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.).
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. Hangoskönyvek felhasználásával elemezzük, hogyan lehet ezt a gépi beszédfelismerés és a gépi beszédkeltés színvonalának javítására felhasználni. Az eredményeket demonstrációs alkalmazásokban mutatjuk be.
Havária esemény (baleset, vezeték szakadás, stb.) kapcsán a vasútüzemben bonyolult munkafolyamatokat kell kezdeményezni és végrehajtani. Egyrészt az üzemeltetéssel kapcsolatban, másrészt az utasok tájékoztatására vonatkozóan. A projekt keretében megvizsgáljuk, milyen EU-s szabványosítási eredmények ill. kezdeményezések léteznek és hogy ezeket hogyan lehet a magyar körülményekre alkalmazni. A cél a kapcsolódó folyamatok automatizálása, különös tekintettel az utastájékoztató rendszerekre.
Feltétel az angol nyelvtudás, szükséges a mélytanulás eszközrendszerének használata. A feladat BSc, MSc képzésben és TDK dolgozat irányában is folytatható, PhD képzéshez is vezethet.
Multimodális felügyelet és esemény-előrejelzés újszülötteknél
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.
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.
Az IP Fast Reroute (IP FRR) mechanizmusok a hálózati linkek meghibásodása esetén a vezérlő síkban küldött jelzések nélkül képesek a csomagokat elkerülő útvonalra terelni statikusan előre konfigurált útvonalválasztó táblák segítségével, ahol az adatsíkban történő hurokmentes továbbítást feszítőfák segítségével valósítják meg. A hallgató feladata különböző IP FRR módszerekkel megismerkedni, azok létező szimulációs Python és C++ implementációit tovább gyorsítani, hogy az algoritmusok több ezer csomópontos autonóm rendszerek esetén is másodpercek alatt alkalmazhatóak legyenek. A jelenlegi C++ LEMON és Python NetworkX implementációk helyett a hallgató megismerkedhet más (pl.: NetworKit, graph-tool, igraph, SNAP) gráfkönyvtárakkal is.
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 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 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 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 emulátorokon, 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.
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. Például elosztott adatközpont LEO műholdakon NTN összeköttetéssel energiatakarékosan!
(Jelentkezés/További Információ: Teams: cinkler.tibor@vik.bme.hu)
Az adatközpontok a korszerű infokommunikációs hálózatok legnagyobb energiafogyasztója, amit az AI rohamos 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)
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 minőségű utakat
3. mérés alapú csillapítási térképe alapján javítsa az eredményeket, javítsa a módszer skálázhatóságát
4. a gyakorlati szempontból már nem fontos UE-gNB párokra ne írjon fel sem változót, sem célfüggvényt, sem kényszereket, ezzel javítandó a módszer skálázódása.
(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)
A szoftverizált hálózatokban az intentek (magas szintű hálózati célkitűzések, pl. alacsony késleltetés, magas megbízhatóság) teljesülését folyamatosan értékelni kell a mért telemetriaadatok alapján. A fuzzy elégedettség alapú koordináció egyik kulcsparamétere a tolerancia-margin (Δ): ez határozza meg, hogy egy mért KPI-érték mekkora eltérés esetén tekinthető még részlegesen elfogadhatónak, és így közvetlen hatással bír a koordináció stabilitására és minőségére.
A jelenlegi megközelítések ezt a paramétert vagy manuálisan rögzítik, vagy egyszerű statisztikai becslésből (pl. kˇσ a historikus zajból) számítják. Ez azonban nem veszi figyelembe, hogy a különböző hálózati állapotokban, különböző szolgáltatásosztályok esetén más-más toleranciaértékek lennének optimálisak: egy szoros SLA-val rendelkező, késleltetés-érzékeny alkalmazásnál szükséges lehet egy szűkebb sáv, míg egy rugalmasabb, legjobb-erőfeszítésen alapuló forgalomnál szélesebb is elfogadható.
A hallgató feladata egy olyan módszer kidolgozása és implementálása, amely a tolerancia-marginokat automatikusan, valós vagy szintetikus hálózati telemetriaadatokból tanulja, például visszacsatolásos tanulással, online kalibrációval, vagy Bayesi-módszerekkel. A cél, hogy a kapott Δ-értékek ne önkényesek legyenek, hanem mérhetően javítsák a fuzzy koordináció stabilitását (alacsonyabb szelekciófluktuáció) és hasznosságát az egymást követő döntési epochokban.
A feladat kiterjeszthető a KPI-specifikus és szerviz-osztályonkénti különböző kalibrációs stratégiák összehasonlítására, valamint a kalibrált és nem kalibrált toleranciák hatásának kísérletileg megalapozott vizsgálatára valós topológiákon.
