambíció. A munka célja nem csupán szoftverfejlesztés, hanem publikálható eredmények elérése és TDK dolgozat készítése. A téma diplomáig, illetve akár PhD témaként is folytatható.
A kutatás célja olyan általános célú idősor-alapmodellek létrehozása, amelyek nem csupán egy-egy specifikus feladatra optimalizáltak, hanem képesek robusztus reprezentációkat tanulni széleskörű, zajos és nem-stacionárius adatfolyamokon. A tervezett munka fókuszában a szekvenciális adatmodellezés korlátainak túllépése áll: a modell kapacitásának növelése és a tanítási hatékonyság javítása annak érdekében, hogy a rendszer képes legyen a bemeneti adatok mögött húzódó generatív folyamatok megtanulására. Ez a megközelítés biztosítja a "zero-shot" vagy "few-shot" alkalmazkodóképességet akár ismeretlen tartományokban is, áthidalva a hagyományos modellezés hiányosságait.
A hallgató feladata a legújabb mélytanuló architektúrák - különös tekintettel a Transzformerek adaptációira és az új generációs State Space Modellekre (pl. Mamba, S4) - kutatása és implementálása. A munka szerves részét képezi a releváns, elsősorban pénzügyi és gazdasági idősoros adatforrások önálló felkutatása, a nyers adatok begyűjtése és tisztítása, annotálása a modellek tanításához. Az elkészült modelleket komplex, valós pénzügyi adatfolyamokon kell validálni és összehasonlítani, vizsgálva azok teljesítményét a dinamikusan változó piaci környezetben.
A fejlesztés a legelterjedtebb deep learning keretrendszerekben zajlik (Python, PyTorch/JAX), amelyhez nagy teljesítményű GPU erőforrást biztosítunk. A téma elméleti kihívásokat tartalmaz, amely TDK konferencián való részvételhez is kiváló alapot nyújt, valamint diplomáig, illetve akár PhD témaként is folytatható. A jelentkezéshez elvárás a korrekt, önálló munkavégzés, a proaktivitás és az erős elméleti alapok, valamint a Python és a mélytanuló keretrendszerek magabiztos ismerete. Előnyt jelent a "Deep Learning a gyakorlatban Python és LUA alapon" és "Mélytanulás" tárgyakban szerzett jeles osztályzat és a tudományos érdeklődés.
A hagyományos pénzügyi elemzések gyakran feltételezik a folyamatok állandóságát, azonban a valós világ - különösen a gazdaság - folyamatosan változik, hirtelen "rezsimváltásokkal" és váratlan eseményekkel. Hogyan integrálhatók a száraz numerikus adatok mellé a hírekben rejlő szöveges információk egy közös modellbe? Képesek-e az új generációs mélytanuló architektúrák (pl. Transzformerek, State Space Modellek) nemcsak előrejelezni egy árfolyamot vagy a GDP-t, hanem megérteni a mögöttes okokat is ("miért" történt)? Építhető-e olyan "alapmodell" (foundation model), amely kevés tanítóadatból is képes alkalmazkodni új piaci helyzetekhez?
Jelen téma célja a legkorszerűbb deep learning megoldások, különösen az idősoros alapmodellek és a multimodális adatfúzió (szöveg és numerikus adat együttes kezelése) vizsgálata. A hallgató feladata a releváns, heterogén adatforrások feltárása, begyűjtése és tisztítása, kiemelt figyelmet fordítva a jogi és etikai aspektusokra, valamint az EU AI Act előírásainak való megfelelésre. Ezt követően a tisztított adatokon olyan architektúrák (pl. RAG - Retrieval-Augmented Generation, domén-specifikus LLM-ek) kutatása és implementálása a cél, amelyek a gazdasági híreket és a idősorokat egy közös látens térben kezelik a pontosabb nowcast és forecast érdekében.
A feladat jellege kifejezetten kutatás-orientált, a téma elméleti kihívásokat tartalmaz, ezért a jelentkezésnél elvárás a tudományos ambíció. A munka célja nem csupán szoftverfejlesztés, hanem publikálható eredmények elérése és TDK dolgozat készítése. A téma diplomáig, illetve akár PhD témaként is folytatható.
A Media over QUIC (MoQ) média tartalmak alacsony késleltetésű tovűbbítására szolgáló új szabvány. Felhasználási köre kiterjed többek között a live streamingre, játékokra, konferenciahívások. Ennek megvalósítására a MoQ publisher-subscriber modellt követ, és tartalomelosztó rendszerekhez (CDN) hasonló architektúrát használ WebTransport vagy pusztán QUIC protokoll felett. A QUIC-nek köszönhetően gyorsabb kapcsolatfelépítést (lásd 0RTT), adaptív torlódáskezelési algoritmusokat, NAT átjárhatóságot, és több kapcsolat összenyalábolásának támogatását nyújtja.
A hallgató feladata csatlakozni a tanszéken az Ericsson magyarországi kutatóközpontjával szoros együttműködésben zajló kutatási és fejlesztési projekthez, melynek célja a Media over QUIC megismerése, kapcsolódó prototípusok fejlesztése, teljesítménymérése és kiértékelése.
Egy nagyobb videokonferencia rendszer részeként egy olyan mikroszolgáltatást készítettünk, mely a bemeneti pontfelhőkön képes kijelölni emberi alakok arcát illetve kezeit. A kialakított szolgáltatás erős korlátokkal rendelkezik mind a teljesítmény (leginkább a futási idő és a detekció pontossága), mind a skálázódás terén. A feladat célja ezen szolgáltatás továbbfejlesztése, problémáinak kezelése. A feladat során lehetőség nyílhat akár a használt detekciós modell cseréjére is megvizsgálva más, nyilvánosan elérhető modelleket, azok teljesítményének elemzésével együtt.
A téma kapcsán kérjük, Pelle Istvánt keressék.
A Google 2015-ben nyílt forráskódú szoftverként publikálta a Kubernetes orkesztrációs platformot. A Kubernetes segítségével a felhasználók könnyen tudnak konténer-alapú szolgáltatásokat létrehozni, menedzselni és skálázni egy szabványos interfészen keresztül, így élvezve a felhő-alapú szolgáltatások által kínált kompetitív árazásból, rugalmasságból és magas rendelkezésre állásból adódó előnyöket. A Kubernetes felett egy új technológia, a szolgáltatásháló (service mesh, pl. az Istio) segíti a konténer hálózatok menedzsmentjét és hatékony működtetését.
A Kubernetes/Istio egyik legfontosabb összetevője a "konténer-hálózat", egy olyan virtuális hálózati megoldás melynek segítségével a felhasználók konténer-alapú szolgáltatásai könnyen tudnak kommunikálni egymással. Jelenleg sok lehetőség létezik ennek a komponensnek a megvalósítására, mindegyik a maga teljesítményével és hibáival, és cseppet sem világos, hogy egy adott felhasználásra melyik konténer-hálózati megoldás ideális.
A hallgató feladata csatlakozni a tanszéken az Ericsson magyarországi kutatóközpontjával szoros együttműködésben zajló kutatási és fejlesztési projekthez, melynek célja a Kubernetes és a szolgáltatáshálók hálózati síkjának megértése, mérése, kiértékelése, és továbbfejlesztése.
A fejlesztési projekthez csatlakozó programozók számára az egyik legnehezebb feladat az ismeretlen örökölt kódbázis megismerése. Ez jellemzően számos információforrás áttekintését jelenti, mint például a forráskód, a soron belüli megjegyzések, az egység/integrációs tesztek, a dokumentáció, a hibajegyek, a Git repo előzmények, stb. A visszakereséssel kiegészített generálás (Retrieval augmented generation, RAG) egy AI/ML-asszisztens módszertan, amely segítheti ezt a folyamatot: a programozó természetes nyelven tehet fel kérdéseket a kódbázissal kapcsolatban, és egy kódasszisztens természetes nyelven válaszol. A RAG alapja egy beágyazási modell, amely nagydimenziós vektorok segítségével képes reprezentálni a különböző adatdarabokat (kód, dokumentáció stb.), egy vektoradatbázis, amely a vektorok alapján karbantartja és keresi az adatokkal kapcsolatos tartalmakat, valamint egy nagy nyelvi modell (LLM), amely a végső választ generálja.
A feladat a RAG megértése, a kapcsolódó szoftvereszközök tanulmányozása (beágyazási modellek, mint például a CodeBERT vagy a code2vec, vektoradatbázisok, mint a Weaviate, és LLM-ek, mint a llama), és egy egyszerű kódasszisztens létrehozása, amely képes megválaszolni egy kódprojekthez kapcsolódó alapvető kérdéseket.
A kiemelkedő teljesítményt nyújtó hallgatókat felkérjük, hogy csatlakozzanak a BME-Ericsson kódmegértéssel kapcsolatos kutatási együttműködéséhez.
A WebRTC napjaink bevett valós idejű médiaátviteli megoldása. Az AI-vel való párosítása hasznos új alkalmazásokat tesz lehetővé, úgymint például virtuális asszisztens ChatGPT és hangszintetizáló segítségével. Az AI nagy mennyiségű adatfeldolgozást igényel, ezért célunk a felhőben történő futtatása. A hallgató feladata egy AI+WebRTC demó megtervezése és beüzemelése Kubernetesben.
A Δ-controller egy olyan keretrendszer, ami egyszerűsíti, gyorsítja és biztonságosabbá teszi a Kubernetes operátorok fejlesztését. Az operátor-fejlesztés legfájóbb pontját célozza meg, a controller-runtime használatakor szükséges, mechanikusan ismétlődő imperatív rekonsziliációs kódok írását. Ahelyett, hogy hosszú Go ciklusokat írnánk kézzel, deklaratív pipeline-ok segítségével határozhatjuk meg az erőforrások figyelésének és átalakításának módját. Az alapötlet az, hogy a Kubernetes-t úgy kezeljük, mint egy dokumentum-alapú adatbázist, ahol az erőforrások lekérdezhető és átalakítható JSON dokumentumokként jelennek meg. A pipeline nyelvezetét a MongoDB aggregációja ihlette, így az erőforrások kombinálása, szűrése és projekciója ismerősnek és logikusnak hat. Az operátorok NoCode/LowCode stílusban is definiálhatók, lehetővé téve komplex működés megvalósítását minimális Go tudással. Mivel az operátor specifikációja YAML-ben tárolódik, a telepítés egyetlen kubectl apply parancsra egyszerűsödik.
A névben szereplő "Δ" a delta feldolgozásra utal: a rendszer csak a tényleges változásokat követi nyomon a teljes klaszterállapot folyamatos újrafeldolgozása helyett. Ezek a változások inkrementálisan haladnak végig a pipeline-on, ami alacsony késleltetésű reakcióidőt és jobb skálázhatóságot tesz lehetővé. A háttérben a Δ-controller DBSP-stílusú inkrementális nézet-karbantartást (IVM) használ, így kiváló kutatási téma az elosztott rendszerek, adatbázisok és felhő infrastruktúrák metszéspontjában.
A generatív mesterséges intelligencia modellek éles környezetben történő alkalmazása egyre meghatározóbb a konténerizált és felhőalapú infrastruktúrákra (például Kubernetesre) való átállásnak köszönhetően. A nagyléptékű inferencia iránti kereslet és a modellek növekvő mérete miatt elengedhetetlen a futtatás elosztott megvalósítása. Ennek kivitelezése azonban nem triviális feladat. Mind a modellek hatékony ütemezése (lásd llm-d), mind az infrastruktúra elemeinek összekapcsolása (például SD-WAN segítségével) komoly mérnöki kihívásokat jelent. A hallgató feladata a kibontakozó ökoszisztéma megismerése, valamint új megoldások kidolgozása, implementálása és kiértékelése.
A Function as a Service (FaaS) megoldások úgy teszik lehetővé alkalmazáskomponensek kitelepítését, hogy a fejlesztőktől átvállalják a futtatáshoz szükséges infrastruktúra elemek kezelésének feladatait. A legtöbb ilyen megoldás azonban nem kifejezettem késleltetésérzékeny vagy mesterséges intelligencia alkalmazások futtatását célozza. A téma célja nyílt forráskódú FaaS megoldások képességeinek megismerése ilyen alkalmazások futtatására, illetve egy választott FaaS megoldás képességeinek kiterjesztése az adott alkalmazási terültnek megfelelő elemekkel.
A téma kapcsán kérjük, Pelle Istvánt keressék.
Infrastructure as code (IaC) megoldások használatával felhőalapú alkalmazások kitelepítését, azok infrastruktúrájának létrehozását végezhetjük automatizáltan. A téma célja annak feltérképezése, hogy mely IaC eszközökhöz érhetők el generatív mesterséges intelligenciával támogatott megoldások, melyek lehetővé teszik az IaC fejlesztési lépések bizonyos elemeinek kiváltását emberi nyelven írt promptok segítségével. A téma további célja ezen megoldások képességeinek felderítése, adott esetben azok bővítése.
A téma kapcsán kérjük, Pelle Istvánt keressék.
A federated learning egy olyan gépi tanulási technika, amely lehetővé teszi több eszköz vagy szervezet számára, hogy közösen képezzenek egy megosztott modellt anélkül, hogy megosztanák nyers adataikat. Ez a megközelítés fokozza az adatvédelmet, mivel a bizalmas információk helyben maradnak, miközben továbbra is kihasználható a résztvevő entitások kollektív tudása.
A serverless compute szolgáltatások lehetővé teszi a fejlesztők számára, hogy alkalmazásokat építsenek és futtassanak szerverek kezelése nélkül, átadva ezt a felelősséget a felhőszolgáltatónak. Ez a modell az eseményvezérelt végrehajtásra összpontosít, ahol a kód adott események által aktiválódik és automatikusan méreteződik a kereslet függvényében, így téve (költség)hatékonyabbá az alkalmazásokat.
