K+F témák - Hajós György Adattudományi Szakkollégium

Ezen az oldalon olyan feladatleírások találhatók, amelyekhez szívesen vesszük az érdeklődők csatlakozását;
az egyes témákhoz a megadott kapcsolattartóknál lehet jelentkezni.  

 

K+F téma címe:
Magyar nyelvű nyelvi modell kialakítása különböző szakterületekre

Téma leírása:
Angol nyelven többféle nyelvi modell létezik (pl. GPT-3). Ezek képesek arra, hogy az előre betáplált szöveghalmaz alapján a felhasználó által feltett kérdésekre választ adjanak. Magyar nyelven csak többszöri oda-vissza fordítással lehet használni ezeket a megoldásokat, így az elérhető eredmény minősége erősen korlátozott. A kutatási feladat több részre, fejlesztési fázisokra osztásával a feladat ennél magasabb szinten megoldható.

Hajós György Adattudományi Szakkollégium műhely:
Mesterséges Intelligencia (korszerű adatelemzés, gépi tanulás)

Kapcsolat:

Együttműködő partner(ek):
Enjoy Robotics Zrt.

 

K+F téma címe:
Adatvagyon szakterület-specifikus kiaknázásának módjai

Téma leírása:
Az adatalapú gazdaságra való átállás lényegében minden szektort, szakterületet érint. Lényegében minden ország – köztük Magyarország is – felismerte és megkezdte az adatvagyon kiaknázásában rejlő és a mindennapi működésbe való integrálás lehetőségét. Nemzeti szinten kiemelten fontos lehet, hogy az egyes szakterületi adatbázisokból származó információk összenyitásával lényegesebb pontosabb predikciók, döntéstámogató rendszerek nyerhetőek. A kapcsolódó munka széles spektrumú, az egyszerűbb adatelemző és vizualizációs technikáktól a nagy mennyiségű adat mélytanulással történő elemzéséig terjed. Konkrét példaként említhető a térképészeti, jóléti, közlekedési, időjárási adatokon alapuló országos lefedettséget adó szolgáltatások kifejlesztése.

Hajós György Adattudományi Szakkollégium műhely:
Mesterséges Intelligencia (korszerű adatelemzés, gépi tanulás)

Kapcsolat:

Együttműködő partner(ek):
Nemzeti Adatvagyon Ügynökség

 

K+F téma címe:
Mérők Mérője projekt, 2. fázis

Téma leírása:
A nemzetközi mérőrendszerek világának megismerése/megértése (milyen szervezetek, milyen mérőrendszereket (indexek) adnak ki rendszeresen vagy ad hoc jelleggel). Ezt követően egy olyan ’mérőeszköz’ kidolgozása, amivel összehasonlíthatóvá, mérhetővé válnak maguk a mérőrendszerek is, lehetőséget adva akár alternatív mérőrendszerek kialakítására, illetve nemzetközi szinten a határozottabb magyar szempontok, érdekek érvényesítésére (Magyarország rangsorolása pl. a nemzetközi versenyképességi vagy digitalizációs indexben). A projekt első fázisában felvett mutatók kiválogatása, kiegészítése valamint az ezekhez kapcsolódó adatok, egyéb információk begyűjtése/frissítése, valamint új mutatók felvétele mennyiségi szemlélettel (fastruktúrában: kiadó szervezet/mérőrendszer/vizsgált ismérvek: általános és szektorspecifikus).

Hajós György Adattudományi Szakkollégium műhely:
Mesterséges Intelligencia (korszerű adatelemzés, gépi tanulás)

Együttműködő partner(ek):
Digitális Jólét Nonprofit Kft.

Kapcsolat:

 

K+F téma címe:
Beteg kórlapok feldolgozása természetes nyelvű szövegfeldolgozással

Téma leírása:
Bár a klinikai leírások a szabványosodás irányába haladnak, gyakori probléma, hogy az egészségügyben a leletek, diagnózisok leírása szabad szöveges módon történt, illetve történik. A jelenlegi mesterséges intelligencia alapú NLP technikák már lehetővé teszik az ilyen szövegek hatékony feldolgozást a releváns információk kinyeréséhez. Egyes esetben az információ egyszerűbben is kinyerhető (pl. dózis), míg más esetekben ez már jóval komplexebb probléma lehet (pl. egy elváltozás pontos helyének lokalizálása a leírt szöveg alapján, akár képi információval is összhangba hozva azt). A cél adott betegségekhez (pl. adott típusú tumoros megbetegedések) előírt attribútumok kinyerése szabad magyar nyelvű klinikai szövegből magyar/latin kifejezésekre készülve.

