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 emberi beszéddel a szemantikus tartalmon túl (mondanivaló) sok egyebet is ki lehet fejezni. A hangszínezet, az intonáció (hanglejtés), a ritmusváltozások mind alkalmasak arra, hogy a beszélő akaratlagos vagy éppen spontán érzelmi szándékát, hangulati vagy egészségi állapotát is a közlendő mondanivaló mellett, azzal egyidejűleg kifejezzék. Ezeket nevezik nem verbális eszközöknek, amelyek megvalósítására az emberi hang és beszédképző mechanizmus szintén képes (hangszalag feszítettség változtatása, ritmusváltás, hangerő váltása, zárt artikuláció stb.).
A téma során a hallgató feladata olyan gépi tanuló eljárások (beleértve a mélytanulást is) tesztelése, amellyek beszédjel bemenet segítségébel érzelemfelismerést valósítanak meg. Az eljárást akár ember-gépi interfész és ügyfélszolgálati automatizmusokban is fel lehet használni.
Bővebb felvilágosításért keressen minket az Informatika épület B 158-as szobájában vagy a sztaho.david@vik.bme.hu, kiss.gabor@vik.bme.hu címek valamelyikén (Microsift Teams-en is elérhető).
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
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.
A beszélő fiziológiai, pszichológiai, neurológiai állapota hatással van a létrehozott beszéd akusztikai-fonetikai paramétereire. Az, hogy mely paraméterek térnek el a normál egészséges beszéd paramétereitől, és az eltérés iránya nagysága milyen, az az adott betegség típusától függ. Ezek az eltérések teszik lehetővé a patológiás és az egészséges ember beszédének az automatikus szétválasztását, és a különböző típusú patológiás beszéd megkülönböztetését egymástól. A téma során a hallgató feladata különböző betegségekben szenvedő alanyok hangjának elemzése, AI-al történő osztályozása és regresszálása.
A témából önálló laboratórium, szaksolgozat, diplomamunka valamint PhD dolgozat is készíthető. Jelentkezés (email, Teams): Sztahó Dávid, sztaho.david@vik.bme.hu
A beszéd nem mindenhol egyformán informatív. A magánhangzó-magok állandóak és redundánsak; a formánsátmenetek és a zárhang-kitörések néhány milliszekundumig tartanak, az energia kb. 1%-át hordozzák, és tartalmazzák a szó felismerhetőségét biztosító információk nagy részét. Ez különösen fontos az idősebb hallgatók számára, akiknek a beszéd érthetősége jelentősen romlik, ha a beszéd gyorsabban érkezik, mint amennyire képesek dekódolni - és ez az oka annak, hogy a puszta lassítás nem segít.
A hallgató feladata: olyan komponens kidolgozása, amely lehetővé teszi a szelektív lassítást. Egy automatikus szegmentáló, amely a beszéd minden milliszekundumát csendként, állandó, átmeneti vagy átmeneti szakaszokként címkézi, és ezeket a címkéket időben változó nyújtási tényezővé alakítja.
A munkaterv a következőket tartalmazza: szakirodalom, egy Python-alapú jellemző-feldolgozó (spektrális átmeneti mérő, beszédkezdet-felismerés), egy szabályalapú, majd egy betanított osztályozó, a forced alignment-ből származó valós adatok és a saját annotáció, egy kauzális valós idejű változat, ahol az előretekintés minden milliszekunduma audio-késleltetéssé és szinkronizációs hibává válik, valamint annak mérése, hogy az audio/videó szinkronizációs korlátok mellett mekkora lassítás marad fenn.
Eredmények: beszédakusztikai ismeretek, szekvencia-címkézés gépi tanulással, valós idejű hang módosító pipeline, publikálható benchmark.
Kapcsolat (e-mail, Teams): Sztahó Dávid, sztaho.david@vik.bme.hu
Egy beszélő hanglenyomata egy vektor. A legújabb munkák olyan komponensekre bontják ezt, amelyeket egy lehallgató meg tud különböztetni. Azt viszont senki nem tudja megmondani, hogyan nevezzük el őket. A beszélő-beágyazások értelmezhetőségi kutatása odáig jutott, hogy egy adott dimenziós hangminta átírható nagyjából harminc komponensre anélkül, hogy sokat veszítene az azonosítási pontosságból. Ami hiányzik, az a szótár. Minden komponens továbbra is "a 17-es komponens", legfeljebb azzal a jelzővel leírva, amit az adott cikk szerzői kitaláltak rá. A hallgató feladata ezt a szótárt rendesen megírni, két független — és egymásnak ellentmondani képes — támpont segítségével.
Az első akusztikai: alapfrekvencia, formánsok, jitter, spektrális dőlés, beszédtempó mérése, majd annak vizsgálata, hogy melyik komponens mit követ. A második emberi, és már létezik: egy nyilvános korpusz 2 443 hang leírását tartalmazza, három professzionális annotátor tollából — "mély", "rekedtes", "tiszta", "aranyos" —, mindegyik intenzitás-fokozattal. Ezeket a szavakat évekkel ezelőtt, mások, más célra gyűjtötték. Nem illeszthették a komponensekre. Az érdekes eredmény ott van, ahol a két támpont nem ért egyet: olyan komponens, amelyet a hallgatók következetesen megneveznek, de egyetlen szokásos akusztikai mérőszám sem magyaráz.