Ezen feladat célja a fenti két koncepció kombinálása egy serverless federated learning keretrendszerben.
A téma kapcsán kérjük Pelle Istvánnál érdeklődjenek.
A serverless computing egyszerűbbé teszi az alkalmazások kitelepítését, üzemeltetését, és bizonyos költségbeli előnyöket is kínál. Azonban az érzékeny adatok biztonságos kezelése kihívást jelent a megbízhatatlan felhők által biztosított FaaS függvények futtatására használt efemerális környezetekben. A téma célja a confidential computing által biztosított lehetőségek kihasználásának feltárása FaaS környezetben.
A témával kapcsolatban kérjük, Pelle Istvánt keressék.
Van egy webalkalmazás ötleted? Érdekel, hogy hogyan lehet implementálni valamelyik népszerű szolgáltató plaformjára (Amazon Web Services, Google Cloud)? Ha nincs ötleted, de érdekel a felhő alkalmazás fejlesztés, az is elég. Ennek a feladatnak a részeként megnézzük miben különbözik egy felhő natív alkalmazás a hagyományos alkalmazásoktól, hogyan lehet megtervezni egy felhő alkalmazás architektúráját, milyen technológiák, eszközök állnak rendelkezésre, és mindezt természetesen egy konkrét feladat implementálásával kötjük össze. Felhő szolgáltatótól függően megismerjük a felhő függvényeket ( AWS - Lambda, Google Cloud Functions ), felhő adatbázisokat ( AWS - DynamoDB, Google Firestore) és további hasznos technológiákat.
A Kubernetes egy nyílt forráskódú konténer-orchesztrációs rendszer, amely lehetővé teszi konténerizált alkalmazások deklaratív módon történő telepítését és menedzselését. A GitOps megközelítés során a klaszter és az alkalmazások kívánt állapotát leíró konfigurációk Git-alapú verziókezelő rendszerben kerülnek tárolásra, amely biztosítja az átlátható, visszakövethető és automatizált üzemeltetést.
A hallgató feladata egy Kubernetes klaszter automatizált telepítése egy választott eszköz segítségével (például kubeadm, k3s, Rancher vagy cluster-api) A telepített Kubernetes klaszter működését egy vagy több alkalmazás GitOps alapú telepítésével mutassa be.
A témával kapcsolatban kérjük, hogy Balla Dávidot keressék.
A jelentkezők
- megismerkednek az adatelemzés alapjaival,
- felhasználási területek széles skáláján (fintech, telco, sport, stb.) kipróbálva azokat.
Az adatelemző fogások elsajátítása alapvető szükséggé válik bármilyen területen is helyezkedik el egy mérnök.
Az esport az elmúlt években robbanásszerű növekedésen ment keresztül, mára már világszerte több tízmilliós nézőközönséget vonz. Míg a hagyományos sportokban az adatelemzés és a mesterséges intelligencia módszerei játékosok és csapatok fejlesztésére már bevett gyakorlatnak számítanak, az esportban ezek alkalmazása napjainkban kezd kibontakozni. A hallgató feladata lesz, hogy megismerje az esport mérkőzések során keletkező adatok gyűjtésének és feldolgozásának módszertanát, valamint gépi tanulási technikák segítségével elemezze profi játékosok és csapatok teljesítményét. A hangsúly egy teljes AI-alapú elemzési folyamat felépítésén van, az adat-előkészítéstől a prediktív modellezésig.
Az esport az elmúlt években robbanásszerű növekedésen ment keresztül, mára már világszerte több tízmilliós nézőközönséget vonz. Míg a hagyományos sportokban az adatelemzés és a mesterséges intelligencia módszerei játékosok és csapatok fejlesztésére már bevett gyakorlatnak számítanak, az esportban ezek alkalmazása napjainkban kezd kibontakozni. Különösen igaz ez a Counter-Strike 2-re, amely napjaink egyik legnépszerűbb e-sport címe. A hallgató feladata lesz, hogy megismerje a mérkőzések során keletkező adatok gyűjtésének és feldolgozásának módszertanát, valamint gépi tanulási technikák segítségével elemezze profi játékosok és csapatok teljesítményét. A hangsúly egy teljes AI-alapú elemzési folyamat felépítésén van, az adat-előkészítéstől a prediktív modellezésig, különös tekintettel a játékosok mozgásmintáinak és szokásainak vizsgálatára.
A gráf neurális hálók (GNN-ek) napjainkban egyre népszerűbbé válnak különféle területeken, ahol a problémák gráfstruktúrával leírhatók. A projekt célja, hogy a hallgatók megismerkedjenek a GNN-ek alapjaival, majd alkalmazzák ezeket a technikákat különböző területeken, például kódmegértésben, tudásgráfok elemzésében vagy sportanalitikában. A résztvevők választott alkalmazási területen egy konkrét problémát oldanak meg, például a kódfüggőségek modellezését, entitások és relációk feltárását tudásgráfokon, vagy sportteljesítmény előrejelzését gráf alapú csapatkapcsolatok modellezésével.
Fő célkitűzések:
A GNN-ek elméleti alapjainak megértése és azok implementálása.
Egy adott területen alkalmazható GNN-modell tervezése és fejlesztése.
Az alkalmazott modell hatékonyságának és eredményeinek kiértékelése valós adatok felhasználásával.
A kézilabda az egyik legdinamikusabb csapatsport, mégis jóval kevesebb figyelmet kapott a sportanalitikában, mint a labdarúgás vagy a kosárlabda, ahol az adatvezérelt módszerek és a gépi tanulás már széles körben alkalmazottak. Mivel a videóadatok központi szerepet töltenek be a modern sportanalitikában, a gépi tanulási módszerek kiegészíthetik a hagyományos videóelemzést, olyan összefüggések feltárásával, amelyek meghaladják a pusztán emberi szemmel láthatót. A hallgató megismerkedik a kézilabdához kapcsolódó videóalapú sportanalitikával, a tipikus adatformátumokkal, a bevett megközelítésekkel, és új megoldásokat kereshet ebben a folyamatosan fejlődő területen.
A projekt célja, hogy bemutassa, hogyan segítheti a mesterséges intelligencia a kódmegértést, amely a szoftverfejlesztés egyik alapvető aspektusa. A hallgatók MI-alapú eszközöket és technikákat vizsgálnak meg, amelyek támogatják a meglévő kódbázisok elemzését, hibák azonosítását, dokumentáció készítését és a szoftver karbantarthatóságának javítását. A projekt során fejleszteni fognak egy olyan prototípust, amely megkönnyíti a fejlesztők számára a komplex kódok megértését és elemzését, különös tekintettel a kódszemantika, függőségek és potenciális hibák feltárására.
Fő célkitűzések:
A mesterséges intelligencia szerepének feltárása a kódmegértés támogatásában.
Egy olyan MI-alapú eszköz tervezése és fejlesztése, amely segíti a fejlesztőket a kód megértésében és karbantartásában.
Az eszköz hatékonyságának értékelése komplex kódbázisok egyszerűsítésében és hibák feltárásában.
Van egy mondás, mely szerint "a sport a legfontosabb a lényegtelen dolgok között". Ezt igazolja az élsport növekvő szerepe, nem csupán szurkolói szemszögből, de a gazdasági megfontolásokat tekintve is. A 2012-es londoni olimpia megnyitóját kb. 900 millió néző követte, míg a 2014-es labdarúgó világbajnokság döntőjét már egymilliárdan látták. A fokozódó érdeklődés egy részről a sport analitika előtérbe kerülésével is együtt jár, kiváltképp a labdarúgás és kosárlabda tekintetében. Jelenleg, még sok a nyitott kérdés, amelyet az emberi intuíció segítségével válaszolunk meg, annak ellenére, hogy rendelkezésre áll a konkrét adathalmaz, amiből az igazság leszűrhető lenne.
A hallgató feladata lesz a sportelemzések alapjául szolgáló rögzített adatok formátumainak megismerése, a jelenleg alkalmazott analitikai módszerek felkutatása, illetve újszerű összefüggések keresése.
Az alacsony Föld körüli pályán (LEO) keringő műholdkonstellációk gyors terjedése új dimenziókat nyit a számítási és hálózati szolgáltatásokban. A hagyományos felhőalapú megoldásokkal szemben a LEO edge computing célja, hogy a számítási kapacitást közelebb vigye a felhasználókhoz akár az űrbe, jelentősen csökkentve a késleltetést és növelve a szolgáltatások megbízhatóságát.
A projektmunka egy nemzetközi kutatási együttműködéshez kapcsolódik, így a hallgatók valós, aktuális kutatási problémákon dolgozhatnak, nemzetközi kontextusban. A munka során megismerkednek a LEO műholdas hálózatok alapjaival, az edge computing architektúráival, valamint azzal, hogyan lehet alkalmazásokat és szolgáltatásokat futtatni dinamikusan mozgó, erőforrás-korlátos csomópontokon.
A téma gyakorlatorientált, és kiváló alapot nyújt TDK dolgozat készítéséhez, illetve későbbi MSc- vagy kutatási irányok megalapozásához. A projekt során modern hálózati és elosztott rendszerekhez, valamint a jövőbeli 6G és nem földi hálózatok (NTN) technológiáihoz kapcsolódó megoldások tervezése és szimulációja is megvalósul.
A modern felhő platformok és új típusú hálózatok (pl. 5G/6G) szorosan integrált rendszerében számos új, extrém alkalmazás válik megvalósíthatóvá. Ilyenek például az XR alkalmazások (AR/VR/MR), amik a felhő platformok számítási kapacitásával kombinálva sok "elborult" ötlet megvalósítására adnak lehetőséget. A hallgató feladata új XR játék alkalmazások kidolgozásában és implementálásában való aktív részvétel.
Hogyan tehetjük képessé a Mixed Reality eszközöket arra, hogy ne csak lássák, de értsék is a környezetüket? Ebben a projektben egy élvonalbeli, felhő (Cloud/Edge) alapú XR platform fejlesztésébe kapcsolódhatsz be, ahol a cél a fizikai világ objektumainak valós idejű szemantikai felismerése és precíz térbeli követése. Ez alapvető az olyan alkalmazásokban, ahol a fizikai és virtuális objektumoknak valós időben kell interakcióba lépniük. Csatlakozz a kutatáshoz, ahol a peremhálózati számítások és az intelligens algoritmusok ötvözésével a kiterjesztett valóság következő generációját építjük!
Hogyan nézne ki egy olyan virtuális világ, amely valós időben, a szavaid hatására épül fel és változik meg körülötted? Ebben a projektben a kiterjesztett valóság (XR) és a generatív mesterséges intelligencia (GenAI) robbanásszerűen fejlődő metszéspontján kutathatsz. A cél olyan intelligens rendszerek fejlesztése, amelyek LLM-ek és diffúziós modellek segítségével képesek azonnal 3D-s eszközöket, textúrákat vagy interaktív narratívákat létrehozni a felhasználói promptok alapján. Csatlakozz a kutatáshoz, ahol a multimodális AI modellek erejét kihasználva lebontjuk a falakat a statikus tartalom és a végtelen, adaptív digitális valóság között!
Hogyan láthat egy jármű "be" a kanyar mögé vagy a teherautók takarásába? Ebben a projektben a jövő okosvárosainak és önvezető rendszereinek kulcsfontosságú elemeit fejlesztjük: a kooperatív percepciót és a felhő alapú helyzetfelismerést. A kutatás során olyan tér-időbeli AI szolgáltatásokat (spatio-temporal AI) tervezhetsz, amelyek a járművek és az infrastruktúra szenzoradatait egy Edge-Cloud platformon egyesítik és vezetéstámogató (ADAS) rendszerekhez nyújtanak új szolgáltatásokat. A lehetséges feladatok a HD térképeken alapuló dinamikus információrétegek kezelése, komplex mozgáspredikciók és viselkedéselemzési algoritmusok kidolgozása, hatékony információterjesztési megoldások megvalósítása. Csatlakozz a kutatáshoz, ahol az elosztott intelligencia és a valós idejű adatfúzió segítségével tesszük biztonságosabbá a holnap autonóm közlekedését!
Hogyan alakíthatunk át egy évtizedes monolit alkalmazást modern, skálázható mikroszolgáltatásokká emberi beavatkozás nélkül? Ebben a projektben az Agentic AI határait feszegetjük a szoftverfejlesztés támogatásában. Olyan intelligens ágenseket tervezhetsz, amelyek statikus és dinamikus kódelemzési módszerekkel, valamint Knowledge Graph technológiák segítségével térképezik fel a komplex szoftverarchitektúrákat. A cél egy olyan GenAI és RAG alapú rendszer fejlesztése, amely nemcsak javaslatot tesz a dekompozícióra, hanem megbecsüli a várható erőforrásigényeket (compute, network) és optimális deployment stratégiákat is generál. Csatlakozz a kutatáshoz, ahol az LLM-ek és az autonóm ágensek segítségével forradalmasítjuk a szoftverarchitektúrák evolúcióját!
A hagyományos felhőarchitektúrákat webes szolgáltatásokra tervezték, nem a jövő késleltetésérzékeny alkalmazásaihoz. Az olyan technológiák, mint a felhő alapú XR vagy az autonóm járművek (ADAS), radikálisan új megközelítést igényelnek. Ebben a kutatási témában az Edge Computing határait feszegetjük, ahol a számítási kapacitás és a hálózat (6G) már nem különálló egység, hanem egy közösen optimalizált, AI-native ökoszisztéma. A cél olyan innovatív, cross-layer megoldások tervezése, amelyek a szoftverrétegtől (mikroszolgáltatások automatikus adaptációja) az infrastruktúráig (számítási és hálózati erőforrások együttes menedzsmentje) dinamikusan alkalmazkodnak a felhasználók igényeihez. Csatlakozz a kutatáshoz, ahol a co-design elvét követve építjük fel a 6G korszak intelligens, ultra-alacsony késleltetésű szoftverinfrastruktúráját!