Python és gépi tanulási alapismeretek előnyt jelentenek. A téma közvetlenül kapcsolódik az IBN területén folyó kutatásokhoz, és kiváló alapot nyújt TDK dolgozathoz vagy diplomatervhez.
A gépi tanulási modellek kiválóan találnak mintázatokat a numerikus adatokban (pl. forgalom megugrása), de vakok a rendszerek belső logikájára és szemantikájára. Ha egy hiba vagy támadás során a statisztikák a normális tartományon belül maradnak, a klasszikus eljárások csődöt mondanak. Komplex rendszerekben, ahol az adatok heterogén forrásokból származnak, olyan keretrendszerre van szükség, amely képes leírni és ellenőrizni a mérési pontok közötti időben változó, logikai kapcsolatokat.
Az 5G hálózatok kontroll-síkja (Control Plane) rendkívül összetett: egyetlen lokális forwarding ponton egyszerre futnak legacy (Diameter, GTP) és modern, szolgáltatásalapú (SBI) protokollok, melyek az üzemeltetői logokban idősorként jelennek meg. A kihívás az, hogy miként lehet ezen diverz naplófájlok közötti rejtett, időfüggő interakciókat automatizáltan detektálni és követni.
A dinamikus korrelációs gráfok megközelítése a hálózati eseményeket nem statikus struktúraként, hanem egy időben fejlődő, súlyozott gráfként modellezi. A gráf csomópontjai a protokollok vagy azok belső állapotai, míg az élek a közöttük lévő pillanatnyi korrelációt és logikai kényszereket reprezentálják. Normál működés mellett ezen gráfok topológiája és élstatisztikái jól meghatározott trajektóriát követnek. Ha a hálózatban funkcionális vagy szemantikai zavar lép fel, a protokollok közötti dinamikus korreláció megtörik, ami a gráfstruktúra hirtelen torzulásaként vagy topológiai anomáliaként mérhető.
A hallgató feladata dinamikus gráfalapú és idősorelemzési módszerek áttekintése, valamint egy prototípus implementálása, amely 5G interfészen protokollok logjaiból dinamikus korrelációs gráfokat épít.
A kezdéshez 5G és mély hálózatkutatási előismeret nem szükséges. Alapvető Python (Pandas, NetworkX) és lineáris algebrai/statisztikai/data science tudás előny. A kutatási fókuszú, de közben mérnökies, így kiváló alapot biztosít TDK dolgozathoz vagy diplomatervhez.
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 gépi tanulási modellek kiválóan találnak mintázatokat a numerikus adatokban (pl. forgalom megugrása), de vakok a rendszerek belső logikájára és szemantikájára. Ha egy hiba vagy támadás során a statisztikák a normális tartományon belül maradnak, a klasszikus eljárások csődöt mondanak. Komplex rendszerekben, ahol az adatok heterogén forrásokból származnak, olyan matematikai keretrendszerre van szükség, amely képes ellenőrizni a mérési pontok közötti logikai konzisztenciát.
Az 5G hálózatok kontroll-síkja (Control Plane) rendkívül összetett: egyetlen lokális forwarding ponton egyszerre futnak legacy (Diameter, GTP) és modern, szolgáltatásalapú (SBI, HTTP/2) protokollok, melyek az üzemeltetői logokban idősorként jelennek meg. A kihívás az, hogy miként lehet ezen lokális, diverz naplófájlok közötti állapotátmenetek logikai ellentmondásait automatizáltan detektálni.
A kategóriaelmélet és a kévék elmélete (Sheaf Theory) pont erre nyújt megoldást: ez az alkalmazott matematika azon ága, amely absztrakt módon modellezi a heterogén adatok és szabályrendszerek struktúráját. A kévék leírják, hogy a különféle pontokon gyűjtött lokális információ-szeletek (sections) mikor ragaszthatók össze egyetlen, ellentmondásmentes globális képpé. Ha a hálózat működésében zavar lép fel, ez a konzisztencia sérül, ami kategóriaelméleti szinten számszerűsíthető feszültségként vagy strukturális akadályként (obstruction) jelenik meg.
A hallgató feladata a kévéalapú adatfúziós módszerek áttekintése és egy olyan prototípus implementálása, amely egy 5G interfész több-protokollerős logjain méri a logikai konzisztenciát. Lehetőség van az adatok idősorként vagy állapotgépként való modellezésére, és a kapott hibaértékek gépi tanulással való kombinálására is.
A kezdéshez 5G és mély matematikai előismeret nem szükséges. Alapvető Python (Pandas) és lineáris algebrai tudás előny. A téma kutatási fókuszú, de mégis mérnökies így kiváló alapot biztosít TDK dolgozathoz vagy diplomatervhez.
