Tanszéki konzulens: 

Nagy Simon József doktorandusz Szoba: IB414 Tel.: +36 1 463-3579 Email: snagy (*) mit * bme * hu

Kritikus rendszerek az autó és aerospace iparban számos szoftver-intenzív hibatűrési megoldást tartalmaznak, mint például a szenzor fúziós, öndiagnosztikai és hibakezelő algoritmusok. Ezen megoldások helytelen működése komoly anyagi károkat és személyi sérüléseket okozhatnak.

A szoftver-intenzív rendszerek verifikálása nagy méretű kritikus rendszerek esetén különösen nehéz a rendszerek komplexitása miatt. Mesterséges intelligencia és deep learning algoritmusok képesek nagy méretű rendszerek viselkedésének megértésére és következtetések automatikus levonására. A deep learning egyik új iránya mély probabilisztikus programozási paradigma, melynek segítségével quantitatív módon ki lehet értékelni egyes események valószínűségét, ezáltal lehetőség nyílik hibavalószínűségek meghatározására. Machine learning algoritmusokat és deep learning módszereket használnak már qulitatív hibaanalízisre, viszont a mély probabilisztikus programozási paradigmát még nem használták szoftver-intenzív rendszerek ellenőrzésére.

A hallgató feladata, hogy megvizsgálja a mély probabilisztikus programozási paradigma és Bayes-i modellezési módszerek alkalmazhatóságát olyan nagy méretű szoftver-intenzív rendszerek esetén, ahol a szoftverek komplexitása miatt a hagyományos verifikációs technikák nem alkalmazhatóak.