Hogyan láthatunk át a falakon, hogy azonosítsuk egy épület rejtett gépészeti hibáit? Ebben a projektben egy olyan forradalmi Kiterjesztett Valóság (AR) alkalmazás fejlesztésében vehetsz részt, amely a karbantartók számára "röntgenszemüveget" biztosít az épületgépészeti infrastruktúra (csövek, kábelek, szellőzők) vizualizációjához. A munka során a legmodernebb hardvereket (HoloLens 2, LiDAR) integráljuk BIM (Building Information Modeling) modellekkel, létrehozva az épület élő digitális ikrét (Digital Twin). A rendszer IoT szenzorok, hőkamerás és ultrahangos érzékelők adatait dolgozza fel valós időben, gépi tanulási algoritmusok segítségével detektálva a rendellenességeket. Csatlakozz a fejlesztéshez, ahol a Unity/Unreal Engine és a felhő alapú adatszinkronizáció segítségével minimalizáljuk a bontási munkálatokat és maximalizáljuk az üzemeltetés biztonságát!
A mikroszolgáltatások dinamikus kompozíciója egy olyan architekturális, alulról felfelé építkező folyamat, amely során a felhőalkalmazásokat alkotó, különálló szolgáltatásokat sokkal kisebb, egyszerű és jól definiált szoftveregységekből állítjuk össze. A hagyományos monolitikus alkalmazások felépítésével szemben, ahol az atomi szoftverfunkciók jellemzően közvetlenül kapcsolódnak egymáshoz, a mikroszolgáltatások tervezési minta lehetővé teszi a lazán kapcsolt komponensek nagy rugalmassággal történő tervezését, összeállítását, telepítését, és akár menet közbeni átalakítását is. Ezáltal olyan többrétű követelményeket is figyelembe tudunk venni, mint erőforrás használat, felhasználói igények, felhőszámítási kapacitások, vagy a komponensek közötti interakciók és függőségek. A dinamikus mikroszolgáltatás-összeállítást az edge-cloud kontinuum támogató technológiái együttesen teszik lehetővé, ide értve konténerizációs (pl. Docker, Podman), központosított orkesztrációs (pl. Docker Compose, Kubernetes / Knative), munkafolyamat menedzsment (pl. Argo Workflow, AWS Step Function), elosztott eseménykezelési (pl. Kafka, RabbitMQ) és monitorozási (pl. Prometheus, OpenTelemetry) megoldásokat. A kiírt feladat célja edge-cloud technológiák feltérképezése felhőalkalmazás komponensek dinamikus összeállításához, alkalmazhatóságuk kiértékelése, valamint tesztelése egy előre megadott telepítési leíró alapján. Ennek részeként a hallgató feladata szoftverkomponensek összeállítási lehetőségeinek vizsgálata és prototípusok implementálása, különös tekintettel a párhuzamosításra és monitorozhatóságra.
A mai modern natív felhőalkalmazások tervezésénél felmerülő problémakör az alkalmazás-komponenseket megvalósító és egymástól függetlenül telepíthető szoftver artifaktumok optimális összeállítása több kisebb, egyszerű és jól definiált funkcionalitásból. Az ezekből a (tipikusan állapotmentes) atomi funkciókból és köztük lévő függőségekből előálló hívási gráf alapján az alkalmazás telepítési struktúráját alapvetően a gráf egy csomópont particionálása / klaszterezése adja meg. Itt a cél az operatív költségek, végrehajtási idő vagy a komponensek közti hívások / interfészek minimalizálása (perem-)felhő erőforrások és felhasználói követelmények figyelembe vételével. Habár egyszerű munkafolyamatokra az optimális alkalmazás-kompozíció feladata kezelhető méretű, összetettebb hívási gráfok, pl. irányított fa vagy DAG és változatos erőforrások esetén ez jelentősen megnehezedik, ami előirányozza hatékony gráfalgoritmusok, heurisztikák, vagy akár MI által támogatott klaszterezés kidolgozását. Csatlakozz a laborban folyó kutatáshoz, ahol a hallgatókkal új megközelítéseket és hatékony megoldásokat dolgozunk ki serverless / mikroszolgáltatás alkalmazások kompozíciójának, valamint monolitikus alkalmazások szétbontásának támogatására! A téma TDK irányába, Diplomatervig vagy akár tovább is vihető (PhD).
Az 5G mobil hálózatok alapvetően virtualizált rendszerek, melyek hatékonyságának biztosításához dinamikus erőforráskezeléssel is szükséges. Az ipari partnerrel közösen egy mikroszolgáltatások (microservices) elve mentén kialakított erőforrás menedzselő rendszer kialakításán dolgozunk. A félév során az erőforrás kezelés modelljének, az ütemező algoritmus részleteinek kidolgozásán dolgozunk. A hallgató feladata bekapcsolódni ebbe a munkába és segíteni a kidolgozott módszer validálásában. A téma hosszabb kifutású, ipari vagy tudományos irányban is tovább lehet lépni. Amennyiben érdekel a téma, kérlek keress meg, hogy részletesebben bemuthassuk a feladatot.
A témára több hallgató is jelentkezhet, ezen belül minden hallgató féléves feladata egyénre szabott és jól körülhatárolt. Esettanulmány és/vagy projekt keretében egy historikus adatbázis elemzése, jövőbeli hozam becslése a cél. A mesterséges intelligencia alapú portfólió elemzés módszertanának megismerése mellett néhány konkrét példa az egyéni témákra: egy opció árazási javaslat kidolgozás, kriptovaluták árfolyambecslése, valamint a "hagyományos" tőzsde portfóliók hozamának optimalizálása.
A munka későbbi félévekben tovább folytatható (színvonalas esetben TDK-n is!) szakdolgozat, diplomaterv formájában.
A Mixed Reality (MR) alkalmazások egyik központi technikai kihívása a digitális és a valós környezet pontos térbeli összehangolása, amely alapvető feltétele a több eszköz közötti közös térértelmezésnek. Ennek kulcsa a különböző szenzorok és eszközök által érzékelt térbeli információk egységes koordinátarendszerbe történő illesztése, amely jellemzően pontfelhők regisztrációján alapul. A hagyományos, geometriai alapú módszerek (például az ICP algoritmus) számos esetben korlátozottan alkalmazhatók, különösen zajos, részlegesen átfedő vagy dinamikus környezetekben.
A téma célja egy vagy több mesterséges intelligencián alapuló pontfelhő-regisztrációs módszer megismerése, implementálása vagy adaptálása, valamint annak vizsgálata, hogy ezek a megközelítések milyen mértékben képesek kezelni a fenti kihívásokat, és mennyire alkalmazhatók hatékonyan Mixed Reality környezetekben, például több eszköz közötti térbeli szinkronizáció támogatására. A munka során a hallgató elemzi a tanuló alapú módszerek előnyeit és korlátait a klasszikus megközelítésekhez képest, és értékeli azok robusztusságát különböző körülmények között.
A téma jelentősége túlmutat az MR alkalmazásokon: a pontfelhő-regisztráció kulcsszerepet játszik számos más területen is, például robotikai rendszerekben, autonóm navigációban, SLAM-alapú térképezésben és digitális iker rendszerekben, így a feldolgozott problémakör széles körben releváns és korszerű.
A Kubernetes vezető konténer orchesztrációs platform, ami segíti konténer alapú alkalmazások telepítését, futtatását és menedzsmentjét felhő környezetben. Alapértelmezetten a Kubernetes-be telepített alkalmazások CPU erőforrást kérhetnek a futásukhoz, ez azonban nem minden alkalmazás esetén megfelelő. Például tanuló algoritmusok, vagy képfeldolgozó szolgáltatások futtatása esetén a teljesítmény jelentősen javítható, ha GPU erőforrást kap az alkalmazás. Ennek a témának a célja egy olyan Kubernetes alapú platform kialakítása, ami képes mind GPU mind CPU erőforrást szolgáltatni az alkalmazások számára, valamint segíteni mesterséges intelligencia alapú szolgáltatások telepítését, futtatását, monitorozását és skálázását. A platform működését, teljesítményét konkért alkalmazási példákon keresztül értékeljük ki (pl. objektumfelismerés, pontfelhő építés, közlekedés támogatás). A téma nagyon szerteágazó, szívesen látunk mindenkit, akinek felkeltette az érdeklődését a leírás. A pontos feladatot az első pár konzultáció alkalmával együtt fogjuk kitalálni.
A Kubernetes egy nyílt forráskódú konténer-orchesztrációs rendszer, amely lehetővé teszi konténerizált alkalmazások deklaratív módon történő telepítését és menedzselését. A GitOps megközelítés során a klaszter és az alkalmazások kívánt állapotát leíró konfigurációk Git-alapú verziókezelő rendszerben kerülnek tárolásra, amely biztosítja az átlátható, visszakövethető és automatizált üzemeltetést.
A hallgató feladata egy Kubernetes klaszter automatizált telepítése egy választott eszköz segítségével (például kubeadm, k3s, Rancher vagy cluster-api) A telepített Kubernetes klaszter működését egy vagy több alkalmazás GitOps alapú telepítésével mutassa be.
A felhő szolgáltatások gyors piacra kerülést, rugalmas kapacitásbővítést és kedvező költségeket nyújtanak. Manapság minden nagyobb alkalmazás rendszer (pl. vállalati alkalmazások, multimédia, távközlés, játék, stb.) fejlesztése és használata gyakorlatilag valamelyik felhő szolgáltatási modellben történik. A számítási és tárolási funkciók működésképtelenek a felhő hálózata nélkül.
Felhő alapú infrastruktúrákban manapság a virtuális gépek mellett és azokkal együtt is előszeretettel alkalmaznak konténer technológiákat (pl. Docker, containerd, Kubernetes). A konténerek hordozható környezetet biztosítanak szoftver komponensek, alkalmazások számára. Egy konténerben jellemzően egy-egy komponense fut egy nagyobb rendszernek, minden rész-alkalmazásnak konténert hozunk létre, amelyeket aztán összeszervezünk (pl. adatbázis + alkalmazás + webszerver konténerek). Ennek az elvnek a továbbvitele vezet el a mikroszolgáltatás architektúrához, ahol sok kis szolgáltatás működik együtt.
Míg a felhőben virtuálizálva fut a szolgáltatás logikája, vezérlő komponense, sok esetben a fizikai világban vannak a vezérelt az eszközök, ilyen alkalmazási területeink pl.: IoT rendszerek; robotkar, ipari berendezés; önjáró szállítóeszköz vezérlés.
A hallgató feladatai: egy adott konténer technológiát és konténer menedzsment rendszert kiválasztva sajátítsa el azok alkalmazását, fejlesszen szolgáltatást a konténer menedzsment rendszer képességeit kihasználva (pl. terheléselosztás, skálázás, automatizálás), vizsgálja meg az alkalmazás komponensek közötti kommunikációs lehetőségeket, optimalizálási lehetőségeket egy adott szolgáltatás megbízható és rugalmas működtetéséhez. A kiírt téma gyűjtőtéma, a konkrét szolgáltatás, alkalmazás egyeztetésére az első oktatási hetekben kerülhet sor.
A téma folytatható több féléven keresztül, BSc szakdolgozat, MSc diplomamunka, illetve TDK témaként is tovább vihető.
A modern távközlő hálózatok komplexitása (IPv6 transition, Segment Routing) megköveteli olyan egyedi felügyeleti eszközök meglétét, amelyek túlmutatnak a hagyományos módszereken. A hatékony hibakereséshez és forgalomirányításhoz elengedhetetlen a kontroll sík (routing táblák) és az adatsík (forwarding) valós idejű láthatósága.
A hallgató feladata egy olyan hálózatfelügyeleti prototípus tervezése és implementálása, amely képes hálózati eszközökből specifikus állapotinformációkat kinyerni, feldolgozni és összesíteni. A fókusz az IP útválasztási táblák dinamikáján és a modern SRv6 (Segment Routing over IPv6) architektúra elemein van. Lehetséges feladatok:
Csomag továbbítás monitorozása: Linux útvonalválasztókban az útvonalválasztás-felügyelet megvalósítása eBPF technológiával.
SRv6 SID Kontroll és Monitoring: Az SRv6 architektúrában használt SID (Segment Identifier) listák és a hozzájuk tartozó funkciók (End, End.X, End.DT4) állapotának követése.
Az oktatásban egyre nagyobb igény mutatkozik olyan intelligens rendszerekre, amelyek képesek támogatni a pedagógusok munkáját, csökkenteni az adminisztratív terheket, valamint személyre szabott visszajelzést biztosítani a tanulók számára. A nagyméretű nyelvi modellek és más AI-alapú technológiák fejlődése lehetővé teszi olyan automatizált folyamatok megvalósítását, amelyek korábban kizárólag manuálisan voltak elvégezhetők.
A téma célja egy mesterséges intelligencián alapuló oktatástámogató rendszer tervezése és prototípus szintű megvalósítása. A rendszer képes lehet például kifejtős kérdések automatikus értékelésére, strukturált szöveges visszajelzés generálására, tananyag alapján feladatok előállítására vagy adaptív gyakorlási folyamat támogatására. A munka során a hallgató megvizsgálja, hogy az AI-alapú megközelítések milyen mértékben képesek konzisztens, pedagógiailag értelmezhető és megbízható támogatást nyújtani a tanári értékelési és előkészítési folyamatokban.