Az adatok és adatelemzés szerepe mostanra hatalmas szerepet kap a professzionális sportok legmagasabb szintjén, legyen szó teljestményelemzésről, sérülések megelőzéséről, játékoskiválasztásról vagy akár tejesítményalapú szerződések kialakításáról.
Jelen téma kiírás keretein belül számos adatelemzési és gépi tanulási problémából választhat és foglalkozhat a hallgató, mely akár saját téma is lehet. A felsorolt problémák elsősorban labdarúgáshoz kapcsolódnak, de nem kizárólagosan:
- Képfoldolgozás alapú játékos követés
- Játék/játékos teljesítmény elemzés
- Játékot leíró metrikák modelljének elemzése (xG, xA, xT, stb.)
- Átigazolási piac elemzése, játékos értékek becslése
- Élő pontszámhoz hasonló power ranking
- Sportfogadás és sportfogadási piac elemzése/modellezése
- Fantasy játékok adatelemzés
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 Helium hálózat egy decentralizált vezeték nélküli infrastruktúra, amely a Proof-of-Coverage (PoC) konszenzus mechanizmust alkalmazza annak igazolására, hogy a résztvevő eszközök (Hotspotok) valódi rádiófrekvenciás lefedettséget biztosítanak. A PoC működése során a hálózat véletlenszerűen kiválaszt egy eszközt, amely RF kihívást küld más eszközöknek, a környező tanúk pedig jelentik a fogadott jelet. A mechanizmus biztonsága több nyitott kérdést vet fel, amelyekre jelenleg nincs formális, peer-reviewed válasz a tudományos irodalomban. A téma keretében a hallgató feladata a PoC protokoll formális modellezése és biztonsági elemzése. Első lépésként a hallgató feltérképezi a PoC protokoll pontos működését a Helium dokumentáció és forráskód alapján. Ezt követően formális modellt épít a challenger kiválasztási mechanizmusra, különös tekintettel a grinding támadásra, ahol a blokkgyártó a tranzakciók manipulálásával befolyásolhatja a blokk hash értékét és ezzel a challenger kiválasztását. A hallgató vizsgálja, hogy milyen feltételek mellett válik gazdaságilag racionálissá ez a támadás, és milyen paraméterek mellett marad a rendszer biztonságos. További vizsgálandó terület az RF jel hamisíthatósága, amikor is a hallgató elemzi, hogy interneten keresztül továbbított jelekkel vagy fizikailag közel lévő eszközökkel mennyire lehet kijátszani az ellenőrzést. A munka eredményeként a hallgató egy formális biztonsági modellt és szimulációs eredményeket ad, amelyek számszerűsítik a PoC mechanizmus ellenálló képességét a vizsgált támadásokkal szemben.
A kvantumszámítógépek fejlődése közvetlen fenyegetést jelent a ma használt nyilvános kulcsú kriptográfiára. Shor algoritmusa polinom időben képes feltörni az RSA, ECDSA és BLS sémákat, amelyekre a modern elosztott konszenzus rendszerek — köztük az Ethereum proof-of-stake protokollja — épülnek. Az Európai Bizottság 2024 áprilisában kiadott ajánlása szerint a tagállamoknak 2026 végéig kell PQC migrációs tervet kidolgozniuk, a kritikus infrastruktúrákat pedig legkésőbb 2030-ra kell poszt-kvantum kriptográfiára átállítani. A NIST 2024 augusztusában véglegesítette az első három poszt-kvantum szabványt (ML-KEM, ML-DSA, SLH-DSA). Az Ethereum "Lean Ethereum" roadmapje 2029-re tervezi a kvantum-ellenálló konszenzus bevezetését. A fő kihívás az aláírás-aggregáció: jelenleg a BLS séma lehetővé teszi, hogy több tízezer validátor aláírását egyetlen 96 byte-os aggregátumba tömörítsék, de ez a séma kvantum-sebezhető. A hash-alapú alternatívák (XMSS, SLH-DSA) kvantum-ellenállóak, viszont 30-100× nagyobb aláírásokat produkálnak és nem rendelkeznek natív aggregációs tulajdonsággal. Az egyik legígéretesebb megoldás a STARK-alapú aggregáció, ahol egy aggregátor N hash-alapú aláírás érvényességét egyetlen ~200 KiB méretű bizonyítékba tömöríti. Ez azonban új kérdéseket vet fel a hálózati sávszélesség, terjedési latencia, decentralizáció és rendelkezésre állás tekintetében. A hallgató feladata egy diszkrét-esemény hálózati szimulátor fejlesztése, amely összehasonlítja a klasszikus BLS és a poszt-kvantum megközelítések (XMSS+STARK aggregáció, lattice-alapú threshold sémák) hálózati hatását konfigurálható topológián, különböző node-számok és paraméterek mellett. A munka kiterjed az irodalomkutatásra, a költségmodell paramétereinek kalibrálására valós mérési adatokból, szcenárió-analízisre, valamint a decentralizáció és hatékonyság közötti trade-off-ok azonosítására.