A projekt eredményei a következők: reprezentációelemzés, alkalmazott statisztika, valamint egy újrafelhasználható termék - egy megnevezett, nyilvánosan közzétett komponensszótár.
Kapcsolat (e-mail, Teams): sztaho.david@vik.bme.hu
A hangbiometria széles körben elterjedt— telefonos banki azonosítás, ügyfélszolgálat, határellenőrzés —, és mindegyik rendszer egyszer rögzíti a hangot, azután megbízik benne. Ha megkérdezed a gyártót, milyen gyakran kell újra felvenni a hangmintát, kapsz egy számot, ami mögött nincs publikált bizonyíték. Az írisz- és ujjlenyomat-biometriában erről egy évtizedes, nyilvános vita zajlott a NIST és egyetemi csoportok között. A hang esetében ez a vita el sem kezdődött.
A hallgató feladata nyilvános hangfelvételek alapján elkészíteni az első "téves visszautasítás az eltelt évek függvényében" görbét: milyen gyorsan romlik egy rögzített hangminta, gyorsabban romlik-e a hatvan felett rögzítetteknél, és mennyivel tovább él, ha a rögzítés öt alkalomból történt egy helyett.
A beágyazások magukban hordozzák annak lenyomatát, hogy mikor készült a felvétel — az adott év mikrofonjaiét, kodekjeiét, felvételi körülményeiét. Feladat továbbá megmérni mennyire pontosan olvassa ki egy osztályozó a felvétel évét a hangmintából: naivan, és korszakra illesztett felvételekkel. A két szám különbsége mutatja meg, mennyire szabad bízni a szakterület eddigi eredményeiben.
A projekt eredményei a következők: beszélőfelismerés, az ISO-szabványnak megfelelő biometrikus értékelési módszertan, alkalmazott statisztika, valamint olyan eredmény, amely alapján a mérnökök cselekedhetnek.
Kapcsolat (e-mail, Teams): sztaho.david@vik.bme.hu
A beszédfelismerő rendszerek teljesítményét jelentősen befolyásolja, hogyan állítjuk össze és használjuk fel a tanítóadatokat. A hallgató feladata különböző tanítási módszerek megismerése, megvalósítása és kísérleti összehasonlítása. A lehetséges irányok közé tartozik szintetikus beszéd alkalmazása, a példák fokozatos nehezítésére épülő curriculum learning, valamint párbeszédes tanítóanyagok szimulációja. A konkrét módszer és kísérleti feladat a hallgató előképzettségéhez és érdeklődéséhez igazítható. Jelentkezés: Gedeon Máté, gedeon@tmit.bme.hu (email), gedeonm (Teams)
A mély neurális hálózat-alapú megoldások jó eredményeket érnek el a gépi beszédfelismerésben, belső működésük azonban nehezen értelmezhető. A téma célja annak feltárása, hogy a modellek milyen fonetikai, nyelvi, akusztikai vagy beszélőspecifikus információkat tanulnak meg, és hogyan reprezentálják azokat különböző rétegeikben. Lehetséges irány a belső reprezentációk elemzése és vizualizációja, interpretálhatósági módszerek alkalmazása, valamint a paramétertér és a veszteségfelület geometriájának vizsgálata. A konkrét kutatási kérdés a hallgató érdeklődéséhez igazítható. Jelentkezés: Gedeon Máté, gedeon@tmit.bme.hu (email), gedeonm (Teams)
A beszédfelvételek a kimondott szövegen túl személyekről, cselekvésekről, időpontokról, helyszínekről, szándékokról és ezek kapcsolatairól is tartalmazhatnak információt. A téma olyan módszerekkel foglalkozik, amelyek beszédből automatikusan strukturált eseményleírásokat állítanak elő. A feldolgozás épülhet beszédfelismerésre és nyelvi modellekre, közvetlen hangfeldolgozásra vagy ezek kombinációjára. A konkrét alkalmazási terület, eseménytípusok, adathalmaz és módszertan a hallgató érdeklődéséhez igazítható. Jelentkezés: Gedeon Máté, gedeon@tmit.bme.hu (email), gedeonm (Teams)
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 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.
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 modern gazdasági és közigazgatási folyamatokban a tömeges pénzügyi tranzakciók és számlaadatok manuális ellenőrzése már nem hatékony. A számlázási adatbázisokban rejlő szokatlan mintázatok és anomáliák észlelése egyre kifinomultabb elemzési módszereket igényel.
A feladat célja ezen problémák orvoslása valós adatok alapján készült szintetikus számlaadatbázisok segítségével, modern adatbányászati, gépi tanulási és deep learning anomáliadetekciós eljárások alkalmazásával. A kutatás során a klasszikus modellektől a mélytanulási megközelítéseken át egészen a tranzakciós kapcsolatokat modellező gráf neurális hálókig (GNN-ek) terjedő módszertanok vizsgálatára kerül sor.
A hallgató feladata a témához kapcsolódó nemzetközi szakirodalom megismerése után a rendelkezésre álló szintetikus adatok betöltése, feltáró adatelemzése (EDA) és vizualizációja. A kísérletezés során a hallgató felügyelt, nem-felügyelt vagy félig-felügyelt gépi tanuló és deep learning modelleket fejleszt a szokatlan számlák azonosítására. A folyamat magában foglalja a különböző modellarchitektúrák teljesítményének objektív összehasonlítását, végül az eredmények precíz dokumentálása és prezentálása zárja a projektet.
