Gyakran fontos, hogy idősorokban a személy vagy objektum viselkedésének tipikus mintázatait felismerjük, esetleg befolyásoljuk. Ez nehéz feladat, hiszen tipikusan nem periódikusan ismétlődő, azonos mintáról van szó, csak több-kevesebb rendszerességgel bekövetkező, hasonló eseményekről. Ráadásul sokszor nem közvetlenül megfigyelhető a jelenség, csak egy összetett jel alapján következtetünk.

A teljes eloszlás modellek, mint például a valószínűségi gráfos modellek lehetőséget adnak a hiányos adatoknak mind a normatív kezelésére és mind a kiegészítésére egy aktív tanulási keretben akár az adatok, akár a modellre is vonatkozik a következtetés. Az önálló munka célja hatékony aktív tanulási eljárások kifejlesztése.

A komplex és/vagy nem értelmezhető gépi tanulási modellek transzformációja egy egyszerű és/vagy értelmezhető modellbe közel azonos teljesítményszintet tartva, mind a statisztikai és a számítási hatékonyságot növelheti, és segítheti magyarázhatóságot (explainable AI, XAI) és a megbízhatóságot (trustworthy AI). Cél új módszerek kidolgozása különös tekintettel Bayes-statisztikai keretben.

A folytonos optimalizáció alapú valószínűségi gráfos modellek tanulási eljárásai, mint a GLASSO vagy NOTEARS megközelítések nagy dimenziójú adatokra történő felskálázást tesznek lehetővé. A megtanult modellek robusztussága újramintavételezési eljárásokkal jellemezhető, mint például a bootstrap.

A ChatGPT lázba hozta a világot: jelesre megír egy ZH-t, fogalmazásokat készít önállóan egy megadott témakörből és jól válaszol a felhasználó kérdéseire. De mi van a mélyben? Több egy felszínes tudású dumagépnél? Hogyan és mire használhatók a képességei ipari alkalmazásokban? Konkrét alkalmazási feladatokon keresztül ezekre keressük a választ az önálló labor során.

A feladat során azt vizsgáljuk, hogy a mesterséges intelligencia módszerei hogyan alkalmazhatók az információbeszerzés és -elérés területén természetes nyelvű szövegek gépi elemzésére és annotálására.

A feladat célja kézzel írt szövegek szerzőségének megállapítása. A kb. 1000 oldalas adathalmaz 6-7 szerzőtől származik. A dokumentumok nagy részének a szerzősége egyértelmű, de egyeseké vitatott, kérdéses. Ezek megállapítására kell egy megoldást elkészíteni.

Intelligens otthoni szolgáltatások megvalósítása beágyazott hardverek segítségével, egyszerűbb természetes nyelvű interfész készítése a rendszerhez.

Az 5G hálózatokban alkalmazható időszinkronizációs megoldásokkal történő ismerkedés, szinkronizációs algoritmusok kidolgozása és vizsgálata.

A beágyazott és IoT rendszerek technológiai fejlődésével és elterjedésével felmerül annak a lehetősége, hogy erősítsük az "intelligens" viselkedésüket. A feladat ilyen jellegű kísérleti rendszerek megvalósítását célozza.

A téma fő feladata nyers genetikai adatok transzformálása általános dimenziócsökkentési módszerekkel és tárgyterület-specifikus szoftverekkel (ShapeIT), illetve a be- és kimeneti adatok konvertálása úgy, hogy azok rendszerszintű adatelemezési módszerekkel elemezhetők legyenek. Feladat még a transzformáció előtti és utáni adatoknak a rendszerszemléletű elemzés szerinti hasznosságának kiértékelése.

Egy adott tárgyterülethez kapcsolódó mechanizmusok megértése alapvető igénye a tudományos megközelítésnek. E mechanizmusok entitások közötti kauzális kapcsolatokkal írhatók le, melyek feltárására több módszer alkalmazható. A feladat célja kauzális kapcsolatok feltárását megvalósító algoritmusok kialakítása és alkalmazása, különösen nagy dimenziójú adatokon.

A feladat lényege annak a kérdésnek a vizsgálata, hogy egy kellően korlátozott természetes nyelv (ún. kontrollált nyelv) mennyiben egyszerűsíti (teszi lehetővé) természetes nyelvű felhasználói felületek létrehozását.

Intelligens terek informatikai rendszerei közül igen fontos a vegyes ember-ágens közösségi forma. A két világ közti kapocs az autonóm (gépi és emberi) ágensek kommunikációja, amihez meg kell teremteni a kölcsönös megérthetőség feltételeit.

A jogi szakértői rendszerek fejlesztése (jogszabály modellezés, tudásreprezentáció, dokumentum modell készítés, dokumentum kezelés) különböző gyakorlati területeken.