A Bitcoin és Ethereum tranzakciókat az ECDSA (Elliptic Curve Digital Signature Algorithm) aláírási séma védi. Minden aláírás létrehozásához egy egyedi, egyenletesen véletlenszerű nonce (k) értékre van szükség. Ha a nonce generálásában bármilyen torzítás (bias) lép fel - legyen az hibás véletlenszám-generátor, side-channel kiszivárgás, vagy implementációs hiba - a titkos kulcs kinyerhetővé válik rácsredukciós módszerekkel. A blokklánc nyilvános jellege különösen veszélyessé teszi ezt a támadástípust, hiszen minden aláírás (r, s, hash) bárki számára elérhető, így a támadónak korlátlan mennyiségű megfigyelés áll rendelkezésére. A hallgató feladata az ECDSA aláírási séma matematikai alapjainak és a secp256k1 görbe paramétereinek megismerése, majd a Hidden Number Problem (HNP) elméleti keretrendszerének feldolgozása, amely leírja, hogyan vezet a nonce részleges ismerete egy rácsalapú problémára. A munka központi eleme egy rácsalapú támadás implementálása SageMath vagy Python környezetben, LLL/BKZ algoritmus alkalmazásával, amely kontrollált nonce bias mellett kinyeri a titkos kulcsot nyilvános aláírásokból. A hallgató szimulált blokklánc-aláírásokat generál különböző mértékű bias-szal (pl. 2, 4, 8 ismert bit a nonce felső bitjeiből) és megméri a támadás sikerességét az aláírások számának és a bias mértékének függvényében. A munka része a támadás gyakorlati relevanciájának elemzése is: dokumentált valós esetek vizsgálata (pl. a 2013-as Android SecureRandom hiba, a PlayStation 3 ECDSA sebezhetőség), valamint annak értékelése, hogy milyen típusú wallet-implementációk lehetnek ma is sebezhetők. Végül a hallgató fogalmazza meg a védekezési stratégiákat - RFC 6979 determinisztikus nonce-generálás, nonce commitment sémák - és értékelje ezek elterjedtségét a jelenlegi blokklánc-ökoszisztémában.
A feladat célja egy olyan keretrendszer kidolgozása és kiértékelése, amely nagy nyelvi modelleket (LLM) alkalmaz blockchain peer-to-peer hálózati telemetria adatok exploratív elemzésére. A hallgató egy működő hálózati obszervatóriumhoz kap hozzáférést, amely párhuzamosan gyűjt percenkénti peer snapshot adatokat három különböző blokklánc hálózatról. Az adatok idősor-adatbázisban tárolódnak és több hónapnyi folyamatos mérést tartalmaznak, beleértve a peer-ek IP címét, geolokációját, kliens verzióját, kapcsolat típusát, sávszélesség adatait és szinkronizációs állapotát. A hallgató feladata elsőként a klasszikus decentralizációs metrikák implementálása a három hálózatra, mint például a Nakamoto-koefficiens, Gini-index és Herfindahl-Hirschman index, geográfiai és kliens diverzitás dimenziókban. Ezt követően egy LLM-alapú ágenst kell terveznie, amely természetes nyelvi interfészen keresztül képes önállóan SQL lekérdezéseket generálni, az eredményeket értelmezni, hipotéziseket felállítani és iteratívan mélyebb elemzést végezni. A kutatás központi kérdése, hogy az LLM agent milyen minőségű és megbízhatóságú következtetéseket képes levonni a nyers hálózati adatokból összehasonlítva a hagyományos statisztikai módszerekkel, illetve képes-e önállóan anomáliákat és mintázatokat felfedezni, amelyeket humán elemző nem vett volna észre. A munka kiterjed különböző prompt stratégiák összehasonlítására, a generált SQL lekérdezések helyességének mérésére, valamint a cross-chain összehasonlító elemzések validálására. Az eredmények tudományos publikáció formájában kerülnek feldolgozásra.