Elvárások a jelentkezővel szemben:
* Középhaladó szintű Python programozási ismeret.
* Elkötelezettség a gépi tanulás, deep learning és az adatelemzés iránt.
* Olvasási szintű angol nyelvtudás a szakirodalom feldolgozásához.
* Heti rendszerességű, kitartó munkavégzés.
* Precíz forráskód és dokumentáció készítése, etikus adatkezelés.
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:
* Folytatható 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 digitális dokumentumok automatikus feldolgozása és a bennük található információk strukturált formában történő kinyerése egyre fontosabb szerepet tölt be az adatfeldolgozási folyamatok automatizálásában. Különösen nagy kihívást jelentenek azok a dokumentumok, amelyek változatos megjelenésűek, eltérő minőségűek, illetve strukturálatlan vagy félig strukturált formában tartalmazzák az információkat. A korszerű mesterséges intelligencia alapú módszerek lehetőséget biztosítanak ezen dokumentumok tartalmának és vizuális szerkezetének együttes értelmezésére, ezáltal támogatva az információkinyerés és az adatfeldolgozás automatizálását.
A munka során egy olyan multimodális dokumentumfeldolgozó rendszer tervezése és megvalósítása a cél, amely heterogén kiskereskedelmi vásárlási bizonylatok képei alapján strukturált adatokat nyer ki. A munka során sor kerül a releváns szakirodalom és korszerű layout-aware multimodális modellek áttekintésére, a feldolgozási folyamat megtervezésére, valamint egy működő prototípus kialakítására.
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 komplex mérnöki és ipari projektek során hatalmas mennyiségű tervdokumentáció (CAD rajzok, szkennelt műszaki rajzok, adatlapok, kalibrálási jegyzőkönyvek) keletkezik. Az ezekben rejlő információk gyors és pontos visszakereshetősége kritikus fontosságú, azonban a szkennelt dokumentumok gyenge minősége, a nem strukturált formátum és az egységek közötti összetett kapcsolati háló komoly kihívást jelent. A feladat egy olyan skálázható Question-and-Answer (Q&A) alapú rendszer architektúrájának és prototípusának kidolgozása, amely képes ezen intelligens információkinyerési és kapcsolat-helyreállítási problémák kezelésére.
A hallgató feladata az NJSZT Informatikatörténeti Fórum Adattárában (itf.njszt.hu) található strukturált és strukturálatlan adatok (személyek, intézmények, termékek, mérföldkövek, interjúk és publikációk) feldolgozása modern mesterséges intelligencia és természetesnyelv-feldolgozási (NLP/LLM) módszerekkel. A munka célja egy hálózatos domain-tudásgráf automatizált vagy félautomatizált felépítése (Entitáskinyerés/NER és Kapcsolatkinyerés/RE alkalmazásával), amely kiegészül egy RAG (Retrieval-Augmented Generation) alapú kereső- és kérdés-válaszoló modullal a gyűjtemény mélyebb, intelligens feltárhatóságáért. A feladat magában foglalja a meglévő adatbázis-bejegyzésekből kiinduló entitás-összerendelést (Entity Resolution), a tudásgráf RDF/Property Graph (pl. Neo4j) formátumú modellezését, valamint a kinyert tudásbázis pontosságának mérési és validációs módszertanának kidolgozását.
A feladat célja egy géptanulás-alapú detektor kifejlesztése, amely szőlőtőkék fotóin a levelek alakja (kunkorodás, karéjozottság csökkenése) alapján azonosítja a fertőzés gyanús egyedeket. A hallgató a rendelkezésre álló képanyagon (vagy önállóan gyűjtött terepi fotókon) elvégzi a levelek instance-szegmentálását, majd a kivágott levélrégiókból geometriai leíróka és egy előtanított vizuális enkóder embeddingjeit is kinyeri. A klasszifikáció multiple instance learning (MIL) keretben történik, ahol a levélszintű predikciók tőkeszintű döntéssé aggregálódnak, kiegészítve egy anomáliadetekciós baseline-nal, amely a kevés fertőzött minta esetén is robusztus alternatívát ad. A hallgató feladata a validáció helyes megtervezése és a modell megbízhatóságának ellenőrzése, különös tekintettel arra, hogy a döntés valóban a levélalakra, ne pedig zavaró tényezőkre épüljön. A munka eredményeként egy dokumentált, reprodukálható pipeline várható, amely bemutatja a szegmentációtól a tőkeszintű detekcióig vezető teljes feldolgozási láncot.
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 (ágensek) 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.
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.
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 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 feladat célja egy korszerű likviditásnyújtó (árjegyzői, Market Maker) stratégia matematikai modelljének feldolgozása, a modell legfontosabb paramétereinek meghatározására szolgáló módszertan kidolgozása, valamint a stratégia gyakorlati megvalósítása előrejelzési piacok környezetében. A félév során a hallgató feladata a kapcsolódó szakirodalom áttekintése, az optimalizált algoritmus szoftveres felépítésének megtervezése, majd az algoritmus tesztelése és finomhangolása tesztkörnyezetben. Végül a stratégia valós idejű működésének és teljesítményének számszerű értékelésére kerül sor.
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 hallgató feladata egy modern webalkalmazás megtervezése és fejlesztése mesterséges intelligencia által támogatott funkciók, például chatbot integráció alkalmazásával. A projekt célja az AI-alapú megoldások gyakorlati beépítése a webalkalmazás-fejlesztési folyamatba.