A fejlesztés része lehet a rendszer architektúrájának kialakítása, a megfelelő modellintegráció, valamint a megoldás validációja valós vagy szimulált oktatási környezetben. A témakör jelentősége túlmutat az egyedi alkalmazáson: az intelligens oktatástámogató rendszerek kulcsszerepet játszhatnak a digitális oktatás jövőjében, különösen a személyre szabott tanulási folyamatok és az adaptív értékelési mechanizmusok területén.
Az elmúlt években a nagy nyelvi modellek (LLM) megjelenése hatalmas lökést adott az mesterséges intelligencia (AI) alkalmazásoknak. Ugyan az LLM az informatika WD40-e lett igen hamar, számos feladatra nem alkalmas - hype generálásra szerencsére igen -, vagy legalábbis szuboptimális. Az egyik ilyen terület az anomália detekció: minden egyes megoldás az adott területre (domain) specifikus és nagyon korlátozottan alkalmazható más domaineken. Továbbá a probléma jellemzően nem triviális: az anomáliák jellege kontextustól függhet, továbbá komplex rendszerekben a jellemzők száma és az állapot tér hatalmas, gyakran nagy mennyiségű, diverz adathalmazra van szükség, egy-egy anomália észleléséhez.
Az 5G technológia a legújabb generációs, cellás, vezetzéknélküli technológia, mely inkább az ipari szférában nyit meg új dimenzióban, mint sem a lakossági felhasználók körében. Relevanciája megkérdőjelezhetetlen, azonban az újszerű felhasználási mintázatok és az előző generációs technológákhoz képest jelentő komplexitás növekedés miatt, komoly kihívás és emiatt nem lezárt kérdés a 5G hálózatokban a rendellenes működés vizsgálata.
A hallgató feladata 5G-hez kapcsolódó anomália detekciós módszerek áttekintése és vizsgálata. A problémakör igen szerteágazó, így a lehetőség van protokoll és interfész szintű adathalmazok klasszikus adattudományi elemzésére, ahogy klasszikus idősorelemezésre is a szekvencia alapú reprezentáció végett - ez természetesen kiterjeszthető, tehát gráfreprezentációk is vizsgálhatók.
A munka elkezdéséhez 5G és általános cellás tudás nem szükséges, alapvető gépi tanulási és statisztikai ismeretek előnyt jelentenek. A téma jellege miatt az út nincs kitaposva, így van lehetőség szoftveres munkára (sciptek írása, adatbányászat, stb.), irodalomkutatásra, új ismeretek és eszközök megismerésére, továbbá saját ötletek kipróbálására. A téma több féléven keresztül továbbvihető, TDK-ra is alkalmas.
Az elmúlt években a nagy nyelvi modellek (LLM) megjelenése hatalmas lökést adott az mesterséges intelligencia (AI) alkalmazásoknak. Ugyan az LLM az informatika WD40-e lett igen hamar, számos feladatra nem alkalmas - hype generálásra szerencsére igen -, vagy legalábbis szuboptimális. Az egyik ilyen terület az anomália detekció: minden egyes megoldás az adott területre (domain) specifikus és nagyon korlátozottan alkalmazható más domaineken. Továbbá a probléma jellemzően nem triviális: az anomáliák jellege kontextustól függhet, továbbá komplex rendszerekben a jellemzők száma és az állapot tér hatalmas, gyakran nagy mennyiségű, diverz adathalmazra van szükség, egy-egy anomália észleléséhez.
Az 5G technológia a legújabb generációs, cellás, vezetzéknélküli technológia, mely inkább az ipari szférában nyit meg új dimenzióban, mint sem a lakossági felhasználók körében. Relevanciája megkérdőjelezhetetlen, azonban az újszerű felhasználási mintázatok és az előző generációs technológákhoz képest jelentő komplexitás növekedés miatt, komoly kihívás és emiatt nem lezárt kérdés a 5G hálózatokban a rendellenes működés vizsgálata.
A hallgató feladata 5G-hez kapcsolódó anomália detekciós módszerek áttekintése és vizsgálata. A problémakör igen szerteágazó, így a lehetőség van protokoll és interfész szintű adathalmazok klasszikus adattudományi elemzésére, ahogy klasszikus idősorelemezésre is a szekvencia alapú reprezentáció végett - ez természetesen kiterjeszthető, tehát gráfreprezentációk is vizsgálhatók.
A munka elkezdéséhez 5G és általános cellás tudás nem szükséges, alapvető gépi tanulási és statisztikai ismeretek előnyt jelentenek. A téma jellege miatt az út nincs kitaposva, így van lehetőség szoftveres munkára (sciptek írása, adatbányászat, stb.), irodalomkutatásra, új ismeretek és eszközök megismerésére, továbbá saját ötletek kipróbálására. A téma több féléven keresztül továbbvihető, TDK-ra is alkalmas.
A projekt a strukturálatlan dokumentumokból (például PDF-ekből, szerződésekből vagy számlákból) történő hatékony és pontos információkivonást vizsgálja nagy nyelvi modellek (LLM) segítségével. A munka során lehetőség nyílik fejlett dokumentum-értelmezési technikák, például a szemantikus tördelés (chunking) és a vektoros keresés (RAG) folyamatainak fejlesztésére. A kutatás érintheti a multimodális modellek alkalmazását az elrendezés-alapú (layout-aware) szövegértésben, az adatok automatikus validálását, valamint egyedi ügynöki munkafolyamatok (ágensej) kialakítását. A téma célja egy olyan keretrendszer megalapozása, amely képes nagy mennyiségű szöveges állományt strukturált adatbázissá vagy válaszadó rendszerré alakítani, csökkentve az emberi ellenőrzés szükségességét.
A téma célja a futballmérkőzések során keletkező adatok gyűjtése és feldolgozása statisztikai és informatikai módszerekkel. A hallgató megvizsgálja a csapat- és játékosszintű teljesítménymutatókat, például labdabirtoklást, passzpontosságot, lövések számát és várható gólmutatókat (xG). Az elemzés során különböző adatvizualizációs és modellezési technikákat alkalmaz a mérkőzések kimenetelének és taktikai mintázatainak feltárására. A munka célja, hogy összefüggéseket találjon a teljesítménymutatók és az eredményesség között. A projekt hozzájárulhat a sportstratégiai döntéshozatal és a csapatteljesítmény optimalizálásának támogatásához.
A Model Context Protocol (MCP) egy standard és a hozzátartozó framework arra vonatkozólag, hogy egy nagy nyelvi modell és a köré épített applikációs ökoszisztéma (pl.: ChatGPT), miként integráljon külső eszközöket és különös tekintettel adatforrásokat. Mivel az MCP alig egy éve lett bemutatva, így hatásának vizsgálata korlátozott. Egy ilyen kulcs kérdés, hogy az MCP milyen stratégia szerint adja át a modellnek (vagy környezetének) a kontexust, hiszen ez jelentősen befolyásolja a rendszer válaszát, továbbá hatással van annak teljesítményére. A témához alapszintű szoftveres készségekre van szükség, speciális tudást nem igényel - a terület jellegéből adódóan viszont tudományos publikációk olvasása, értelmezése és tudásszintézis is a feladat része.
Az AI-alapú kereskedési rendszerek fejlesztésének egyik legnagyobb kihívása nem csak a stratégia minősége, hanem a biztonságos, reprodukálható és auditható üzemeltetés. Egy kereskedési algoritmusnál alapkövetelmény, hogy a fejlesztések kontrollált környezetben legyenek kipróbálva (backtest + forward teszt), miközben a "production" környezet (valódi kereskedés) stabilan és kiszámíthatóan működik.
A szakdolgozat célja egy olyan DevOps szemléletű fejlesztési és üzemeltetési pipeline kialakítása, amely több kereskedési stratégia (és opcionálisan LLM-alapú elemző komponensek) folyamatos tesztelését és kiértékelését támogatja. A rendszer Git-alapú workflow-t használ: a main branch a tényleges kereskedést futtatja, míg a dev branch forward tesztel (papírkereskedés / szimuláció) és rendszeres backtest-eket futtat, hogy mérhető legyen, a változtatások javítanak-e vagy rontanak a mainhez képest.
A projekt a predikciós piacok (például a Polymarket vagy a Kalshi) működését és adatalapú hatékonyságát vizsgálja, amelyek a közösségi tudás aggregálásával becsülik meg jövőbeli események valószínűségét. A munka során lehetőség nyílik automatizált adatgyűjtő folyamatok kiépítésére, valamint az eltérő piaci adatok (például eseményszabályok, árak és likviditás) szemantikus és statisztikai összehangolására. A kutatás érintheti az LLM-alapú eseménypárosítást, a különböző platformok közötti arbitrázslehetőségek feltárását, valamint összetett döntési logikák és kockázati modellek kidolgozását. A téma célja egy olyan keretrendszer megalapozása, amely képes a strukturálatlan piaci információkat egyértelmű döntési pontokká vagy kereskedési jelzésekké alakítani, és ezek eredményességét visszamenőleges adatokon (backtesting) validálni.
A téma az autóipari biztonságkritikus beágyazott rendszerek hibakódjainak és metaadatainak automatizált feldolgozását és strukturált vizualizációját célozza. A munka során lehetőség nyílik a forráskódból kinyert hibadefiníciók szemantikai elemzésére, egy egységesített kinyerő sablonrendszer kidolgozására, valamint az adatok adatbázis-alapú rendszerezésére. A feladat érintheti a hibaspecifikus dekódolási logikák tervezését és egy olyan intranet-alapú dashboard fejlesztését, amely a nyers technikai adatokat közvetlenül értelmezhető diagnosztikai információkká transzformálja. A cél egy olyan automatizált keretrendszer megalapozása, amely a szoftveres hibadefiníciókat hatékonyan integrálja a fejlesztői és minőségbiztosítási munkafolyamatokba.
A mesterséges intelligencia rendre megveri az embert a domain specifikus feladatokban, melyekre pozícionált AI alapú megoldások skálája egyre bővül. Ésszerű feltenni a kérdést, hogy milyen típusú feladatok azok (illetve maradtak-e még ilyenek), amelyekben az emberi intelligencia rövid, illetve középtávon nem látszik helyettesíthetőnek mesterséges megoldással. A félév során átbeszéljük az emberi és mesterséges gondolkodás mechanizmusait és teszteket készítünk olyan esetekre, ahol nem egyértelmű mesterséges intelligencia fölénye. A témára mélyebb érdeklődésű hallgató jelentkezését várjuk, akinek szokása kérdéseken merengeni.
A Node.js egy szoftverrendszer, melyet skálázható internetes alkalmazások, mégpedig webszerverek készítésére hoztak létre. A programok JavaScript-ben írhatók, eseményalapú, aszinkron I/O-val a túlterhelés minimalizálására és a skálázhatóság maximalizálására.
Az Express keretrendszer alkalmazásával egyszerűen és gyorsan hozhatóak létre komplex funkcionalitást megvalósító portálok.
A tényleges feladat kialakítása a hallgatóval együtt történik meg, a téma diplomamunkába folytatható.
Az SPA-k (single page applicationök) meghatározó elemei a modern webfejlesztésnek. A szerver és a kliens oldali kommunikáció csökkentése, jobb folyamatélmény biztosítása alapkövetelmény egy modern szolgáltatás esetében, ezt mi sem bizonyítja jobban, mint az utóbbi évek SPA keretrendszer áradata (Angular, React, VUE, Svelte).
A hallgató feladat a félév során egy SPA technológiával való megismerkedés, abba egy szolgáltatás tervezése és megvalósítása. A folyamatnak részét képezi az adatot szolgátató backend komponens megírása is.
A hallgató feladata együttműködő, intelligens robotok hálózati vezérlési megoldásainak vizsgálata, implementálása, tesztelése mind valós roboton, mind pedig annak virtuális (szimulált) "ikertestvérén".
A feladat: ipari környezetben bevethető, autonóm, mozgó roboteszköz (AGV) tervezése, megépítése és vezérlése. Az eszköz képes kell legyen egy számára ismeretlen hely feltérképezésére, a térkép segítségével saját helyzetének meghatározására, majd pedig az önálló navigációra (SLAM). A térképezés és navigáció segítésére az eszköz különféle érzékelőket (lidar, kamera, stb.) használ. A cél, hogy az eszköz vezérlését távolról, (a felhőből) oldjuk meg, beleértve a szenzoradatok átvitelét és feldolgozását is. A mozgó eszköz következtében hangsúlyos a nagy megbízhatóságú és kis késleltetésű vezetéknélküli rádiós kommunikációs megoldások (pl. 5G) vizsgálata is.
Az okos otthonok és okos városok világa ma az egyik leggyorsabban fejlődő terület, ahol a szenzorok, vezérlők, hálózatok és mesterséges intelligencia együtt alakítják a jövő infrastruktúráját. A laborban rendelkezésre álló eszközökkel saját szenzorhálózatok, vezérlőmodulok és intelligens algoritmusok fejleszthetők, amelyek képesek automatizálni és optimalizálni a környezet működését. Miért kapcsolnánk fel a villanyt, ha a rendszer pontosan tudja, mikor van rá szükség? Miért állítgatnánk a termosztátot, ha a hőmérséklet magától a legjobb értéken marad? A cél olyan okos otthoni megoldások létrehozása, amelyek valódi kényelmet, energiahatékonyságot és adaptív működést biztosítanak.
Ugyanez nagyban: az okos városokban több ezer szenzor adatait kell kezelni és értelmezni. A kihívások közé tartozik a tömegközlekedés optimalizálása, a parkolási helyzet előrejelzése, a légszennyezés és mikroklíma modellezése, valamint a speciális kommunikációs technológiák (LoRaWAN, 5G, mesh hálózatok) alkalmazása. A mesterséges intelligencia itt is kulcsszerepet kap: prediktív modellek, döntéstámogató rendszerek és autonóm működésű alrendszerek fejlesztése vár a hallgatókra.
