Differences

This shows you the differences between two versions of the page.

--- tanszek:oktatas:komplex_tervezes:feladatok [2024/09/19 11:04] – knehez
+++ tanszek:oktatas:komplex_tervezes:feladatok [2024/09/30 16:27] (current) – knehez
@@ Line 21: / Line 21: @@
 | Mobil robot programozás | Dr. Cservenák Ákos | akos.cservenak(kukac)uni-miskolc.hu | | | Festo Robotino ver2. mobil robotok programozása, kommunikáció és digitális iker kialakítása (kamera képfeldolgozás, távolságérzékelő, valamint odometria alapján mozgásprogramozás, továbbá szimulációs környezet kialakítása, ahol nyomon lehet követni a mobil robotok mozgását, továbbá fordított irányban irányítani azt) |  |
 | Digitális Iker | Dr. Cservenák Ákos | akos.cservenak(kukac)uni-miskolc.hu | | | Anyagmozgató rendszer digitális iker kialakítása (elsősorban CAD modellezés, majd utána PLC-hez kapcsolt szenzor és motor adatok összehangolása) | |
+Az alábbi AI témájú feladatokkal kapcsolatban írjatok Nehéz Károlynak (karoly.nehez@uni-miskolc.hu). A feladatokat a www.kontron.hu cég ajánlja és támogatja:
+. **AI Alapú Diagnosztikai Rendszer Fejlesztése**
+**Bevezető**: A mesterséges intelligencia (AI) egyre nagyobb szerepet játszik az egészségügyi diagnosztika átalakításában. Az AI alkalmazása lehetővé teszi a gyorsabb és pontosabb diagnózis felállítását, ami javítja a betegek kezelésének hatékonyságát, miközben csökkenti az egészségügyi költségeket. Ezen túlmenően, az AI képes hatalmas mennyiségű adatot feldolgozni és elemezni, amely elősegíti a betegségek korai felismerését és megelőzését.
+**Feladat**: Vizsgálja meg a jelenleg az egészségügyben használt gépi tanulási (ML) technikákat, és értékelje azok hatását az egészségügyi rendszerre. Válasszon ki egy konkrét betegséget, és fejlesszen egy felhasználói felületet, ahol a betegek megadhatják az adott betegséghez kapcsolódó releváns információkat. Hozzon létre egy ML modellt, amelyet a betegség azonosítására tanít, és amely a felhasználói adatok alapján valószínűségi értéket rendel a beteg állapotához. Ez a rendszer előszűrésként is szolgálhat, segítve a téves pozitív eredmények kiszűrését.
+**Elvárt eredmények**:
+  * Áttekintés a mesterséges intelligencia alapú diagnosztikai rendszerek jelenlegi helyzetéről.
+  * Az AI modell gyakorlati alkalmazásának lehetőségeinek bemutatása.
+  * A modell teljesítményének kiértékelése valós adatok alapján.
+. **Autonóm Járműrajok a Kooperatív Közlekedési Rendszerekhez**
+**Bevezető**: Az autonóm járművek, mint például a drónok, egyre inkább meghatározó szerepet játszanak a jövő közlekedési rendszereiben. Az autonóm járműrajok képesek együttműködve szállítási feladatokat ellátni vagy felderítői feladatokat ellátni katasztrófáknál, amely hozzájárul a szállítási hatékonyság növeléséhez és terep biztonságos felméréséhez. A technológiai fejlődés ezen területén különösen fontosak a decentralizált döntéshozatali mechanizmusok, valamint a valós idejű kommunikációra épülő rendszerek, amelyek révén a járművek dinamikusan alkalmazkodhatnak a változó környezeti feltételekhez.