Az okosszerződések biztonsági auditálása napjainkban kritikus fontosságú, tekintettel arra, hogy a decentralizált pénzügyi (DeFi) protokollokban kezelt érték meghaladja a 100 milliárd dollárt, miközben a sebezhetőségek által okozott kumulált veszteség 11 milliárd dollár felett van. A közelmúltban megjelent A1 rendszer (Gervais és Zhou, 2026) demonstrálta, hogy nagy nyelvi modellek
(LLM) ágens-alapú keretrendszerbe integrálva képesek valós okosszerződés-sebezhetőségek automatikus feltárására és futtatható proof-of-concept exploitok generálására, a VERITE benchmarkon 63%-os sikerrátát elérve. Az A1 azonban kizárólag kereskedelmi, API-n elérhető modelleket vizsgált, ahol a futtatási költség kísérletenként 0,03-3,59 dollár között mozog. A hallgató feladata annak vizsgálata, hogy lokálisan, saját hardveren futtatott nyílt súlyú modellek (például Llama, Qwen, DeepSeek, Mistral és ezek kvantatált változatai) milyen hatékonysággal képesek ugyanerre a feladatra. A munka során a hallgató reprodukálja az A1 ágens-architektúráját, integrálja a Foundry fork-alapú végrehajtási környezetet, majd szisztematikusan értékeli a lokális modellek teljesítményét ismert sebezhetőségeken. A kutatás központi kérdése, hogy az API-költség eliminálásával hogyan változik a gazdasági megvalósíthatóság: ha a futtatási költség közel nulla, a cikkben azonosított 6000 dolláros támadói break-even küszöb hogyan módosul, és milyen hatással van ez a támadó-védő aszimmetriára. További vizsgálandó szempont, hogy a korlátlan iterációs lehetőség kompenzálja-e a kisebb modellek alacsonyabb egylépéses sikerrátáját, valamint hogy domain-specifikus finomhangolással javítható-e a teljesítmény. Az eredmények hozzájárulnak a blokklánc-biztonság gazdaságtanának megértéséhez és a nyílt modellekkel elérhető fenyegetési szint reális felméréséhez.
A feladat célja a kis- és középvállalkozások likviditási kihívásaira megoldást nyújtó, valós világbeli eszközök (Real-World Assets, RWA) tokenizációján alapuló decentralizált finanszírozási rendszer tervezése és prototípus szintű megvalósítása. A hallgató feladata egy olyan hibrid szoftverarchitektúra kidolgozása, amely lehetővé teszi a KKV-k által kibocsátott, igazolt B2B számlák digitális eszközként (NFT vagy ERC-3643 / ERC-1155 token) történő rögzítését a blokkláncon. A hallgató feltérképezi a hazai és európai uniós jogi szabályozási kereteket, különös tekintettel a MiCA előírásaira, a GDPR adatvédelmi korlátozására és a számlaigazolási folyamatokra. A munka során a hallgató egy EVM-kompatibilis okosszerződés-rendszert épít fel, amely kezeli a tokenizált számlák letétbe helyezését (escrow), a hitelfelvételi arányok (LTV) szimulációját és az automatizált törlesztési logikát. A rendszer integrálódik egy lakossági és intézményi likviditási poolhoz, ahonnan a vállalkozások alacsonyabb kamatláb mellett juthatnak azonnali mikrohitelhez. A fejlesztés kiterjed az Account Abstraction (ERC-4337) alkalmazására a zökkenőmentes felhasználói élmény biztosítása érdekében, valamint a külső orákulumok és adatforrások integrációjára a számlák valódiságának ellenőrzéséhez. A feladat lezárásaként a hallgató teljes körűen teszteli az okosszerződések biztonságát és a tranzakciós költségek optimális szinten tartását egy alacsony díjú Layer-2 hálózaton.
Az önálló labor célja az elektromos járműflottával (EV) rendelkező kis- és középvállalkozások számára egy olyan decentralizált hitelezési platform tervezése és prototípus szintű megvalósítása, amely a járműveket valós világbeli eszközökként (RWA) tokenizálja és zálogosítja a blokkláncon. A hallgató feladata egy olyan hibrid szoftverarchitektúra kidolgozása, amely az EV-k fedélzeti telemetriai adatait (pl. Tesla Fleet API, Geotab) - különösen az akkumulátor elhasználódását (SoH), a töltési ciklusokat és a megtett kilométereket - orákulumokon keresztül közvetlenül beépíti az on-chain kockázatértékelési és hitelezési logikába. A rendszer ezen telemetriai mutatók alapján automatikusan és folyamatosan határozza meg a flotta aktuális fedezeti értékét, a hitelfelvételi arányt (LTV) és a kamatlábakat. Az orákulum-manipuláció, a téves adatbeviteli kísérletek és a villámhitel-támadások kivédésére a hallgató zkTLS/TLSNotary alapú adateredet-igazolást, időalapú átlagolást (TWAP) és anomáliadetekciós áramkörmegszakítókat (Circuit Breakers) épít be az EVM-kompatibilis okosszerződésekbe. A feladat kiterjed a MiCA szabályozás megfeleltetésére, az ERC-4337 Account Abstraction alkalmazására, valamint a likvidációs és törlesztési logika tesztelésére egy alacsony díjú Layer-2 hálózaton.