A téme egy multi-ágens architektúrájú, nagy nyelvi modellre épülő pénzügyi döntéstámogató rendszer fejlesztését és kvantitatív értékelését célozza meg. A projekt során a többágensű megközelítés teljesítményét, kockázatkezelési szabálykövetését és erőforrás-hatékonyságát hasonlítjuk össze egy Single-Agent referenciamodellel, a rendszerszintű tervezéstől egészen a gyakorlati tesztelésig.
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 munka célja egy Proof-of-Work (PoW) séma elméleti kidolgozása és prototípus implementációja, amely feltört izogénia-alapú kriptográfiai rendszerekből — elsősorban az SIDH (Supersingular Isogeny Diffie-Hellman) protokollból — épít nehéz számítási feladatot. A kriptográfia történetében ismert az az elv, hogy egy feltört kriptográfiai séma hamisítási problémája alapja lehet egy Proof-of-Work konstrukciónak: a klasszikus példa az Ong-Schnorr-Shamir aláírási séma, amelynek hamisítása a faktorizálás nehézségére épül, és amelyből kalibrálható nehézségű munkabizonyíték építhető. A hallgató feladata ennek az elvnek az alkalmazása az SIDH protokoll 2022-es feltörésére (Castryck-Decru, Maino-Martindale, Robert támadások). Az SIDH-támadások a nyilvánosan kiadott torzióspont-képek ismeretében polinomiális időben visszaállítják a titkos izogéniát. A PoW konstrukció kulcsa az, hogy a torziósinformáció mennyiségét szabályozva kalibrálható a feladat nehézsége: ha a teljes torziósinformációt kiadjuk, a támadás gyors; ha részleges információt tartunk vissza, a megoldáshoz brute-force keresésre is szükség van, ami a nehézség finomhangolását teszi lehetővé. A hallgató feladatai: az SIDH protokoll és a vonatkozó támadások megértése; a részleges torziósinformációs modell formalizálása; egy PoW séma specifikálása, amely tartalmazza a feladványgenerálást, a megoldást és a gyors verifikációt; a nehézség-kalibrálás elemzése a paraméterméret és a visszatartott információ függvényében; valamint egy Python/Rust/C prototípus elkészítése, amely demonstrálja a konstrukció működőképességét kis paramétereken.
A blokklánc-alapú rendszerekben számos alkalmazás igényel időzáras titkosítást (timelock encryption), amely garantálja, hogy egy titkosított üzenet csak meghatározott idő elteltével vagy meghatározott blokk elérésekor fejthető vissza. Tipikus felhasználási területek a zárt ajánlatú aukciók, az MEV (Maximal Extractable Value) elleni védelem, a fair sorsolás és a commit-reveal sémák. A jelenleg használt timelock protokollok (például a drand/tlock) BLS pairing-alapú kriptográfiára épülnek, amely nem ellenálló kvantumszámítógépes támadásokkal szemben. A hallgató feladata egy poszt-kvantum biztonságos timelock encryption protokoll tervezése blokkláncok számára, amely a FESTA titkosítási séma dekódolási mechanizmusára épít. A FESTA-ban a visszafejtés szuperszinguláris görbék közötti (2,2)-izogénia-láncok szekvenciális kiszámítását igényli, ami nem párhuzamosítható, így természetes módon biztosít időalapú késleltetést. A munka során a hallgató megtervezi a protokollt, amely tartalmazza a feladványgenerálást, a blokklánc-időhöz kötött titkosítást, a szekvenciális visszafejtést és a gyors verifikációt. Megvizsgálja, hogyan integrálható a séma meglévő blokklánc-architektúrákba (például Ethereum), és elemzi a késleltetés kalibrálhatóságát a paraméterméret függvényében. Végül a hallgató prototípust készít, amely demonstrálja a konstrukció működését és összeveti a teljesítményt a meglévő, nem kvantumbiztos megoldásokkal.
Az LLL rácsredukciós algoritmus számos számelméleti, optimalizálási és számítási probléma fontos eszköze. Gyakorlati implementációja során az egyik jelentős nehézséget a numerikus stabilitás jelenti, különösen nagy dimenziójú vagy nagy együtthatókat tartalmazó rácsok esetén. A nagyobb lebegőpontos pontosság javíthatja a számítás megbízhatóságát, ugyanakkor jelentősen növelheti a futási időt. A téma célja egy olyan adaptív pontosságú LLL-megközelítés vizsgálata és prototípusának elkészítése, amely az algoritmus egyes lépéseihez dinamikusan választ megfelelő numerikus pontosságot. A hallgató megvizsgálja, hogy a rács aktuális állapotából származó jellemzők, például a Gram-Schmidt-együtthatók, a bázisvektorok normái, a Lovász-feltételhez tartozó numerikus eltérés vagy a számok dinamikatartománya alapján előre jelezhető-e, mikor elegendő az alacsonyabb pontosság, és mikor szükséges nagyobb pontosságú újraszámítás. A döntési mechanizmus támogatására egyszerű gépi tanulási módszerek, például logisztikus regresszió, döntési fa vagy neurális háló alkalmazhatók. A gépi tanulási modell nem helyettesíti az LLL algoritmust, hanem a megfelelő számítási pontosság kiválasztását segíti. A munka része egy referencia-implementáció elkészítése, különböző rácsokon mérési adatok generálása, a választott modell betanítása és kiértékelése, valamint a rögzített és adaptív pontosságú megoldások összehasonlítása futási idő, numerikus megbízhatóság és újraszámítási gyakoriság alapján.