+**Feladat**: Tervezz és fejlessz mesterséges intelligencia algoritmusokat, amelyek képesek koordinálni autonóm járműrajokat különböző közlekedési feladatok végrehajtására, mint például szállítási rendszerek. A megoldás során kiemelten fontos a decentralizált döntéshozatal és a valós idejű kommunikációs protokollok alkalmazása. A hallgató feladata továbbá a rendszer optimalizálása energiafelhasználás és biztonsági szempontok alapján. Vizsgálja meg a különböző kooperációs stratégiákat, és értékelje azok hatékonyságát valós környezetben szimulált járműrajokra.
+**Elvárt eredmények**:
+  * Áttekintés az autonóm járműrajokkal kapcsolatos jelenlegi technológiákról és azok közlekedési rendszerekre gyakorolt hatásáról.
+  * Decentralizált döntéshozatali algoritmusok tervezése és implementálása.
+  * A járműraj koordinációjának valós idejű kommunikációra épülő megoldásainak kidolgozása.
+  * A fejlesztett rendszer teljesítményének kiértékelése valós idejű szimulációkban, különös tekintettel az energiafogyasztásra és biztonságra.
+. **Kódgenerálás és automatizáció nagy nyelvi modellek (LLM) segítségével**
+**Leírás**: A nagy nyelvi modellek (LLM-ek) egyre elterjedtebbé váltak a kódgenerálásban, ahol javaslataikkal és kódrészletek automatikus előállításával segítik a fejlesztők munkáját. Ezek az eszközök alkalmasak kisebb kódrészletek, például függvények vagy modulok generálására, azonban egy összetett projekt teljeskörű megvalósítása, a kód tesztelése és integrációja továbbra is jelentős emberi beavatkozást igényel.
+**Feladat**: A hallgató feladata egy olyan többágensű rendszer kialakítása, ahol LLM alapú ágensek együttműködve képesek a feladatok megértésére, azok részfeladatokra bontására, a kód implementálására, tesztelésére és az eredmények kiértékelésére. A cél egy olyan környezet létrehozása, amely lehetővé teszi egy komplex szoftverprojekt automatizált, önálló megvalósítását minimális emberi beavatkozás mellett.
+**Elvárt eredmények**:
+  * Multi-agent rendszer tervezése és implementálása LLM ágensekkel.
+  * A rendszer működésének bemutatása egy komplex szoftverprojekt automatikus megvalósítása során.
+  * Az eredmények értékelése és a rendszer hatékonyságának elemzése.
+. **Jogszabályok automatizált feldolgozása természetes nyelvfeldolgozás (NLP) segítségével**
+**Leírás**: Az európai és magyar gazdaságban kiemelt szerepet játszik az ipar jogszabályi szabályozása, különös tekintettel a verseny, a környezetvédelem, valamint a munkavállalók és a fogyasztók védelme szempontjából. A vállalatok számára alapvető fontosságú, hogy folyamatosan figyelemmel kísérjék az újonnan megjelenő jogszabályokat, és időben azonosítsák azokat a részleteket, amelyek az adott szervezetet érintik. Az ilyen jellegű feladatok emberi munkaerővel történő elvégzése időigényes és költséges, ezért egy hatékony automatizált megoldás kidolgozása szükséges.
+**Feladat**: A hallgató feladata egy olyan természetes nyelvfeldolgozási (NLP) modell fejlesztése, amely képes hatékonyan és pontosan kiértékelni a jogszabályokat, azonosítani a szervezet számára releváns részleteket, és összefoglalót készíteni ezekről. A modellnek képesnek kell lennie kiszűrni az irreleváns információkat, és referenciahivatkozásokat biztosítani a lényeges jogszabályi pontokra. A megoldásnak hatékonyan kell működnie anélkül, hogy jelentős számítási erőforrást igényelne, ezáltal biztosítva a gazdaságos alkalmazhatóságot.
+**Elvárt eredmények**:
+  * NLP modell tervezése és implementálása jogszabályok feldolgozására.
+  * A modell teljesítményének validálása valódi jogszabályokkal.
+  * A modell hatékonyságának és pontosságának elemzése a gazdaságosság szempontjából.