A decentralizált rendszerek, különösen a permissionless blokkláncok működésében fontos szempont, hogy a résztvevő csomópontok ne csak logikai, hanem földrajzi értelemben is elosztottak legyenek. A gyakorlatban azonban a node-operátorok számára gazdaságilag előnyös lehet alacsony késleltetésű, jó hálózati kapcsolatokkal és kedvező infrastruktúrával rendelkező adatközpontokat választani, ami földrajzi koncentrációhoz vezethet. Ez növelheti a rendszer sérülékenységét lokális hálózati kiesésekkel, természeti katasztrófákkal, geopolitikai eseményekkel vagy kedvezőtlen szabályozási változásokkal szemben.Az önálló labor témája az Incentivizing Geographic Diversity for Decentralized Systems című cikkben bemutatott megközelítéshez kapcsolódik. A munka ösztönzési mechanizmusokat és RTT-alapú lokációellenőrzést vizsgál földrajzilag diverz decentralizált hálózatok kialakítására. A központi ötlet szerint a csomópontok földrajzi bónuszt kaphatnak bizonyos régiókban való működésért, miközben a rendszer round-trip time mérések segítségével ellenőrzi a bejelentett lokáció hitelességét. A hallgató megismeri az RTT-alapú hálózati helymeghatározás alapjait, valamint azt a gráfelméleti modellt, amelyben a csomópontok közötti késleltetések alapján vizsgálható a location spoofing lehetősége. A feladat része annak elemzése, hogy milyen hálózati topológiák és verifier-elhelyezések csökkentik a hamis lokáció sikeres bejelentésének lehetőségét. A munka másik fő iránya a játékelméleti ösztönzési modell vizsgálata. A hallgató azt elemzi, hogyan kombinálható alapjutalom, földrajzi bónusz és letét vagy büntetés úgy, hogy az őszinte lokációjelentés racionális stratégia legyen. A megvalósítás terjedjen ki a Nash-egyensúly feltételeinek vizsgálatára, valamint együttműködő támadók és lokációhamisítást segítő koalíciók modellezésére.
A feladat célja egy olyan crawler rendszer megtervezése és implementálása, amely képes különböző blokklánc-alapú rendszerek peer-to-peer hálózatainak szisztematikus feltérképezésére, majd az összegyűjtött adatok gráfelméleti elemzésére. A hallgató a kiválasztott hálózatok eltérő hálózati protokolljait önállóan implementálja, beleértve az egyes hálózatokra jellemző egyedi kézfogási (handshake) mechanizmusokat, a szomszédos csomópontok lekérdezését (peer discovery), valamint a protokollspecifikus üzenetek feldolgozását. A crawler aszinkron módon, párhuzamosan több száz kapcsolatot kezelve járja be a hálózatot hullámokban, a seed node-okból kiindulva rekurzívan felfedezi az összes elérhető csomópontot. Az eredményeket egy idősoradatbázisban tárolja, ahol minden crawl alkalmával rögzíti a felfedezett csomópontokat és azok jellemzőit, valamint az éleket, vagyis hogy melyik csomópont melyik másik csomópontot tartotta nyilván a peer listájában. A hallgató gondoskodik a crawler hatékony működéséről, beleértve a queue deduplikációját és a megfelelő leállási feltételek implementálását. Az összegyűjtött adatokon a hallgató gráfelméleti elemzéseket végez, megvizsgálja a fokszámeloszlást, a klaszterezettségi együtthatókat, a centralitási metrikákat, a hálózat particionálási ellenállását és az esetleges Sybil-gyanús csomópontcsoportokat. A munka része a vizsgált hálózatok összehasonlító elemzése a decentralizáltság mértéke, a hálózat méretének és összetételének időbeli változása, valamint a csomópontok földrajzi és autonóm rendszer szerinti eloszlása tekintetében. A hallgató az eredményeket tudományos igényességgel dokumentálja és vizualizálja.
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 komoly mérnöki kihívásokat jelent. A hallgató feladata a kibontakozó ökoszisztéma megismerése, valamint új megoldások kidolgozása, implementálása és kiértékelése. A felsorolt technológiák csak illusztratív példák; a témalabor nyitott a hallgató saját elképzelései és érdeklődése szerint alakítható megközelítésekre is.
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 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 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.
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 komplex, AI-támogatott szoftverfejlesztési workflow tervezése és Proof of Concept (PoC) szintű megvalósítása, amely a szoftverfejlesztési életciklus teljes hosszán — az üzleti és műszaki specifikációtól a projekttervezésen, a feladatbontáson, a fejlesztésen, a unit és integrációs teszteken át a szoftverdokumentáció előállításáig — érdemi támogatást nyújt a fejlesztőknek AI-ágensek segítségével. A cél nem meglévő eszköz újrafejlesztése, hanem annak vizsgálata, hogyan illeszthetők össze a ma elérhető AI-modellek, ágens-keretrendszerek és fejlesztői eszközök egy koherens, projektkontextusban dolgozó munkafolyamattá, amely az egyes fázisokban valós hozzáadott értéket termel.