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 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.
Az LLM-alapú (nagy nyelvi modell) ágensek és asszisztensek elterjedésével kulcskérdéssé válik az ágens és a modellt kiszolgáló szerver közötti kapcsolat, amely valójában az ilyen alkalmazások "gerincoszlopa". A mai megoldások jellemzően HTTP-alapú, egyirányú token-streamet biztosító protokollokra (Server-Sent Events, WebSocket) épülnek TCP fölött, amelyek egyetlen hálózati útvonalhoz kötöttek, és hálózatváltás (pl. Wi-Fi/mobilnet közötti roaming) esetén megszakadnak. A QUIC protokoll és az arra épülő HTTP/3 beépített kapcsolat-migrációt, valamint a Multipath QUIC kiterjesztés több hálózati útvonal egyidejű használatát teszi lehetővé, ami jelentősen javíthatja az ágens-szerver kommunikáció rendelkezésre állását és robusztusságát. Ennek megvalósítása azonban nem triviális feladat: mind a QUIC-alapú transport LLM-inferencia szolgáltatókba (pl. LiteLLM, vLLM) történő integrálása, mind a multipath és mobilitási forgatókönyvek kiértékelése 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 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 programozás egyik legnagyobb kihívása egy nagy és ismeretlen legacy kódbázis megértése. A rendszer megismeréséhez általában számos különböző forrásból kell információt összegyűjteni: forráskódból, beágyazott kommentekből, tesztekből, dokumentációból, hibajegyekből, a Git történetéből és még sok másból. Az LLM-ek, a coding agent-ek és a Retrieval-Augmented Generation (RAG) technológiák alapjaiban változtatják meg, hogyan közelíthetünk ehhez a problémához. Több ezer vagy akár több millió soros kód és dokumentáció kézi átnézése helyett a programozók természetes nyelven tehetnek fel kérdéseket a kódbázissal kapcsolatban, és egy AI-alapú coding assistant segítségével választ kaphatnak rájuk. Ezek a technológiák azonban még ma is nehezen skálázhatók nagy méretű vállalati kódbázisokra, amelyek gyakran mára már elavult programozási nyelveken íródtak.
A projekt során a hallgatók bekapcsolódhatnak abba a kutatómunkába, amelynek célja az AI-alapú kódmegértés kiterjesztése valódi, nagy léptékű legacy szoftverrendszerekre LLM-ek, coding agentek és RAG rendszerek kombinálásával. A kiemelkedő teljesítményt nyújtó hallgatóknak lehetőségük nyílhat bekapcsolódni a BME-Ericsson AI-alapú kódmegértéssel foglalkozó kutatási projektjébe.
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.
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.
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 feladat célja egy tudásgráf-alapú és mesterséges intelligenciával támogatott adatintegrációs platform és ennek felhőalapú futtató környezetének fejlesztése. A kialakítandó rendszernek automatizált felhőkörnyezetben kell lehetővé tennie az adatmodellek közötti függőségek feltárását, hatáselemzését és a természetes nyelvű (MI-alapú) lekérdezhetőséget.
A témával kapcsolatban Pelle Istvánt keressék.
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.
Az Internet útválasztók hatalmas táblázatokat tárolnak a beérkező csomagok
továbbítása céljából. A hatalmas táblázatok tárolása és vonali sebességen történő feldolgozása
igen megdrágítja a hálózati eszközöket. Bármillyen megoldás, amely ezeket a táblaméreteket csökkenti, miközben a feldolgozhatóságot érdemben nem rontja kincset ér a hálózati eszközgyártók számára. Tanszékünk jelenleg legkiemelkedőbb fejlesztése egy ilyen tömörítő algoritmus (http://conferences.sigcomm.org/sigcomm/2013/papers/sigcomm/p111.pdf) amelyet új tömöríthetőség vizsgálatokkal szeretnénk kiegészíteni.
A csapatunkhoz csatlakozó hallgató(k) feladata az első félévben a kapcsolódó kutatási terület megismerése és konkrét kutatási feladat megoldása.
A Dagger egy nyílt forráskódú, konténer-natív eszköz, amely lehetővé teszi, hogy a build-, teszt- és telepítési logikát valódi programozási nyelven (Go, Python, TypeScript) írjuk meg futtatható, verziózható kódként — a pipeline pontosan ugyanúgy fut a fejlesztő laptopján, mint bármely CI rendszerben. A hallgató feladata egy jelenleg Docker Compose-szal üzemeltetett mikroszolgáltatás alapú alkalmazás Dagger-alapú fejlesztői környezetének kialakítása: a szolgáltatások és függőségeik (pl. adatbázis) konténerizált definiálása Dagger modulokban, a dev környezet egy paranccsal történő felállítása, valamint integrációs tesztek futtatása a pipeline részeként. A munka végén a hallgató összeveti a kialakított megoldást a jelenlegi Compose-alapú munkafolyamattal reprodukálhatóság, indítási idő és fejlesztői élmény szempontjából. A feladat nyitott saját ötletekkel (pl. CI-integráció) bővíthető.
