Both sides previous revisionPrevious revisionNext revision | Previous revision |
tanszek:oktatas:komplex_tervezes:feladatok [2024/09/30 16:25] – knehez | tanszek:oktatas:komplex_tervezes:feladatok [2024/09/30 16:27] (current) – knehez |
---|
| 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) | | | | 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 vegyétek fel a kapcsolatot Nehéz Károllyal, ezeket a www.kontron.hu cég ajánlja: | Az alábbi AI témájú feladatokkal kapcsolatban írjatok Nehéz Károlynak (karoly.nehez@uni-miskolc.hu). A feladatokat a www.kontron.hu cég ajánlja és támogatja: |
| |
| 1. **AI Alapú Diagnosztikai Rendszer Fejlesztése** |
| |
1. **Téma: 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. | **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. | **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. |
| |
* A modell teljesítményének kiértékelése valós adatok alapján. | * A modell teljesítményének kiértékelése valós adatok alapján. |
| |
2. **Téma: Autonóm Járműrajok a Kooperatív Közlekedési Rendszerekhez** | 2. **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. | **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. |
| |
* A fejlesztett rendszer teljesítményének kiértékelése valós idejű szimulációkban, különös tekintettel az energiafogyasztásra és biztonságra. | * A fejlesztett rendszer teljesítményének kiértékelése valós idejű szimulációkban, különös tekintettel az energiafogyasztásra és biztonságra. |
| |
3. **Téma: Kódgenerálás és automatizáció nagy nyelvi modellek (LLM) segítségével** | 3. **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. | **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. |
| |
* Az eredmények értékelése és a rendszer hatékonyságának elemzése. | * Az eredmények értékelése és a rendszer hatékonyságának elemzése. |
| |
4. **Téma: Jogszabályok automatizált feldolgozása természetes nyelvfeldolgozás (NLP) segítségével** | 4. **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. | **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. |
| |