A téma ideális önlab, szakdolgozat és diplomaterv keretében végzett SW és HW fejlesztésekhez. A labor támogatja a TDK munkákat és a publikációk készítését is, és szükség esetén kutatási ötleteket is adunk.
A projekt célja egy meglévő, 5G hálózaton át felhőből irányított robotkutya továbbfejlesztése, új funkciók és intelligens viselkedések kialakítása. A hallgató feladata a robot mozgásmintáinak, szenzorainak és vezérlési logikájának programozása, valamint olyan mesterséges intelligencián alapuló algoritmusok integrálása, amelyekkel a robotkutyának új készségek taníthatók. Ilyen lehet például tárgyak felismerése és követése, akadályok dinamikus kikerülése, interaktív viselkedés emberekkel, vagy akár komplexebb, autonóm feladatvégzés.
A projekt során a hallgató valós robotikai környezetben dolgozhat, modern IoT‑technológiákat, felhőalapú vezérlési architektúrákat és gépi tanulási módszereket alkalmazva. A feladat kiváló lehetőséget nyújt a robotika, a hálózati rendszerek és a mesterséges intelligencia gyakorlati összekapcsolására, valamint egy olyan rendszer fejlesztésére, amely a fizikai világban mérhetően intelligensebbé válik.
Elvárások: programozási alapismeretek; a felhőtechnológiák és hálózati rendszerek alapjainak ismerete; érdeklődés a robotika és az AI iránt.
Az IoT‑szemlélet új megközelítést hoz a drónok felépítésébe: míg a hagyományos rendszerekben a repülésvezérlő a drón fedélzetén működik, az IoT‑alapú architektúrában a vezérlés a drónon kívül, felhőszolgáltatásként kap helyet. A drón szenzorai folyamatosan továbbítják az adatokat a felhőbe, ahol a vezérlő valós időben dolgozza fel az információkat és hozza meg a döntéseket. Ehhez gyors, stabil hálózati kapcsolat és jól megtervezett fedélzeti elektronika szükséges.
A projekt egy már elkészült kezdeti prototípusra épül, amely működőképes alapot ad a további fejlesztésekhez. A hallgató feladata a drón hardverének újratervezése (új szenzorok integrálása, saját tervezésű áramköri modulok, energiaellátási és kommunikációs egységek finomítása), valamint a fedélzeti és felhőoldali szoftverek bővítése. A cél egy olyan drónplatform kialakítása, amely képes valós idejű, távoli, intelligens vezérlésre, és alkalmas további kutatási vagy gyakorlati feladatok ellátására.
A munka során a hallgató betekintést nyer a modern IoT‑rendszerek, a hálózati kommunikáció, a beágyazott elektronika és a dróntechnológia metszetébe. A téma ideális azoknak, akik szeretnének egyszerre HW‑t és SW‑t fejleszteni, és egy működő prototípust továbbépítve létrehozni egy valóban innovatív drónrendszert.
A modern robotikai rendszerek egyre összetettebb mesterségesintelligencia‑feladatokat végeznek: nagy nyelvi modellek (LLM, SLM), képfeldolgozás, pontfelhő‑alapú térérzékelés és valós idejű döntéshozatal. Ezek a számítások azonban különböző helyeken futhatnak: közvetlenül a robot fedélzetén, egy közeli edge‑eszközön vagy távoli felhőszolgáltatásban. A projekt célja annak vizsgálata és kísérleti összehasonlítása, hogy az egyes AI‑feladatok számára melyik architektúra a legoptimálisabb teljesítmény, késleltetés, energiafogyasztás és megbízhatóság szempontjából.
A hallgató egy meglévő robotplatformra építve valósít meg különböző AI‑modulokat: képfeldolgozási pipeline‑okat, pontfelhő‑feldolgozást, valamint kisebb és nagyobb nyelvi modellek futtatását. Ezeket három különböző környezetben kell kipróbálni:
- fedélzeti feldolgozás (lokális számítás a roboton),
- edge‑számítás (közeli, nagy sávszélességű 5G‑kapcsolattal),
- felhőalapú feldolgozás (távoli, skálázható infrastruktúra).
A feladat része a teljes rendszer mérési és kiértékelési módszereinek kialakítása, a késleltetés és adatforgalom vizsgálata, valamint annak meghatározása, hogy különböző AI‑feladatok esetén melyik elrendezés bizonyul a leghatékonyabbnak. A projekt kiváló lehetőség a robotika, a hálózati technológiák és a mesterséges intelligencia integrált megismerésére, és valós gyakorlati eredményekkel járul hozzá a jövő 5G‑alapú autonóm rendszereihez.
A hallgató feladata megismerkedni a ROS2 környezettel és a laborban található robot eszközzel. Az alapvető cél a robot mozgatása egy demonstrációs feladat során, ami közös megbeszélés tárgya.
A hallgató feladata a laborban található Universal Robots UR3e robotkar megtanítása rajzolni. A cél egy kétujjú megfogóval ceruzát tartó robotkar vezérlése úgy, hogy a trajektória végrehajtásánál a vezérlő figyelembe veszi a megfogóba épített nyomásérzékelő szenzor adatait. A szenzoradatok segítségével folyamatosan beállítható, hogy a ceruza hegyét milyen erővel vezesse végig a rajzolt felületen. Fejlesztői környezet: ROS2 + C++/python
A feladat célja, hogy a hallgató megismerkedjen a ROS2 és a Gazebo szimulációs környezettel, és egy egyszerű mobil robotot irányítva képes legyen térképet készíteni, útvonalat tervezni és navigációt megvalósítani ütközéselkerüléssel. Részfeladatok: Gazebo és ROS2 környezet telepítése; SLAM algoritmus megismerése; Nav2 csomag telepítése és használata; teszt szimuláció készítése.
A nagy nyelvi modellek (LLM-ek) futtatása jelentős erőforrásokat igényel: memória méret és sávszélesség, számítási kapacitás. A kvantálás célja, hogy az extrém nagy erőforrásigényt csökkentse. A kvantált modell jelentősen kevesebb, akár lokális erőforráson is hatékony tud lenni elfogadható pontosság mellett. Ezt a tulajdonságát használjuk fel, amikor a hálózatmenedzsment területen megvizsgáljuk, hogy mely feladatok elvégzését automatizálhatjuk ágens-alapú, kvantált LLM-ek felhasználásával. A hallgatónak lehetősége nyílik helyben, a SmartCom Lab saját GPU infrastruktúráján futtatni a nyelvi modelleket a kísérletezés és a fejlesztés során során.
A passzív optikai hozzáférési hálózati technológiák egyre elterjedtebbek, folyamatosan váltják ki a rézvezetékes hozzáféréseket. Az internetezők ezek fölött egyre vegyesebb szolgáltatáscsomagokat használnak. A hallgató feladata párhuzamos szolgáltatáscsomagok forgalmával kapcsolatos mérések végrehajtása a laborban található GPON infrastruktúra segítségével.
A közelmúltban készült egy tanulmány, amely rámutatott arra, hogy az Ethereum kriptovalutában a tranzakciók körülbelül 15%-a arbitrázstevékenységhez köthető. Az arbitrázsrésztvevők gyakran igyekeznek leplezni tevékenységüket, ezért komoly kihívást jelent annak meghatározása, hogy egy adott tranzakció valóban arbitrázshoz kapcsolódik-e. Az új eredmény (15%) meglepően magas, mivel korábban mind a matematikai modellek, mind az empirikus mérések ennél lényegesen alacsonyabb arányt jeleztek.
Amennyiben a matematikai (sztochasztikus) modellek jól tükrözik a valóságot, eredményüknek összhangban kell lennie az empirikus mérésekkel. A közelmúltban kidolgoztunk egy új matematikai modellt az arbitrázshaszon becslésére, amely ugyancsak jelentősen magasabb arányt adott, mint a korábbi megközelítések.
A hallgató feladata e két megközelítés - az empirikus mérés és az elméleti modell - összehasonlítása lenne. Ehhez részben a mérések reprodukálására, részben azok kiegészítésére van szükség. A mérésekhez használt forráskód nyilvánosan elérhető, ahogyan a tranzakciós adatbázis is. A feladat tehát ezek működésének megértéséből, kisebb módosításából, majd a vizsgálatok újrafuttatásából állna.
Elsősorban olyan hallgatók jelentkezését várom, akiket érdekel a kutatás világa, és szívesen szánnak időt elmélyültebb tudományos munkára. A téma kiváló kiindulópont lehet egy izgalmas TDK-dolgozat elkészítéséhez.
Az lenne a kérésem, hogy mielőtt jelentkezel olvass bele ebbe a cikkbe:
https://arxiv.org/pdf/2507.13023
A közelmúltban felfedeztünk az ethereum lánc egy sebezhetőségét:
https://telex.hu/techtud/2025/07/31/bme-elte-kutatas-ethereum-blokklanc-sebezhetoseg
A szabadon hozzáférhető historikus adatok vizsgálata során nem találtunk szisztematikus csalásra utaló nyomokat. Feltételezzük, hogy ha történt is ilyen támadás, az valószínűleg egy konkrét slot megszerzésére irányult, és időben korlátozott volt. Vannak elképzeléseink a lehetséges motivációkról, de ezek tisztázásához praktikus lenne a közösség segítségét kérni. Valós időben sokkal több minden megfigyelhető lenne - izgalmas eredménye lenne az önlabnak egy ilyen támadást "fülön csípni".
A hallgató feladata egy olyan webalkalmazás fejlesztése, amely kapcsolódik egy Ethereum blokkláncot szinkronizáló csomóponthoz, lekéri annak metrikáit, és ha RANDAO-manipulációra utaló gyanús eseményt észlel - akár véletlen egybeesés, akár tudatos támadás eredményeként -, automatikusan egy rövid, közérthető tweet formájában közzéteszi, hogy mi történhetett. A cél, hogy az üzenetekre érkező reakciók alapján jobban megértsük az esetleges motivációkat.
A projekt során fel kell telepíteni és szinkronizálni egy Ethereum klienst, az eseményeket ki kell nyerni, továbbítani kell egy webszerver felé, tárolni egy adatbázisban, és megjeleníteni egy webes felületen. Emellett automatikusan generált Twitter-üzeneteket is ki kell küldeni.
Elsősorban olyan hallgatók jelentkezését várom, akiket érdekel a kutatás világa, és szívesen szánnak időt elmélyültebb tudományos munkára. Előnyt jelent, ha érdeklődsz a webfejlesztés iránt, és van tapasztalatod PHP, MySQL vagy hasonló technológiák használatában.
A téma remek kiindulópont lehet egy izgalmas TDK-dolgozathoz, de akár egy későbbi kutatási projekt / doktori alapját is képezheti.
Az lenne a kérésem, hogy mielőtt jelentkezel olvass bele ebbe a cikkbe:
https://eprint.iacr.org/2025/037.pdf
A nagy nyelvi modelleket (LLM) egyre gyakrabban használjuk az élet különböző területein. Bizonyára mindenki tapasztalta már hogy az LLM alapú chatbotok (ChatGPT, Gemini, stb.) az esetek túlnyomó többségében jó válaszokat adnak, azonban néha hibáznak. Amikor hibáznak, hajlamosak teljesen logikusnak tűnő gondolatsorokat megosztani velünk, így pedig nagyon könnyen félre tudják vezetni a felhasználót. A 2025-ös kutatásokból az derül ki hogy a megerősítéses tanulás (RL) képes lehet jelentősen javítani az LLM-ek érvelési képességeit és egy RL-turbózott LLM nagyon ügyesen tud akár nehéz matematikai feladványokra is válaszolni. Az RL technikákat az LLM-ek tanítása után általában a tesztelési fázisban alkalmazzák és főleg a kódgeneráló és matematikai képeségeket próbálják így növelni. Az OpenAI o1 rendszere, az Anthropic’s Claude 3.7/4, a DeepSeek R1, a Kimi K1.5 és a Qwen 3 ilyen módszerekkel lettek betanítva. További újítás a Reinforcement Learning with Verifiable Rewards (RLVR) eljárás, amelynek során a CoT (Chain of Thought, gondolatfolyam) lépéseket ellenőrzik és értékelik, valamint jutalmat rendelnek hozzá. A hallgató feladata az RLVR eljárás hatékonyságának vizsgálata lesz. A laborban van lehetőség 2 darab Geforce RTX 3090-es GPU használatára. Ezeken kell nyílt forráskódú LLM-eket RL algoritmusokkal feltanítani és ki kell értékelni a pontosság javulását. Vizsgálni kell hogy az LLM életciklusának mely szakaszában érdemes RL technikákat alkalmazni.
A napjainkban használt nagy nyelvi modellek már rendelkeznek a kiterjesztett gondolkodás (extended thinking) funkcióval, melynek során a modell több lehetséges választ is megvizsgál, pontoz valamint kiértékel és ezek közül próbálja meg megtalálni az adott kérdésre a lehető legjobb választ. Nyilván az egyszerű kérdések esetén ezt a funkciót ki is lehetne kapcsolni, a legbonyolultabb kérdések esetén pedig jó sokáig lenne célszerű hagyni a modellt gondolkodni. A "gondolkodás" során az LLM több módszerrel is próbálkozhat. Generálhat sok potenciális választ és dolgozhat egy válasz revízióján is hosszasan. Kérdés továbbá hogy a számítási kapacitást a válaszok generálása során érdemes bővebben allokálni vagy a tanítási folyamat során kellene több GPU-t bekapcsolni. A hallgató feladata ezen kérdések vizsgálata lesz. A laborban van lehetőség 2 darab Geforce RTX 3090 kártya használatára és ezeken kellene különböző nyelvi modellekkel méréseket végezni. Használja a MATH adathalmazt a kiértékelésre és hasonlítsa össze a Best-of-N, Beam search és Lookahead search technikák hatékonyságát.