A nagy nyelvi modellekre épülő kódoló ügynökök (coding agentek) piaca gyorsan alakul: az elérhető eszközök a teljes funkcionalitású, "batteries-included" megoldásoktól a minimalista, csak alapprimitíveket adó "agent harness"-ekig terjednek, amelyeket a felhasználónak kell a saját munkafolyamatára szabnia. A hallgató feladata annak vizsgálata, hogyan lehet egy ügynök-alapú fejlesztési rendszert úgy összerakni ("harness engineering"), hogy az lekövethető és megbízható legyen, és hogy a feladatspecifikusság mennyit javít az általános megoldásokhoz képest. Egy lehetséges kiinduló feladat két eltérő filozófiájú eszköz (egy teljes funkcionalitású (pl. OpenCode) és egy minimalista (pl. Pi) kódoló ügynök) összevetése konkrét fejlesztési feladatokon, de a téma nyitott más eszközök vagy szempontok felé is.
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 projekt célja a modern számítógép-hálózatokban alkalmazott torlódásjelzési és torlódásvezérlési megoldások vizsgálata, különös tekintettel az IETF Congestion Signaling (CSIG) koncepciójára és az Ultra Ethernet Consortium (UEC) által definiált megoldásokra. A CSIG célja, hogy a hálózati eszközök a torlódási állapotról és annak mértékéről részletesebb információt szolgáltassanak a végpontok számára, ezáltal lehetővé téve a torlódásvezérlés gyorsabb és pontosabb alkalmazkodását. Az UEC az AI/HPC és nagy teljesítményű adatközponti hálózatok igényeire fókuszál, és olyan torlódáskezelési mechanizmusokat definiál, amelyek nagy sebességű hálózatokban, alacsony késleltetés és nagy átbocsátás mellett is hatékonyan képesek kezelni a torlódásokat. A hallgató feladata a CSIG és az UEC megközelítéseinek, működési elveinek és kapcsolódó torlódásvezérlési mechanizmusainak elemzése, valamint azok összevetése a hagyományos megoldásokkal, például az ECN-nel. A vizsgálat szimulációs vagy mérési környezetben kiterjedhet többek között a késleltetés, átbocsátás, linkkihasználtság és torlódáskezelési hatékonyság értékelésére.
A felhőszolgáltatások gyors piacra kerülést, rugalmas kapacitásbővítést, automatizált üzemeltetést és erőforrás-hatékony működést tesznek lehetővé. Napjainkban számos vállalati, multimédiás, távközlési, játék-, IoT- és egyéb alkalmazás részben vagy teljes egészében felhőalapú infrastruktúrán működik, ahol a számítási, tárolási és hálózati erőforrások egymással együttműködő szolgáltatásokat alkotnak.
A konténerek hordozható és reprodukálható környezetet biztosítanak az alkalmazások és azok komponensei számára. Egy nagyobb rendszer különböző részei - például adatbázis-, alkalmazás-, web-szerver vagy egyéb háttérszolgáltatás - önálló konténerekben futhatnak. Ennek továbbvitele a mikroszolgáltatás-architektúra, ahol sok, önállóan fejleszthető és skálázható szolgáltatás működik együtt.
A modern cloud-native rendszerekben fontos szerepet kap az automatizálás, a terheléselosztás, az automatikus skálázás, a hibakezelés, valamint a monitorozás és a megfigyelhetőség. A felhőben futó szolgáltatások fizikai eszközökkel is kapcsolatba léphetnek, például IoT-rendszerekben, robotkarok, ipari berendezések vezérlésében. Ezekben az esetekben a felhő és az edge környezet együttműködése, a késleltetés és a megbízhatóság is vizsgálható.
A hallgató feladata, hogy egy választott konténerizációs technológiát és konténer-orchesztrációs vagy konténermenedzsment-rendszert megismerjen és alkalmazzon, majd ezek képességeit kihasználva fejlesszen és üzemeltessen egy szolgáltatást. Vizsgálja meg az alkalmazás komponensei közötti kommunikáció lehetőségeit, a terheléselosztás, skálázás, automatizálás, monitorozás és hibakezelés lehetőségeit, valamint mérje és értékelje a szolgáltatás teljesítményét, erőforrás-felhasználását és megbízhatóságát.
A kiírt téma gyűjtőtéma, a konkrét szolgáltatás, alkalmazás és technológiai környezet egyeztetésére az első oktatási hetekben kerül sor.
Egy tanszéki munkacsoport és az Ericsson Research közösen kifejlesztett egy nyílt forrású hálózati eszközt Dependable Networking Toolkit (DNT) néven. Ez elsősorban az IEEE 802.1CB és RFC 8655 szerinti nagy megbízhatóságú csomagtovábbítás bemutatására, és az ehhez kapcsolódó szabványosítási munkák segítésére készült, de ennél jóval általánosabb képességekkel rendelkezik.
A téma keretében a hallgatók megismerkedhetnek Linux környezetben a hálózati forgalom kezelésével, és betekintést nyerhetnek a távközlési szoftverek világába. A feladat a DNT képességeinek továbbfejlesztése, elsősorban a távoli konfiguráció és a sebesség optimalizáció terén. A C programozási nyelv ismerete szükséges.
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 egy opció árazási javaslat kidolgozás és dokumentálása a cél. A munka során a korábbi féléves eredményekre lehet támaszkodni.
A munka későbbi félévekben tovább folytatható (színvonalas esetben TDK-n is!) szakdolgozat, diplomaterv formájában.