A munka során a hallgató egy konkrét pilot szoftverprojekt köré építi fel ezt a workflow-t. Megtervezi, hogyan tárolódik és jut el az AI-ágensekhez a projekt tudása — a követelmények, az architekturális döntések, a kódolási konvenciók, az elvégzett munka nyoma —, majd implementálja azokat a támogató folyamatokat és eszköz-integrációkat, amelyek a specifikációkészítést, a feladatbontást, a
kódgenerálást, a tesztek előállítását és a dokumentáció karbantartását segítik. A hallgatónak kezelnie kell a valós fejlesztési környezet sajátosságait: a projektkontextus rétegzett betöltését, a fejlesztői jóváhagyási pontok elhelyezését, a modellek hallucinációjának és kontextusvesztésének kockázatait, valamint a különböző fejlesztői eszközökbe (Claude Code, Cursor, Copilot, Gemini) történő integráció kérdéseit.
Bővebb információ: palfy.miklos@vik.bme.hu
A feladat célja egy elosztott, több repós szoftverfejlesztési környezet tervezése és Proof of Concept (PoC) szintű megvalósítása, amelyben AI-ágensek— a maguk szerepében frontend-, backend-, teszt-, dokumentációs vagy DevOps-szerepkörű "kollégákként" — közösen dolgoznak egy központi feladatmanagement rendszer koordinációja mellett. A rendszer alapkérdése, hogy egy modern, több szolgáltatásból és több kódbázisból álló projektben az AI-ágensek szerep-alapú, koordinált együttműködése milyen minőségű, emberi fejlesztőcsapatéhoz hasonlító munkafolyamatot tud eredményezni — nem egyetlen ügyes prompt, hanem architekturális szintű orkesztráció révén.
A munka során a hallgató egy konkrét multi-repo pilot projekt köré építi fel ezt a rendszert. Megtervezi az egyes ágensek szerep-, jogosultság- és eszközkészletét, kialakítja a központi feladatmanagement rendszert, amely a bejövő feladatokat a megfelelő ágenseknek osztja ki, majd implementálja azt a koordinációs réteget, amely a párhuzamosan dolgozó ágensek munkáját összefésüli és az emberi jóváhagyási pontokra visszairányítja.
Bővebb információ: palfy.miklos@vik.bme.hu
A feladat célja egy olyan AI-alapú dokumentációs rendszer tervezése és Proof of Concept (PoC) szintű megvalósítása, amely egy meglévő, jellemzően hiányosan dokumentált szoftverrendszerhez több műfajú — API-referencia, architektúra, adatmodell, üzleti logika, fejlesztői onboarding, runbook — dokumentációt állít elő a kódbázis alapján, és a keletkezett tartalmat a kód változásaival automatikusan szinkronban tartja. A rendszer alapkérdése, hogy AI-ágensek milyen mélységben és milyen minőségben képesek egy már működő szoftver "hiányzó tudását" kinyerni és élő, karbantartott dokumentációs vagyonná alakítani ott is, ahol a szándék és az architekturális "miért"-ek nem szerepelnek explicit módon a kódban.
A munka során a hallgató egy konkrét meglévő szoftverprojekt — saját vagy ipari partner által biztosított kódbázis — köré építi fel a rendszert. Megtervezi a különböző dokumentum-műfajokat előállító pipeline-t, integrálja a rendszert a verziókezelővel és a CI/CD folyamatokba úgy, hogy új kód beérkezésekor (commit, pull request) az érintett dokumentációs részek automatikusan frissüljenek, valamint kidolgozza az AI által generált tartalom minőségbiztosítását. A hallgatónak kezelnie kell a valós dokumentumgenerálás legkritikusabb kihívásait: a forrás-hűséget és a hallucináció detektálását.