Bizonyára mindenki észrevette már hogy amikor LLM-alapú ChatBot-okkal kommunikál, akkor azok bizonyos esetekben hibáznak vagy nem is tudják megadni a helyes megoldást vagy választ az adott kérdésre. Sokszor az sem segít ha másképp tesszük fel a kérdést vagy megpróbáljuk rávezetni a botot a helyes megoldásra. Nyilvánvalóan egy adott nyelvi modellnek megvannak a maga korlátai, illetve igaz az is hogy bizonyos feladatokra az modell jól alkalmazható, bizonyosokra viszont egyáltalán nem. Napjainkban ezt a problémát több LLM együttes alkalmazásával próbálják meg orvosolni, ezek a multi-agent rendszerek. Itt úgy tudnak pontosság javulást elérni hogy több modell kimenetét egyszerre próbálják meg kiértékelni és így generálnak egy globális választ. Az ötlet viszont egyáltalán nem új, hiszen a híres magyar matematikus, Neumann János már 1956-ban foglalkozott ilyen kérdésekkel és ő vezette be a valószínűségi logika fogalmát. Azon hallgató feladata aki ezt a témát választja az lesz, hogy vizsgálja mennyire lehet alkalmazni a valószínűségi logikát multi-agent LLM rendszerek pontosságának javítására. Az LLM-eknek matematikai/fizikai/biológiai stb. feladványokat kell megoldaniuk kooperatív módon és vizsgálni kell milyen megközelítésekkel lehet elérni a lehető legnagyobb pontosságot.
A decentralizált kriptovaluta váltók megjelenésével lehetőség nyílt automatikus botoknak kihasználni az árfolyamok közötti különbségeket és ezzel kockázatmentes haszonra tudnak szert tenni. Ezeket az ügyleteket hívjuk arbitrázs váltásoknak. Az utóbbi években több kutatási irány is megjelent amelyekben a blokkláncokon történő arbitrázs kereskedéseket illetve azok hatékonyságát vizsgálják. A DeFi kriptovaluta váltókat okosszerződések segítségével implementálják és ezeket a programkódokat futtatják a hálózati csomópontok. A hallgató feladata a félév során ezen szerződések vizsgálata valamint az arbitrázs kereskedések felderítése lesz. A laborban van lehetőség használni egy Ethereum hálózati csomópontot, amelyre ha csatlakozunk akkor be lehet gyűjteni a tranzakciós adatokat. A feladat megoldása során csatlakozni kell az Ethereum klienshez és szoftvert kell fejleszteni ami képes nagy mennyiségű tranzakciós adatot feldolgozni valamint ezekből kinyerni az arbitrázs tranzakciók adatait. A megvalósítás során figyelni kell a hatékony adatstruktúrák használatára valamint ki kell választani a feladathoz legjobban illő gráf algoritmusokat is. Vizsgálni kell hogy melyik váltókat használják a leggyakrabban az arbitrázs botok és hogy mi a viszonya tranzakciós költségek (gas fee) a kereskedés frekvenciája között.
Ha egy nagy nyelvi modellt (LLM) specifikus feladatra szeretnénk alkalmazni akkor általában finomhangolni kell hiszen a betanított alapmodellek általában túl általánosak és nem képesek pontosan válaszolni azokra a kérdésekre amik minket érdekelnek. A finomhangolás (fine-tuning) azonban meglehetősen számításigényes művelet. Egy LLaMA 65B modell finomhangolásához például 780 Gb GPU VRAM-ra van szükség, emiatt ez a mai videokártyákon nem megvalósítható. A finomhangolás memóriaigényének csökkentésére több technikát is javasolnak a tudományos megközelítések. Ezek közül az egyik legjobban használható a Quantized Low-Rank Adaptation (QLoRA) algoritmus, amelyben az alapmodellt 4-bitre kvantálják és nem a teljes súlymátrixot tanítjuk, hanem kis LoRA adaptereket. A halgatónak a félév során feladata lesz a különböző finomhangolási technológiák vizsgálata. A modelleket 2 darab Geforce RTX 3090-es GPU használatával kell kiértékelni. A következő adathalmazokat lehet alkalmazni a finomhangolás során: Vicuna, OASST1, Chip2, HH-RLHF és ki kell értékelni a finomhangolt modellek teljesítményét a tanítási idő, pontosság, inferencia idő metrikák mentén. Ki kell térni továbbá arra is hogy az angol nyelv mellett milyen pontosságot lehet elérni magyar nyelvű promptok esetén.
Az elmúlt években több új eredmény született 3- és 4-összefüggő gráfok felépítéséről. Ilyenkor a gráfok olyan G_0,...,G_N sorozatát állítják elő, hogy G_0 egy nevezetes gráf, G_k = G, és minden G_{i+1} úgy keletkezik G_i-ből, hogy a gráfon picit lokálisan változatnak (mint például fülfelbontásnál 2-összfüggő gráfok esetén). A módszer hatékony lehet távközlési hálózatok konfigurálására, amikor a hálózati topológia gráfra számolnák ilyen gráf sorozatot, majd a lokáli változtatásokkal összhangban a hálózat konfigurációját is módosítanánk. A hallgató feladata lenne ezeket az eredményeket megismerni és megvizsgálni hogyan alkalmazhatóak távközlési hálózatok konfigurálására.
A téma Lendület pályázatomhoz kapcsolódik.
A hallagató feladata egy olyan webalkalmazás kifejlesztése, amely összekapcsolódik egy blokkláncot szinkronizáló csomóponttal, lekéri annak metrikáit és ezeket egy jól kezelhető webes felületen megjeleníti. Az egyik legkényelmesebben használható blokklánc implementáció a z Ethereum. A témával való foglalkozás során fel kell telepíteni egy ilyen kliens szoftvert, be kell szinkronizálni a blokkláncot és a kliensből jól értelmezhető (a hallgató által definiált) metrikákat kell kinyerni. Ezeket az adatokat bizonyos időközönként át kell adni egy webszervernek, le kell őket tárolni egy adatbázisban és azokat meg kell jeleníteni egy webes felületen. A webfejlesztés, a php és a mysql alapú technológiák iránt érdeklődők jelentkezését várjuk elsősorban.
A kriptovaluták, mint például a Bitcoin, Ethereum és más digitális eszközök, az utóbbi években egyre nagyobb népszerűségnek örvendenek. Ezek a digitális pénznemek különösen nagy volatilitást mutatnak, ami azt jelenti, hogy árfolyamuk gyakran és jelentős mértékben változik rövid időn belül. A volatilitás mögött számos tényező állhat, mint például a piaci spekuláció, szabályozási változások, technológiai fejlesztések és globális gazdasági események. A volatilitás kezelése és előrejelzése érdekében különböző sztochasztikus modelleket fejlesztettek ki. A feladat célja e modellek alkalmazása és hatékonyságának vizsgálata erősen volatilis kriptovaluta árak elemzésére. Az alábbiakban találhatóak a részletes feladatok:
Gyűjtsön záróárfolyam adatokat legalább két különböző kriptovalutáról (pl. Bitcoin, Ethereum).
Tisztítsa meg az adatokat, kezelje a hiányzó értékeket és normalizálja az adatokat az elemzéshez.
Végezzen leíró statisztikai elemzést az adatokon, hogy megértse a kriptovaluták volatilitásának mértékét és mintázatait.
Készítsen grafikus ábrázolásokat (pl. idősortáblázatok, hisztogramok) az adatok vizuális bemutatására.
Határozza meg a SETAR modell paramétereit, beleértve a rezsimek számát és a küszöbértékeket.
Illessze a SETAR modellt a kriptovaluta árfolyam adataira, és becsülje meg a modell paramétereit.
Vizsgálja meg a modell illeszkedését és teljesítményét különböző diagnosztikai tesztek segítségével.
Hasonlítsa össze a SETAR modell előrejelzési teljesítményét más lineáris és nem-lineáris modellekkel (pl. ARIMA, GARCH).
A Tor egy népszerű anonimizáló hálózat, amely napi több millió felhasználó adatvédelmét szolgálja több ezer, önkéntesek által üzemeltetett proxy segítségével. A hálózat célja, hogy elrejtse a kommunikáció forrását és célját, így védve a felhasználókat a megfigyeléstől, nyomkövetéstől és cenzúrától. Azonban a Tor hálózat sincs teljes biztonságban: az egyik legjelentősebb fenyegetés az ún. Website Fingerprinting (WF) támadás, amely során a támadó - csupán a belépési pont forgalmának megfigyelésével - képes lehet következtetni a meglátogatott weboldalakra, ezáltal megtörve az anonimitást.
A labor során a hallgató célja annak vizsgálata, hogy a WF támadások mennyire jelentenek valós fenyegetést a Tor hálózat felhasználói számára. A feladat magában foglalja a valódi forgalmi minták gyűjtését (szimulált környezetben, etikus keretek között), különböző támadási modellek implementálását, valamint azok összehasonlítását szintetikus és valós adatok alapján. A hallgató feladata annak eldöntése, hogy a korábban laboratóriumi környezetben tesztelt módszerek mennyire alkalmazhatók a valós világban.
A projekt során a hallgató megismeri a Tor működését, a gépi tanulás alapú WF támadásokat, valamint adatgyűjtési és -elemzési módszereket. A feladat kiváló lehetőséget nyújt a hálózatbiztonság, az etikus hackelés és az adatelemzés területén való elmélyülésre.
A hallgató feladata nagy nyelvi modellek (LLM) kódgenerálási képességeinek vizsgálata neurális hálózatok tanítását végző programkódok előállítása céljából, Python, C, C++, CUDA és Rust nyelveken. A munkához rendelkezésre álló két NVIDIA RTX 3090 GPU segítségével a hallgató lokális inferencia- és finomhangolási környezetet alakít ki. A projekt során teljes pontosságú és kvantált modellek (pl. GGUF, GPTQ, AWQ) egyaránt vizsgálat alá kerülnek, értékelve a memóriafelhasználás és a kimeneti kódminőség közötti kompromisszumot. Paraméterhatékony finomhangolási technikákat, különösen LoRA-t és QLoRA-t alkalmazunk a modellek kódgenerálási feladatokra való specializálásához. A hallgató egy átfogó benchmark rendszert tervez és implementál, amely a generált kód helyességét, fordíthatóságát és futási hatékonyságát méri. A generált neurális hálózat tanító szkripteket valós adathalmazokon futtatva ellenőrzi a konvergenciát és a futásidőbeli teljesítményt. Különös figyelmet kap a CUDA kernel generálás minősége, beleértve a memória-hozzáférési mintákat és a párhuzamosítás helyességét. A projekt több nyílt forráskódú alapmodellt hasonlít össze azonos feltételek mellett, például Code Llama, DeepSeek-Coder és StarCoder2 modelleket. A különböző kvantálási szintek (4-bit, 8-bit) teljesítményét FP16 alapvonalhoz viszonyítva értékeli pass@k, BLEU és CodeBLEU metrikák segítségével. A hallgató elemzi a generált kódok hibamintáit, kategorizálva a logikai hibákat, memóriaszivárgásokat és helytelen tenzorműveleteket.
A témára jelentkező hallgató feladata futási naplói alapján egy protokoll viselkedését definiáló véges állapotgép modell helyreállíthatóságának vizsgálata. Többek között adatbázistranzakciók, tőzsdei idősorok és DNS szekvenciák elemzésére számos szekvenciálisminta-detektáló eljárást dolgoztak ki az elmúlt évtizedben, a hallgató feldata annak vizsgálata, hogy ezek az algoritmusok módosításokkal vagy módosítások nélkül mennyire alkalmasak távközlési protokollok modelljének automatikus helyreállítására.
A téma protokollmodellezés és -tesztelés, valamint a szekvenciális adatbázisok bányásza közötti határterületen terül el, e témákban ad kompetenciát. A téma műveléséhez tetszőleges programozási nyelv ismerete szükséges, gyakorlat előny. Követelmény a legalább olvasási szintű angolnyelv-ismeret.
A téma diplomatervig folytatható, TDK dolgozat és egyéb tudományos munkák alapját képezheti.
Az elérhető számítási kapacitás felfutása lehetővé tette mesterséges intelligencia (AI) alapú komponensek használatát (szoftver)rendszerekben. Az ilyen komponensek ember számára megfoghatatlan működése komoly kihívást jelent a befoglaló rendszerek tesztelése szempontjából.
A hallgató feladata a témavezető által javasolt szakirodalom tanulmányozása, és az abban javasolt tesztmódszerek alkalmazhatóságának vizsgálata AI komponenst tartalmazó szoftverek esetén. A tesztelendő rendszerbe csomagolt AI komponens lehet például egy képfeldolgozó modellt, amely a népszerű YOLO által készült.
A hallgató feladata gyorsulásmérő szenzorok adataiban vertikális elmozdulás detekciója, és az elmozdulás mértékének, például a felugrás magasságának becslése. A feladat nehézsége, hogy az elmozdulás bármely tengely irányában történhet.
A hallgató feladata PPG szenzor adataiból a szívritmus kinyerése, és annak vizsgálata, hogy további biometrikai adatok, mint például légzés kinyerhetők-e.
Az SKI a Schönfinkel-féle kombinátor logika változómentes, mégis teljes értékű formalizmusa, amely három alapkombinátorra (S, K, I) épül, és a λ-kalkulussal ekvivalens kifejező erejű. A számítás és kiértékelési stratégiák interaktív vizualizálása kézzelfogható intuíciót ad a programok futási szemantikájáról, a redexek szerepéről, a megosztásról és a divergens viselkedésről.