A felhő alapú számítástechnika elterjedése megkérdőjelezhetetlen az utóbbi években, melynek térhódítása az adatközpontok számának és méretének növekedését hozta magával. A Facebook, Google, Microsoft, Apple, Oracle, Amazon, stb. több tízezer gépből álló adatközpontokat üzemeltet és ezeken sokféle szolgáltatást nyújt a mobil alkalmazások háttértámogatásától kezdve a virtuális gépeken át a tartalomelosztó rendszerekig. Sőt, egyre szaporodnak a kis méretű adatközpontok is, amelyek sokkal egyszerűbbé és kezelhetőbbé teszik akár egy kis cég informatikai infrastruktúráját.
A TMIT-en különböző virtualizációs környezetekkel (pl. KVM, docker) és OpenStack felhőn dolgozunk, aktuális projektfeladatként virtuális gépek teljesítményének mérés alapú értékelésével foglalkozunk. Ezen felül a munka során lehetőség nyílik saját felhő és efelett futó saját szolgáltatásrendszer kialakítására is, továbbá a felhők belső felépítésének és használatának megismerésére. Érdeklődés esetén a feladatot tovább lehet vinni kutatás vagy ipari partnerrel egyeztetett gyakorlati irányba.
Az 5G hálózat a jelenlegi mobil hálózati (pl LTE) paramétereknél nagyságrendekkel nagyobb sávszélességet és gyorsabb elérést fog nyújtani.
A rádiós előnyökön felül a szolgáltatók számára legalább ennyire fontos a rugalmasabb szolgáltatás-kiépítés ígérete. Ezen belül Európában
különösen fontos a nemzeti piacok határai mentén szétszabdalt hálózat-operátorok közti együttműködés megvalósítása. A kidolgozás alatt levő 5G hálózati architektúra erre a feladatra is megoldást kell nyújtson.
A hallgató feladata egy valós 5G hálózati architektúra részeként egy olyan hálózati megoldás megvalósítása, amelyik több hálózati virtualis funkciókat szervez egy közös szolgáltatás alá. A feladat során első körben egy valós idejű vezérléshez szükséges videóátvitel megvalósítását kell megoldani a tesztrendszerben. fu
.
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.
A jelentkezők
- megismerkednek az adatelemzés alapjaival,
- felhasználási területek széles skáláján (IoT, 5G, FinTech) 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.
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 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.
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 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!
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!
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 felhőalapú infrastruktúrák használata és üzemeltetése egy alkalmazás vagy webalkalmazás számára napjainkban egyre elterjedtebb, ugyanakkor összetett feladat lehet. A szakdolgozat célja egy olyan PaaS-alapú webalkalmazás megtervezése és megvalósítása, amely egyszerűsíti az alkalmazások különböző felhőszolgáltatói vagy helyi infrastruktúrákon történő üzemeltetését, elrejtve a felhasználó elől az ehhez szükséges infrastruktúra komplexitását. A megoldás célja egy egységes, platformfüggetlen kezelési lehetőség biztosítása, amelynek megvalósításában konténerizációs és infrastruktúra-automatizálási technológiák is alkalmazhatók. A konkrét alkalmazási terület és technológiai megoldások a hallgató érdeklődési körének megfelelően, közösen kerülnek kialakításra.
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 hallgató feladata együttműködő, intelligens robotok hálózati vezérlési megoldásainak vizsgálata, implementálása, tesztelése mind valós roboton, mind pedig annak virtuális (szimulált) "ikertestvérén".
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.
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 hallgató feladata egy létező, 5G hálózaton keresztül felhőből vezérelt robotkutya képességeinek bővítése és új funkciók fejlesztése. A projekt során a robot mozgásmintáinak és érzékelőinek programozása, valamint mesterséges intelligencián alapuló tanulási algoritmusok integrálása történik, amelyek révén a robotkutyának új feladatokat lehet tanítani (pl. tárgyak felismerése, követése, vagy interaktív viselkedés). A projekt kiváló lehetőséget nyújt az IoT, robotika és AI technológiák gyakorlati alkalmazására.
Elvárások: Programozási alapismeretek, valamint a felhőtechnológia és hálózati rendszerek alapjainak ismerete.
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 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 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 hallgató feladata egy olyan LLM vagy neurális hálózatokból álló modell készítése valós protokoll tesztnaplói alapján, amely a lehető legnagyobb mértékben képes emulálni a protokoll, ideális esetben pedig átmenni annak konformancia tesztjein.
Néhány éve a globális világjárvány miatti lezárások világszerte felgyorsították a vállalatok és intézmények digitális átállását, mivel alkalmazottaik többsége otthonról dolgozott nyilvános vagy privát felhőszolgáltatások segítségével. Ennek megfelelően ezek a szolgáltatások lettek a legújabb generációs DDoS fenyegetések kiemelt célpontjai. Míg a jelenlegi DDoS támadási profilok egyes jellemzői a világjárvány időszaka előtt megjelentek, az elmúlt időszakban érték el jelenlegi összetettségüket. Az újszerű módszerek és eszközök alkalmazása mellett a támadások gyakorisága, mértéke és változékonysága is jelentősen megnövekedett.
Az önálló munka során a hallgató egy valós adatközpontból származó DDoS adatbázis felhasználásával kísérletezhet és megvizsgálhatja különböző gépi tanuló algoritmusok hatékonyságát.