Bővebb információ: palfy.miklos@vik.bme.hu
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 nagy nyelvi modellek (LLM-ek) mára az autonóm és félautonóm döntéstámogató rendszerek alapvető építőelemei, amelyek gyakran maguk is hoznak döntési lépéseket kritikus helyzetekben. Éppen ezért alapvető kutatási kérdés, hogy ezek a modellek milyen mértékben mutatnak az emberihez hasonló kognitív torzításokat — például kockázatkerülést, veszteségkerülést, időbeli diszkontálást vagy keretezési (framing) hatásokat —, és mennyire alakítható, illetve csökkenthető ez a viselkedés különböző promptolási és inferenciastratégiákkal. Nagy mintás, több tucat modellt és torzítás-típust átfogó vizsgálatok azt mutatják, hogy minden modell szignifikáns torzítást mutat legalább néhány teszten, a torzítás mértéke azonban modellenként, sőt promptolási stratégiánként is jelentősen eltérhet. A debiasing célú promptolás sok esetben csak részlegesen vagy egyáltalán nem hatékony. A hallgató feladata klasszikus viselkedéstudományi kísérletek (pl. ultimátum játék, szerencsejáték-feladatok, késleltetési forgatókönyvek) szisztematikus adaptálása LLM-ekre, majd a különböző promptolási és intervenciós technikák döntéshozatali folyamatra gyakorolt hatásának méréses, kvantitatív elemzése. A vizsgálat többlépéses, szekvenciális vagy ágensszerű döntési kontextusokra is kiterjeszthető, mivel a valós alkalmazásokban a modellek gyakran nem elszigetelt kérdésekre, hanem egymásra épülő döntéssorozatokra válaszolnak, ahol a torzítások felhalmozódhatnak vagy másképp viselkedhetnek, mint izolált teszteken. A kutatás célja a torzítások számszerűsítése, a promptolás alapú javítási stratégiák hatékonyságának és robusztusságának feltárása, valamint a modellmegbízhatóság határainak meghatározása autonóm vagy félautonóm döntési kontextusokban.
Az emberi megismerés alapvetően a fizikai testünkön és a környezettel való szenzomotoros interakcióinkon alapul (Embodied Cognition). A tisztán szöveges nagy nyelvi modellek (LLM-ek), fizikai test híján, nem tudják a fizikai valóságot megtapasztalni. Ezért a szimbólum-lehorgonyzási problémával (symbol grounding problem) küzdenek. Bár az új generációs vizuális-nyelvi modellek (Vision-Language Models, VLM) már képesek a vizuális tér és a nyelvi adatok összekapcsolására, a legjobb modellek továbbra is jelentősen elmaradnak az emberi teljesítménytől a téri-vizuális feladatokban. A kutatás célja a multimodális modellek térbeli-fizikai reprezentációs képességeinek feltérképezése. A hallgató feladata egy olyan multimodális adatfeldolgozó pipeline kialakítása, amely térbeli-vizuális benchmark feladatokon (pl. bonyolult térbeli relációk, objektumok fizikai tulajdonságaiból adódó interakciós lehetőségek) teszteli a legkorszerűbb VLM-ek teljesítményét. A munka magában foglalja az összekapcsolt szöveges instrukciók és vizuális inputok vizsgálatát, valamint a modellhibák szisztematikus, statisztikai elemzését, feltárva az MI "testetlen" tanulásából fakadó vakfoltjait.
Nagy nyelvi modellek szándék- és tudatállapot-modellezési képességeinek vizsgálata
Kulcsszavak: Theory of Mind (ToM), elmeelmélet, nagy nyelvi modell, Large Language Models (LLMs), szándék felismerés, Intent Recognition, Robustness Evaluation
A modern mesterséges intelligencia kutatás egyik legvitatottabb kérdése, hogy a nagy nyelvi modellek (LLM-ek) képesek-e más ágensek vagy a felhasználó eltérő tudásállapotának, hiedelmeinek és szándékainak modellezésére. Ezt a képességet az embereknél elmeelméletnek (Theory of Mind, ToM) nevezzük. Bár a modellek magas arányban oldják meg a klasszikus ToM tesztfeladatokat (pl. hamis vélekedés feladatok), több kutatás azt találta, hogy az LLM-ek csupán felületi statisztikai mintázatokat követnek, nem pedig valódi állapotmodellezést végeznek. Ennek tesztelése kritikus fontosságú az autonóm és félautonóm MI-rendszerek megbízhatóságának és kiszámíthatóságának biztosításában, különösen olyan multi-agent vagy felhasználóval interakcióban lévő architektúrákban, ahol a téves állapotkövetés hibás döntési láncokhoz vezethet. A kutatás célja az LLM-ek implicit és explicit szándékfelismerő képességének szisztematikus tesztelése. A hallgató feladata egy olyan automatizált kiértékelő keretrendszer fejlesztése, amely ismert tesztparadigmák mintájára épülő, de lexikálisan és szintaktikailag variált teszteseteket generál. A generált tesztkészleten a hallgató kontrollált módosításokat végez, hogy elkülönítse a valódi állapotkövetést a felszíni statisztikai mintázatok kihasználásától. A munka során a hallgató fejlett promptolási és inferencia stratégiákat vet össze, kiegészítve a modellek belső reprezentációinak vizsgálatával. Metrikákat definiál a válaszok pontosságára, konzisztenciájára és a kontrollált módosításokkal szembeni robusztusságára. Statisztikai módszerekkel elemzi, hogy a teljesítmény mennyiben magyarázható az LLM valódi következtetési képességével és mennyiben tulajdonítható mintaillesztésnek.
A téma tartalmazza
A téma ne tartalmazza