A hallgató feladata egy webes eszköz (Combinator Explorer) elkészítése, amely SKI-kifejezések esetén megmutatja a redukciós lépéseket, vizualizálja a redexeket, és felrajzolja a kiértékelési fát. A redukció során többféle kiértékelési stratégiát támogat, valamint az SKI-kifejezéseket lefordítja λ-kalkulusba.
Az eszköz hidat képez a formális elmélet és a gyakorlati megvalósítás között: oktatási segédeszköz, amely mélyíti a funkcionális programozás, illetve a fordítóprogramok működésének megértését.
Bővítési lehetőségek:
* Church-számok és alapműveletek definiálása (összeadás, szorzás), redukciós fák bemutatása.
* "Csúfolórigó" (Mockingbird, M = S I I) bemutatása/implementálása és viselkedésének elemzése.
* Új kombinátorok hozzáadása (pl. B, C, W, Y).
A generatív mesterséges intelligencia egyik releváns fejlődési iránya a többágenses (multi agentic) rendszerek témaköre. Ezekben a rendszerekben több, egymással együttműködő vagy versengő ágens vesz részt a feladatmegoldásban, melyek kollektív viselkedése meghatározza a rendszer teljesítményét.
A kutatások rámutatnak arra, hogy a többágenses architektúrák strukturális és működési paraméterei jelentős hatással vannak a rendszer hatékonyságára, robusztusságára és adaptivitására. Ugyanakkor ezen architektúrák automatikus optimalizálása jelenleg aktív kutatási terület.
A feladat célja olyan keretrendszerek megtervezése és megvalósítása, amely lehetővé teszi többágenses generatív AI rendszerek létrehozását, miközben a keretrendszer meghatározott absztrakciós szinten mozgásteret kap az architektúra optimalizálására. Az optimalizáció alapját formálisan definiált jósági metrikák és megerősítéses tanulás (reinforcement learning) alapú önfejlesztési eljárások adják.
A téma 2 hallgató számára nyitott.
A modern hálózati infrastruktúrák egyre összetettebbé és dinamikusabbá válnak, amely új kihívásokat teremt a teljesítmény, a megfigyelhetőség és különösen az információbiztonság területén. A hagyományos, statikus kernelmodulokra és felhasználói térben futó hálózati eszközökre épülő megoldások gyakran nem képesek hatékonyan reagálni a valós idejű forgalmi és biztonsági igényekre. Ezen problémákra kínál korszerű megoldást az eBPF (extended Berkeley Packet Filter) technológia.
Az eBPF lehetővé teszi biztonságosan ellenőrzött programok futtatását az operációs rendszer kernelében, kernel újrafordítása vagy újraindítása nélkül. Ennek köszönhetően a hálózati csomagfeldolgozás, a forgalomszűrés és a megfigyelhetőség rendkívül alacsony késleltetéssel és minimális teljesítményveszteséggel valósítható meg. Az eBPF-alapú megoldások különösen hatékonyak olyan területeken, mint a nagy teljesítményű tűzfalak, a DDoS elleni védekezés, a terheléselosztás, valamint a valós idejű hálózati monitoring és anomáliadetektálás.
Biztonsági szempontból az eBPF kiemelkedő jelentőséggel bír, mivel a hagyományos kernelkiterjesztésekkel szemben sandboxolt környezetben működik, és szigorú verifikációs mechanizmusok garantálják a futtatott kód helyességét. Ez jelentősen csökkenti a rendszer kompromittálásának kockázatát, miközben lehetővé teszi adaptív, programozható védelmi mechanizmusok kialakítását. A technológia különösen ígéretes a jövő biztonsági architektúrái számára, ahol a valós idejű fenyegetésészlelés és az automatizált reagálás kulcsfontosságú.
Összességében az eBPF alapú hálózati alkalmazások fejlesztése hosszú távon is releváns kutatási és fejlesztési irány, amely egyesíti a nagy teljesítményt, a rugalmasságot és a magas szintű biztonságot a modern informatikai rendszerekben.
A modern webfejlesztés napjaink egyik legkurrensebb területe, amelyet az agilis, inkrementális szoftverfejlesztési módszertanok határoznak meg. A szakdolgozat célja egy komplex webalkalmazás megtervezése és megvalósítása agilis elvek mentén.
A megvalósítandó alkalmazás épülhet valós ipari igényre vagy a hallgató egyéni ötletére. A fejlesztés során a hallgató részt vesz a követelményfelméréstől és tervezéstől kezdve a fejlesztésen és tesztelésen át egészen az üzemeltetésig (DevOps) tartó teljes folyamatban.
A konkrét alkalmazási terület és technológiai stack a hallgató érdeklődési körének megfelelően, közösen kerül kialakításra.
Bővebb információ:
palfy.miklos@vik.bme.hu
A feladat célja egy olyan felügyeleti rendszer megtervezése és megvalósítása, amely több száz, edge mini számítógépen futó alkalmazás központi kezelését teszi lehetővé. Az edge eszközök gyalogos-, demográfiai- és járműszámlálási feladatokat látnak el, és változó hálózati környezetben, jellemzően fix IP cím nélkül, NAT mögül csatlakoznak a felhőben futó központi rendszerhez.
A szakdolgozat során a hallgató megvizsgálja, hogyan biztosítható az eszközök biztonságos távoli elérése, állapotának nyomon követése és felügyelete ilyen környezetben. A megoldásnak támogatnia kell az eszközök azonosítását, elérhetőségét, valamint a fleet-szintű működéshez szükséges alapfunkciókat (pl. online/offline állapot, heartbeat, konfigurációk, riasztások).
A feladat része egy működő felügyeleti rendszer prototípus megvalósítása, amely képes az edge eszközökről működési metrikák és logok gyűjtésére és vizualizálására. A metrikák kiterjednek az erőforrás-használatra és az alkalmazás működésére, támogatva a hatékony üzemeltetést és hibadetektálást.
Bővebb információ: palfy.miklos@vik.bme.hu
A feladat célja egy olyan kamerás képfeldolgozáson alapuló rendszer tervezése és Proof of Concept (POC) szintű megvalósítása, amely alkalmas pékáru polcok vagy tálcák töltöttségi állapotának automatikus felismerésére bolti környezetben. A rendszer célja nem a pontos darabszám meghatározása, hanem annak vizsgálata, hogy a polcok üres, alacsony vagy megfelelő töltöttségi állapota megbízhatóan detektálható-e vizuális információk alapján.
A feladat során a hallgató megtervezi és implementálja a képfeldolgozási láncot, amely a kameraképből előre definiált polc- vagy tálca-területeket elemez. Az elemzés alapját egyszerű vizuális jellemzők (pl. színeloszlás, textúra, élgazdagság) vagy könnyű tanított modellek képezhetik. A megoldásnak kezelnie kell a bolti környezet sajátosságait, például a változó világítást, részleges kitakarásokat és a termékek vizuális változatosságát.
A feladat része egy működő POC elkészítése, amely demonstrálja a megközelítés technikai megvalósíthatóságát, valamint bemutatja a módszer korlátait és továbbfejlesztési lehetőségeit egy későbbi, üzemszerű bevezetés irányába.
Bővebb információ: palfy.miklos@vik.bme.hu
A feladat célja egy olyan webalkalmazás prototípusának megtervezése és megvalósítása, amely mesterséges intelligencia alapú képfeldolgozást alkalmaz virtuális ruhapróba megvalósítására. A megoldás célja annak bemutatása, hogy egy modern webes környezetben miként integrálható AI-alapú feldolgozás egy e-kereskedelmi jellegű felhasználási esetben.
A rendszer egy feltöltött kép vagy kamerakép alapján egyszerű képfeldolgozási vagy tanított modellek segítségével felismeri az emberi alak alapvető jellemzőit, majd egy kiválasztott ruhadarabot vizuálisan illeszt a képre. A feladat fókusza nem a fotórealisztikus megjelenítés, hanem a technikai megvalósíthatóság, az integráció és a módszer korlátainak bemutatása.
A projekt során a hallgató megismerkedik a webes felhasználói felület kialakításával, backend-frontend kommunikációval, AI-alapú képfeldolgozó megoldások használatával, valamint egy teljes fejlesztési folyamat megvalósításával. A feladat kiterjeszthető összetettebb megoldások irányába, így alkalmas önálló laborfeladatként vagy szakdolgozati alapként is.
A feladat célja egy olyan kamerás megfigyelésen alapuló rendszer tervezése és prototípus szintű megvalósítása, amely parkolók foglaltságát képes meghatározni járműszámlálás segítségével. A megoldás a parkoló be- és kijáratánál elhelyezett kamerák képei alapján detektálja és számolja a ki- és behajtó járműveket.
Többszintes parkoló esetén a rendszer képes az egyes szintek foglaltságának becslésére, előre ismert kapacitásadatok felhasználásával. A cél egy olyan költséghatékony megközelítés vizsgálata, amely hagyományos szenzoros megoldások helyett kizárólag kamerás képfeldolgozást alkalmaz.
Különböző izgalmas tanszéki tudományos kutatásokba lehet bekapcsolódni Data Science és AI területén. Olyan tudományos érdeklődésű és/vagy iMSc hallgatókat várunk, akik szívesen vesznek részt a közös gondolkodásban és tudományos cikk írásban vagy TDK munkában. Ezek a témák az idősorelemzés, a gráf neurális hálók, képosztályozás, aktív tanulás, OOD (out-of-distribution) detektálás köré csoportosulnak. A konkrét kutatási témák a következők: Idősor előrejelzés különböző granularitással, Idősoros adatok elemzése globális-lokális struktúra beágyazásokkal, Out-of-distribution idősoros adatok osztályozása és előrejelzése, Hierarchikus előrejelzés az idősoros adatok feldolgozásában, Két szintű osztályozás OOD detektorokkal, Szöveg- és képosztályozók kombinálása multimédiás tartalomosztályozáshoz, Mélytanulás online tanulási környezetben, Konformális predikció, Aktív tanulás multi-output osztályozásnál, Link predikció gráf neurális hálókban. Doktoranduszokkal együtt várjuk a lelkes hallgatókat!
A hagyományos autómegosztási rendszerekben az ügyfelek manuálisan választanak egy járművet a térképen megjelenített, elérhető autók közül. Ez azonban nem vezet globálisan optimális autóelosztáshoz. Egy korábbi munkában egy másik hallgató egy ILP-alapú (egészértékű lineáris programozás) megoldáson dolgozott, amely az autók és az ügyfelek közötti párosítást optimalizálja annak érdekében, hogy minimalizálja a maximális vagy az átlagos távolságot, amelyet az ügyfeleknek gyalog kell megtenniük a számukra kijelölt jármű eléréséhez.
Ebben a folytatólagos munkában a cél ehelyett egy hibrid autómegosztó flotta vizsgálata, ahol az autonóm autók is a flottához tartoznak a hagyományos, ember által vezetett járművek mellett. Az autonóm autók közvetlenül oda tudnak menni a felhasználókhoz, így a gyaloglási távolságot már nem kell figyelembe venni. Ehelyett az átlagos és a maximális várakozási idő jelenik meg új paraméterként.
Amennyiben szeretnénk okoseszközeink közt kis távolságon, egyszerűen, gyorsan, biztonságosan, mások számára láthatatlanul adatot átvinni anélkül hogy adatkapcsolatunk lenne és a felhőn át menne és anélkül hogy infravörös (IrDa), NFC, BL, BLE, Wi-Fi, mobil adat vagy másegyéb interfészt kéne kapcsolni, a VLC egy érdekes lehetőség.
A feladat megvizsgálni, hogy anélkül hogy speciális gyors adó-vevő párokat használnánk, maximálisan párhuzamosítjuk a kommunikációt. Például, ha okostelefonunk, laptopunk, tabletünk, asztali számítógépünknek mind 4k képernyője van, és szintén 4k vagy ennél sokkal nagyobb felbontású kamerája, és minden 30 vagy 60 fps működik, akkor ez lehetőséget ad egy elfogadhatóan magas bits/s kommunikációra minden extra hardver nélkül. Ez olyasmi mint egy QR kód, csak dinamikus és sokkal nagyobb mennyiségű adat vihető át. A hallgató feladata az elméleti korlátok becslése és egy SW implementáció elkészítése. Ha lehet kétirányú kommunikáció legyen. Vizsgálja meg, hogy valós időben mire képesek a mikroprocesszorok, GPU-k amelyek jelen HW eszközeinkben vannak. Mi a korlátozó tényező? A processzálás, vagy az optikai 1:1 pixel megfeleltetés a monitor-kamera párokban? Hogyan lehet javítani ezen? Mennyivel több energiát fogyaszt ez mint pl. BLE?
(Jelentkezés/További Információ: Teams: cinkler.tibor@vik.bme.hu)
3GPP már több éve tervezi az NTN (Non Terrestrial Network) és a TN (Terrestrial Network) hálózatok együttes használatát 5G illetve 6G UE (User Equippment) által. Ezen hálózatokat optimalizálni kell, magasabb rendelkezésre állás érdekében egynél több útvonalat kell kijelölni. A hallgató feladata a félévben valós adatokat beolvasni, majd az optimalizálás után ezeket kiírni fileba. További feladat többutas elvezetés, illetve a repülőgépek utasainak a bekötése ugyanebbe a TN+NTN hálózatba...
További érdekes szempont, hogy a műholdak már nem csak átjátszók, de a 3GPP sőt az adatközpont / felhő funkcionalitás is mind markánsabban jelen van. Nagyon sok érdekes optimalizálási feladat és kihívás van ezen új jövőbeli rendszerekben.