A DEX-ek (decentralizált tőzsdék) számos előnyt nyújtanak a centralizált tőzsdékkel (CEX-ekkel) szemben. Ezek közül a legfontosabb, hogy a felhasználók harmadik fél közvetítő nélkül cserélhetik digitális eszközeiket, és a tranzakciók bizalom feltételezése nélkül történhetnek (például az eszközök nincsenek a platformon tárolva). Ezt a mechanizmust egy automatikus piackészítő (AMM) valósítja meg, amely a tokeneket láncon belül cseréli, és ezt a folyamatot egy okosszerződés irányítja, amelyet a lánc konszenzus szabályai szerint hajtanak végre. Ez azt jelenti, hogy az AMM állapotváltozásai a blokkok gyakoriságával történnek, ami elavult árakat eredményez, mivel a CEX-ek árai sokkal magasabb gyakorisággal változhatnak. Az árkülönbségeket automatikus botok használják ki, és sokan rámutattak már, hogy az AMM-ek pénzt veszítenek az arbitrázs kereskedések miatt. A hallgatónak diszkrét eseményszimulátorokat kell fejlesztenie, és elemeznie kell az AMM-ek sztochasztikus viselkedését.
Városi környezetekben intenzíven vizsgált terület azoknak a mobil hálózatoknak a kialakítása, ahol a felhasználók mozgó eszközök, mint drónok, gépjárművek, alacsony pályán keringő műholdak stb. segítségével kommunikálnak. Ebben az esetben a kihívás az alábbi: Adott egy gráf, melynek éleinek kapacitása időben változik (ezt hívjuk időben változó hálózatnak), továbbá van egy forrás- és egy nyelőpont. A gráf minden csomópontjához ismerjük a buffer méretét, ami a tárolható információ maximális mennyiségét jelöli. A cél az, hogy kiszámoljuk, mennyi idő alatt juthat el egy adott mennyiségű adat a forrástól a nyelőig. Ehhez a klasszikus megoldás, hogy egy maximális folyamot kell számolnak egy hatalmas gráfon. A gráf az időben változó hálózat "időszeleteiből" áll. Így ahhoz, hogy a számítás kellően pontos legyen, ez a gráf óriási lenne (pár ezer mobil eszköz és pár ezer időszelet több tízmillió pontos gráfot eredményezne). Ennek kezelése egy olyan algoritmikus kihívás, ami jelenleg sok alkalmazás megvalósíthatóságának az akadálya. A hallgatóval ennek a problémakörnek a részleteit vizsgálnánk, és egy konkrét egyszerűsítés alapján próbálnánk megoldani a kihívást. Azt használnánk ki, hogy a gráf az egymás utáni időszeletekben nem tér el nagyon.
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 nagy nyelvi modellek belső reprezentációi magas dimenziós, sűrű aktivációs vektorok, amelyekben több fogalom és tulajdonság egymással átfedő módon jelenhet meg. A mechanisztikus interpretálhatóság egyik ígéretes eszköze a ritka autoenkóder (Sparse Autoencoder, SAE), amely ezeket az aktivációkat egy ritka jellemzőtérbe képezi. Az így kapott jellemzők gyakran emberileg értelmezhető mintázatokhoz kapcsolhatók, ugyanakkor nem egyértelmű, hogy gyakorlati monitorozási feladatokban előnyt jelentenek-e a nyers aktivációkhoz képest.
A hallgató feladata annak vizsgálata, hogy az SAE-jellemzők felhasználhatók-e nyelvi modellek nemkívánt futásidejű viselkedésének, például a válasz megtagadásának vagy az előírt kimeneti formátumtól való eltérésnek az előrejelzésére.
Az SAE-alapú megközelítést azonos kísérleti protokoll és keresztvalidáció mellett össze kell hasonlítani a nyers aktivációkon tanított egyszerű lineáris szondával. A vizsgálatnak rétegenkénti teljesítménymérést, megfelelő bizonytalansági becslést és a két reprezentáció prediktív képességének összehasonlítását is tartalmaznia kell. A munka opcionálisan beavatkozásos kísérlettel egészíthető ki, amelyben kiválasztott SAE-jellemzők aktivációjának módosításával vizsgálható a célviselkedés befolyásolhatósága és az esetleges mellékhatások.
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 projekt célja egy mesterséges intelligenciára épülő befektetési döntéstámogató rendszer tervezése és megvalósítása, amely a felhasználók pénzügyi döntéseinek támogatását szolgálja. A fejlesztés középpontjában a befektetői profil, a befektetési célok és a portfólió jellemzőinek elemzése áll, amelynek eredményeként a rendszer személyre szabott javaslatokat és visszajelzéseket biztosít.
A megoldás ötvözi a pénzügyi adatelemzés, az ajánlórendszerek és a mesterséges intelligencia módszereit annak érdekében, hogy támogassa a tudatosabb és célorientált befektetési döntéshozatalt. A fejlesztés során kiemelt szerepet kap a felhasználói adatok értelmezése, az automatizált elemzések kialakítása, valamint a döntések átlátható és érthető magyarázata.
A projekt célja egy olyan prototípus létrehozása, amely bemutatja, hogyan alkalmazhatók a modern AI-technológiák a pénzügyi döntéstámogatás területén, és milyen hozzáadott értéket nyújthatnak a hagyományos befektetéskezelési megoldásokhoz képest.
A téma tartalmazza
A téma ne tartalmazza