Hajós György Adattudományi Szakkollégium műhely:
Mesterséges Intelligencia (korszerű adatelemzés, gépi tanulás)

Együttműködő partner(ek):
GE Healthcare Magyarország Kft. és a Klinikai Központ egységei

Kapcsolat:

 

K+F téma címe:
Elméleti modellek helyettesítése neurális architektúrákkal

Téma leírása:
A neurális hálókat időnként szokás függvényapproximátorokként is emlegetni. Ennek oka, hogy a lényegében tetszőleges pontossággal közelíthető bármilyen függvény (összefüggés) a segítségükkel, így általánosabban fogalmazva, bármilyen elméleti modell kiváltható a segítségükkel. Ez az eljárás különösen annak figyelembevételével indokolható, hogy a kidolgozott elméleti modellek értelemszerűen absztrahálják (egyszerűsítik) a valós világ feladatait, így például a zajok megjelenését nehezen kezelik, illetve komplexebb rendszerek esetében akár elméletileg is bizonyítható, hogy egyszerű zárt, pontosan leíró elméleti modell nem létezik. A témafelvetés így arra vonatkozik, hogy tekintsünk lényegében bármilyen elméleti modellt egy szakterületről (aktuálisan pl. COVID- vagy gazdasági folyamatra vonatkozó predikció) cseréljük le az elméleti modellt egy azt (elméleti értelemben) jól approximáló neurális hálóra, majd ezt az így inicializált hálót valós adatokkal továbbtanítva egy pontosabb illeszkedést tudunk elérni a komplex feladatra pontosítva ezzel a pusztán elméleti modellre való hagyatkozást.

Hajós György Adattudományi Szakkollégium műhely:
Mesterséges Intelligencia (korszerű adatelemzés, gépi tanulás)

Együttműködő partner(ek):
Open Clouds for Research Environments (OCRE)

Kapcsolat:

Dr. Hajdu András, Bogacsovics Gergő
Debreceni Egyetem, Informatikai Kar
hajdu.andras@inf.unideb.hu, bogacsovics.gergo@inf.unideb.hu

 

K+F téma címe:
Detektorok optimális elhelyezése megerősítéses tanulás alkalmazásával

Téma leírása:
A radioaktív izotópok észlelése egy rendkívül komplex folyamat, amely természetéből adódóan túl sok időt igényel. Az észleléshez ugyanis speciális eszközökre van szükség, amelyek esetében a kiértékelés nem valós időben történik. Ezt még tovább nehezíti a bomlás, valamint a detektálás természete, illetve egyéb technikai korlátok. A kutatás első célja egy olyan szimulált környezet létrehozása, amely lehetővé teszi számunkra a valós körülmények költséghatékony, megismételhető replikálását és szimulációk, számítások futtatását. A kutatás középpontjában ugyanakkor a mély megerősítéses tanulás, valamint az azon alapuló ágensek betanítása áll majd a szimulált környezetben. Ez a megközelítés rendkívül nagy sikerekre tett szert az utóbbi években, köszönhetően rugalmas természetének, valamint annak, hogy problémák széles körére alkalmazható. A kutatás végső célja a korábban említett szimulált környezet alkalmazásával olyan megerősítéses tanuláson alapuló megoldások előállítása, finomhangolása, amelyek képesek a rendelkezésre álló detektorok optimális (vagy ahhoz nagyon közeli) elhelyezésére annak érdekében, hogy az izotópok észlelése minél hamarabb és minél megbízhatóbban történhessen meg.

Hajós György Adattudományi Szakkollégium műhely:
Mesterséges Intelligencia (korszerű adatelemzés, gépi tanulás)

Kapcsolat:

Együttműködő partner(ek):
NI Hungary Kft.

 

K+F téma címe:
Manuális annotációk tanulóadatbázisok összeállításához

A feladat diákmunka jelleggel is végezhető.

Téma leírása:
A felügyelt gépi tanulóeljárásokhoz általában nagyon hasznos, ha minél nagyobb mennyiségű annotált tanulóadat áll rendelkezésre. Ez azt jelenti, hogy a tanulóadatokon kézzel meg vannak jelölve azok az elemek, amiket a fejlesztett MI eszközünkkel később ki szeretnénk nyerni. Ilyen adatok lehet pl. autonóm járművezetéshez a jelzőtáblák, vagy szövegfeldolgozás esetén a szövegben található kulcsszavak – az alkalmazási területek száma igen magas. A komolyabb K+F feladatot végző érdeklődő számára is nagyon hasznos, ha ezek az adatbázisok elkészülnek, de a feladatkiírás keretében arra is van lehetőség, hogy valaki csak az annotációs feladatra jelentkezzen.

Hajós György Adattudományi Szakkollégium műhely:
Mesterséges Intelligencia (korszerű adatelemzés, gépi tanulás)

Kapcsolat:

Együttműködő partner(ek):
Bosch Center for Artificial Intelligence -- Renningen, GE Healthcare Magyarország Kft.

 

K+F téma címe:
Képi tanulóadatbázis előállítása szimulációs eszközökkel

Téma leírása:
Képfeldolgozási eljárásokhoz (pl. objektumdetektálás) sokszor igen költségigényes – vagy szinte lehetetlen – a megfelelő számosságú tanulóadatbázis előállítása. A feladat célja vagy már létező, vagy létrehozandó 3D-s élethű (renderelt) modellek elkészítése és megfelelő háttérképekre való felhelyezése különböző geometriai transzformációkat (pl. nagyítás, eltolás, forgatás) alkalmazva. A megoldás várhatóan valamilyen jól ismert geometriai tervezőszoftverrel történhet (SolidWorks, Blender). A feladat vonatkozhat csak a 3D modellezésre, de érdeklődés esetén a tanulóadatbázis összeállítása után természetesen folytatódhat az azt használó gépi tanulóeljárásban való részvétellel is. 

Hajós György Adattudományi Szakkollégium műhely:
Mesterséges Intelligencia (korszerű adatelemzés, gépi tanulás)

Kapcsolat:

Együttműködő partner(ek):
Magyar Honvédség

Legutóbbi frissítés: 2022. 11. 23. 15:05