(Jelentkezés/További Információ: Teams: cinkler.tibor@vik.bme.hu)
A korszerű hálózatok energiafogyasztása növekszik.
Az egyes hálózati elemek kikapcsolásával energiát takaríthatunk meg, ám a túl gyakori ki és be kapcsolások növelik az összfogyasztást, sőt, a sok handover a kommunikációminőséget is rontja.
A hallgató feladata lineáris és bonyolultabb predikciókkal (interpolációs polinomok, gépi tanulás) megbecsülni a felhasználók mozgását és forgalmát és ezek alapján energiatakarékosabb hálózatüzemeltetést biztosítani...
A módszereket vesse össze egymással, illetve azzal az esettel amikor előrejelzések, becslések nélkül optimalizálunk. Mi és hogyan befolyásolja az eredmények jóságát? Alkalmazzon gépi tanulást külön-külön a predikcióra és optimalizálásra és együtt is mindkettőre.
(Jelentkezés/További Információ: Teams: cinkler.tibor@vik.bme.hu)
Az adatközpontok a korszerű infokommunikációs hálózatok legnagyobb energiafogyasztója, amit az AI rohamas terjedése csak tovább tetéz. Itt a processzorok hőtermelése mellett a hűtőrendszer fogyasztása is hasonlóan nagy. Olyan gépi tanulás alapú módszereket dolgozunk ki melyek azonos számítási teljesítmény mellett alacsonyabb energiafogyasztást igényelnek.
A hallgató feladata szolgáltatói valós adatokkal dolgozva stratégiák kidolgozása, gépek tanítása.
(Jelentkezés/További Információ: Teams: cinkler.tibor@vik.bme.hu)
Az AI a döntések zömét nagyságrendekkel gyorsabban meghozza mint a hagyományos algoritmusok, vagy az ember.
A rutinfeladatoknál jobban is.
Igenám, de sok áramot fogyaszt...
Fogyasztás szempontjából az emberi agy viszi a pálmát. Még...
A hallgató feladata összevetni több AI módszert hagyományos módszerekkel az eredmény minősége, az eredmény elérésének gyorsasága, a fogyasztás, és szintén a tanulási folyamatra is a minőség gyorsaság és fogyasztás hármas kompromisszuma. Hogyan lehet ezen javítani? Mire kell odafigyelni? Hosszútávon mi a nyerő stratégia?
(Jelentkezés/További Információ: Teams: cinkler.tibor@vik.bme.hu)
A korszerű 5G és 6G hálózatoknál az ultra-magas rendelkezésre állású "szeletek" biztosítása kulcsfontosságú.
Sajnos a magas rendelkezésre állás megköveteli a nagy mennyiségű erőforrás foglalását kihasználatlanul. A hallgató feladata olyan kapacitás és energia takarékos védelmi módszerek vizsgálata, ahol a rendelkezésre állás mégis magas.
A takarékosság érdekében egyrészt ugyanaz az igény több elvezetési útvonala közt valósítunk meg megosztott védelmet, másrészt a különböző igények között valósítunk meg megosztott védelmet.
A hallgató feladatai a következők:
1. egyetlen egyidejű meghibásodás mellett vizsgálja a két egyidejű hiba elleni védelem esetét is
2. a túl sok párhuzamos út elkerülése érdekében részesítse előnyben a rövidebb, szabadabb, jobb minőségú utakat
3. mérés alapú csillapítási térképe alapján jaítsa az eredményeket, javítsa a módszer skálázhatóságát
4. a gyakorlati szempontból már nem fontos UE-gNB párokra ne írjon fel sem változót, sem célfügvényt, sem kényszereket, ezzel javítandó a módszer skálázódása.
(Jelentkezés/További Információ: Teams: cinkler.tibor@vik.bme.hu)
A Quantum Számítógépeknek, és az egyes quantum számítógép architektúrákra testreszabott algoritmusok előtt nagy jövő áll.
Célunk néhány távközlési optimalizálási feladatra olyan testreszabott algoritmust és quantum-számítógép hardvert választani, amely az adott problémára nagyon hatékony. Példaként a QUBO-t említhetjuk, QUBO a Quadratic Unconstrained Binary Optimization rövidítése. Egy-egy módszert emulárokon, illetve a kiválasztott módszert valódi hardver quantum számítógépen is teszteljük és finomhangoljuk. Szintén megkiséreljük a quantum-gépeket is tanítani.
(Jelentkezés/További Információ: Teams: cinkler.tibor@vik.bme.hu)
Az AI gyakran ad olyan megoldásokat, melyekről nem vagyunk meggyőződve hogy a legjobbak, vagy hogy egyáltalán jók-e? Megbízhatók? Szavahihetők? Kritikus távközlési problémáknál biztosra akarunk menni mielőtt összeomlik a teljes rendszer, mert hittünk tanított gépünknek. Gondolom mindenki szembesült a hallucináló LLM-ekkel.
A legegyszerűbb, hogy futtatunk 3 független különböző rendszert, és többségi döntés alapján bízunk meg benne. Ha mindhárom ugyanazt mondja inkább, ha háromból kettő kevésbé, Ha mindhárom mást mond, nem hiszünk. Igenám, de ez 3x annyi áramot fogyaszt. Célunk legkevesebb energiafelhasználás mellett is a legszavahitetőbb rendszerek azonosítása, finomhangolása.
A nagy nyelvi modelleket (LLM-eket) ma már egyre gyakrabban alkalmazzák nem csupán szövegfeldolgozási feladatokra, hanem komplex döntéstámogató rendszerek komponenseiként is. Kritikus kutatási kérdés azonban, hogy ezek a modellek milyen mértékben mutatnak az emberihez hasonló kognitív torzításokat — például kockázatkerülést, veszteségkerülést vagy időbeli diszkontálást —, és mennyire alakítható ez a viselkedés különböző promptolási stratégiákkal (zero-shot, few-shot, role-play, chain-of-thought).
A hallgató feladata klasszikus viselkedéstudományi kísérletek (például az ultimátum játék, szerencsejáték feladatok és késleltetési forgatókönyvek) adaptálása LLM-ekre, majd a különböző promptolási technikák döntéshozatali folyamatra gyakorolt hatásának szisztematikus elemzése. A kutatás célja ezen torzítások számszerűsítése (kvantifikálása), valamint a modellmegbízhatóság határainak feltárása autonóm vagy félautonóm döntési kontextusokban.
Bár a nagy nyelvi modelleket (LLM-eket) gyakran hasonlítják emberekhez, nyitott kérdés, hogy rendelkeznek-e stabil "személyiséggel" vagy konzisztens kognitív stílussal. A hallgató feladata a modellek "viselkedési profiljának" feltérképezése szabványosított pszichológiai mérőeszközök (pl. Big Five, Dark Triad, összeesküvés-hajlam skálák) és kognitív torzításokra épülő gondolkodási feladatok (pl. Wason-feladat, logikai paradoxonok) alkalmazásával.
A kutatás kiemelt figyelmet fordít a nyelvfüggőség vizsgálatára: hogyan módosítja az eredményeket a nyelv megválasztása (magyar vs. angol), illetve a különböző promptolási stratégiák alkalmazása. A cél annak feltárása, hogy az LLM-ek válaszai konzisztens személyiségjegyekként értelmezhetők-e, vagy csupán sztochasztikus kimenetek, valamint a humán pszichológiai metrikák mesterséges rendszerekre való alkalmazhatóságának módszertani korlátainak meghatározása.
A hagyományos gazdasági modellek és predikciós algoritmusok többnyire numerikus idősorokra támaszkodnak, azonban a valós piaci folyamatokat alapvetően befolyásolják a hírekben és a közösségi médiában terjedő, nagy hatású "történetek" (narratívák). Míg a jelenlegi MI-megoldások többnyire csak felületi jellemzőket, például érzelemintenzitást (sentiment) mérnek a szöveges adatokban, a valódi információ a szöveg mélyebb rétegeiben, a használt analógiákban és a hírek értelmezési kereteiben (framing) rejlik.
A kutatás célja olyan algoritmusok fejlesztése, amelyek képesek a szöveges jelfolyamból kinyerni ezeket a rejtett logikai vázakat és szemantikai összefüggéseket. A hallgató feladata a legkorszerűbb természetesnyelv-feldolgozó (NLP) eljárások, különösen a transzformer-alapú nagy nyelvi modellek (LLM) alkalmazása arra, hogy azonosítsa a gazdasági szereplők döntéseit irányító gondolati sémákat.
A munka során a hallgató egy olyan adatfeldolgozó pipeline-t épít fel, amely a szövegekből kinyert magas szintű jellemzőket (feature extraction) és a valós pénzügyi idősorokat egy közös elemzési keretbe foglalja. A feladat részét képezi a különböző prompt engineering technikák és finomhangolási eljárások összehasonlítása, valamint a kinyert "narratív indikátorok" és a piaci mozgások közötti korreláció matematikai elemzése.
A mobilhálózati szolgáltatások érzékelt minősége (Quality of Experience, QoE) erősen függ a hálózati lefedettségtől és annak időbeli változásától. Gyorsan mozgó felhasználók (például autóval vagy vonaton utazók) esetében gyakori jelenség, hogy rövid időn belül kiváló lefedettségű területről (pl. 5G) gyengébb lefedettségű hálózatra (pl. 4G) kerülnek át, ami az alkalmazások - különösen a nagy adatforgalmat igénylő szolgáltatások, mint a videóstreaming vagy multimédiás tartalomfogyasztás - minőségének romlásához vezet.
E probléma enyhítésére lehetőséget adhat az, ha a nagyobb méretű, letöltendő tartalmakat a rendszer még a jobb lefedettségű területen előre cache-eli, amennyiben felismeri, hogy a felhasználó rövid időn belül gyengébb lefedettségű környezetbe érkezik. Ez a megközelítés hálózati oldalon különböző eszközökkel támogatható, például QoS paraméterek dinamikus módosításával vagy nagyobb átviteli sebességet biztosító szelet (network slice) ideiglenes kiválasztásával, akár 5G helymeghatározási és mobilitáskezelési funkciók (pl. LMF-alapú megoldások) bevonásával.
A hallgató feladata ennek a módszernek és megoldási lehetőségnek a feltérképezése, és műszaki megoldási javaslat nyújtása, a lehetőségektől föggően szimunláción vagy laborkörnyezetben történő teszteléssel.
Az önálló laboratóriumi feladat célja egy n8n alapú workflow-automatizációs rendszer megtervezése és megvalósítása, amely az egyetemi honlapokon megjelenő hírek (pl. RSS/HTML források) feldolgozásával automatikusan social media tartalmakat állít elő és publikál több platformra. A rendszernek AI agent(ek)et / nagy nyelvi modelleket (LLM) kell alkalmaznia a hír tartalmának értelmezésére, a célcsoporthoz illeszkedő posztszöveg generálására, valamint opcionálisan multimédiás elemek (képek, rövid videók) létrehozására vagy összeállítására. A publikálási folyamat során szükséges a platform-specifikus korlátok (formátum, hossz, hashtag/CTA) figyelembevétele, továbbá a futások naplózása és a hibakezelés támogatása.
A megoldásnak támogatnia kell a human-in-the-loop működést (jóváhagyási pontok, szerkeszthetőség), valamint tartalmaznia kell egy eseményjellegű hírek felismerésére alkalmas komponenst: rendezvények esetén a rendszer hozzon létre jelentkezési űrlapot (pl. dinamikus form generálás vagy külső form-szolgáltatás integráció), és a keletkező linket automatikusan illessze be a poszt leírásába. A hallgató feladata a teljes pipeline specifikálása, implementálása és dokumentálása, beleértve a webhook alapú integrációkat, a szolgáltatások közötti adatáramlást, illetve a generált tartalmak minőségének és a folyamat megbízhatóságának tesztelését/értékelését a választott eszközök és platformok figyelembevételével.
Az európai gazdaság legfontosabb kihívásai az energetika és a versenyképesség témaköréhez kapcsolódnak. A kihívások mindkét területen a rendszerek dinamikus integrálásával függenek össze. Az energiatermelők és fogyasztók, a gépek és rendszerek együttműködésének kérdései a kooperatív automatizálás témaköréhez kapcsolódnak. A kooperatív automatizálási rendszerek önálló automatizálási alrendszerek elosztott összefüggő hálózatával hozhatók létre. A szolgáltatás orientált architektúrák (SoA) és a tárgyak Internete (IoT), mint technológiai területek legújabb eredményei és mintái teszik lehetővé a kooperatív automatizálási koncepciót.
Az Arrowhead egy olyan nemzetközi projekt, amely ezen kihívásokra próbál proaktívan adni működő válaszokat.
A témát választó hallgató feladata az Arrowhead keretrendszer megismerése, valamint MS Azure architektúrához kötődő funkciók továbbfejlesztése.
A gépi tanulással támogatott kiberfizikai rendszerek ipari elterjedésének köszönhetően új kutatások indultak a termelés hatékonyságának növelésére. A mély neurális hálózat (Deep Neural Networks, DNNs) alapú tanulás lehetővé teszi, hogy szabályzó rendszerek adaptívan végezzenek képelemzést és hozzanak automatizált döntéseket. A hallgató feladata egy képfelismerő megoldás kialakítása és pontosítása, amin gépi tanulás segítségével, multimédia forrásból (videó, kép) emberi alakokat képes felismerni. A hallgató munkájának magában kell foglalnia a mély neurális hálózat elkészítését (tanítása és validálása), valamint az eredmények kiértékelését. Ezekben különféle nyílt forrású rendszerek használata javasolt a projekt során, ilyen pl: a YOLO: Real-Time Object Detection objektumfelismerő hálózat.
A téma tartalmazza
A téma ne tartalmazza