Mesterséges Intelligencia Kutatócsoport témalaborok
A csoport témalabor kiírásai az alábbiak:
1.) Beágyazott mesterséges intelligencia
Az informatika rohamos terjedésével az intelligens eszközök és megoldások megjelentek a hétköznapi életben is a munkahelyi és az otthoni környezetben. Ezekben rendszerint beágyazott eszközök, lehetőleg az emberek napi életvitelét nem zavarva, bizonyos szempontból rejtetten, de folyamatosan működve igyekeznek segítséget nyújtani. A két legnagyobb (otthoni) alkalmazási terület az otthonautomatizáláshoz, illetve a minőségi életvitel támogatásához kötődik. Példaképpen vehetjük a betörés, vagy egyéb jelzőrendszereket, de a kényelmi szolgáltatásokat is, mint pl. a szellőzés, árnyékolás, hifi berendezések, tv-k stb. intelligens vezérlése. A minőségi életvitel megőrzése, támogatása kiemelten fontos az időseknél, illetve a valamilyen fogyatékkal élőknél. Itt az egészségmonitorozás, a balesetveszélyes helyzetek észlelése, az elvégezni kívánt feladatok információkkal, tanácsokkal való támogatása stb. rendkívül fontos feladat.
Témavezetők:
Dr. Pataki Béla
Dr. Strausz György
Eredics Péter
Sárközy Péter
További Információ a lap alján nyíló tájékoztatóban található.
2.) Természetes nyelvű szövegek gépi feldolgozása és szemantikus technológiák
A mai informatikai rendszerek többségének alapvető hiányossága, hogy keveset tudnak az általuk támogatandó feladatról, környezetükről, nem értik felhasználóik igényeit, csak a beléjük kódolt szolgáltatásokat biztosítják előre meghatározott esetekre. Az intelligens szolgáltatások, az ember-gép kommunikáció támogatása, a korszerű döntéstámogató programok, a szöveg- és adatelemző környezetek vagy az autonóm robotikus rendszerek magas szintű vezérlése mind a tárgyterület ismereteinek modellezésére, értelmezésére, következtetésre épülnek. A témalabor ezen területbe ad bepillantást, alapvető elméleti módszerek mellett nagy hangsúlyt helyezve a gyakorlati alkalmazásokra.
Témavezetők:
Dr. Mészáros Tamás
Dr. Strausz György
További Információ a lap alján nyíló tájékoztatóban található.
3.) Gépi tanulás és képfeldolgozás
3/A) Elosztott tanulás
Az elosztott tanulásra fókuszáló témalabor célja az elosztott adat- és tudásforrások együttes felhasználásának bemutatása és kutatása. A felhasznált modellek magukban foglalják a neurális hálózatok és a valószínűségi gráfos modellek osztályát, különös tekintettel az oksági Bayes-hálózatokat. Az adat- és tudásfúzió egyésges kereteként lehetőség nyílik a Bayes-statisztika megismerésére, amely a mind a nagy mennyiségű, heterogén háttértudás és az elosztott, akár horizontálisan és vertikálisan felosztott adatok integrálására is lehetőséget ad. Az elosztott tanulás magába foglalja a nagy számú homogén partnert feltételező federált tanulást; a kis számú, heterogén partnert fedő kollaboratív tanulást; és a játékelméleti keretű többágenses tanulást is. A heterogenitás nem csupán a elosztott tudás és adat esetében van jelen, hanem a partnerek által alkalmazott modellek tekintetében is, ami a heterogén modellek együttes felhasználásának kérdését veti fel. Az elosztott tanulás játékelméleti és döntéselméleti kiterjesztése pedig elvezet a másik partnernél lévő adatnak és további adatnak az értékének a kérdését, amely az aktív tanulás keretében szintén egy javasolt téma.
Témavezetők:
Dr. Antal Péter
3/B) Orvosi képdiagnosztika támogatása gépi tanulási és képfeldolgozásos módszerekkel
Humán interpretáció számára nem tűnik bonyolult feladatnak (az ember sok év alatt megtanulja a különböző alakzatok, elváltozások minta alapú felismerését), ám annak algoritmizálása kifejezetten nehéz. Kétféle megközelítése létezik a probléma megoldásának: a szakértői képfeldolgozáson és a gépi tanuláson alapuló. A képfeldolgozásos esetben klasszikus kép és jelfeldolgozásos eljárásokkal feladat -dekompozíció elvét követve tervezünk és implementálunk egy rendszert, mellyel olyan képi elemeket detektálunk, melyekből egy szakértői következtető rendszerrel kategorizálhatjuk vagy annotálhatjuk az egyes képi elemeket. Egy másik lehetséges megközelítés a probléma gépi tanuláson alapuló megoldása, mely során annotált minták halmazát mutatunk egy tanuló eljárásnak, mely ezekből osztályozza az azon szereplő képi elemeket, vagy detektálja azon a kritikusabb részeket, ami alapján később döntést hoz. A szakértői megközelítés előnye, hogy egy interpretálható, megmagyarázható modellt kapunk, melynek konstrukciójához kevés minta is elég lehet, míg a gépi tanulásos esetben egy black-box rendszer az eredmény, mely ha elegendően sok tanítómintát lát, akkor pontosabb működésre lehet képes. Általános jellemzője mindkét megközelítésnek, hogy kihívásokkal teli, nehéz feladatokat eredményeznek, melyek megoldása során részletekbe merülően meg lehet ismerni az algoritmikus és a neurális paradigma kép és videófeldolgozásos problémák során történő használatának nehézségeit, lehetőségeit és korlátjait. A témával foglalkozók az elméleti apparátus gyakorlatban alkalmazható, készség szintű ismeretére tehetnek szert.
Szükséges kompetenciák: analízis, lineáris algebra, valószínűségszámítás, algoritmuselmélet készség szintű ismerete, valamint jó kudarctűrés és nagymértékű kitartás, érdeklődés a nehezebb, alkalmazott elméleti problémák iránt.
Témavezetők:
Hadházi Dániel
Dr. Hullám Gábor
3/C) Valószínűségi gráfos modellek alkalmazása
A valószínűségi gráfos modellek a mesterséges intelligencia, a gépi tanulás és a döntéselmélet általános, alapvető eszközeivé váltak. Kiterjesztésének jelenlegi irányai például az oksági relációk részletes jellemzése, a környezetfüggő függetlenségek reprezentálása, a jövőbeli információ hasznának hatékony megbecslése, magyarázatgenerálás, illetve bayesi megközelítésben modellek sokaságának hatékony kezelése.
A témalabor folyamán lehetőséget biztosítunk a valószínűségi gráfos modellek általános megismerésére és a fentebbi kutatásokhoz tartozó módszerek megvalósítására, nevezetesen például a következő feladatok esetében:
- oksági relációk részletes jellemzése, “kényszerített” élek és “zavarásmentes” élek azonosítása,
- magyarázatgenerálás,
- a jövőbeli információ hasznának hatékony megbecslése,
- modellek, környezetfüggő függetlenségek és átfogó modelltulajdonságok hatékony reprezentálása bayesi megközelítésben.
Témavezetők:
Dr. Antal Péter
Dr. Hullám Gábor
Millinghoffer András
További Információ a lap alján nyíló tájékoztatóban található.
3/D) Neurális hálók és mély tanulás alkalmazása
Napjainkban a neurális hálók alkalmazási köre dinamikusan bővül. Számos, pár évvel ezelőtt még megoldhatatlannak tűnő feladat leküzdésében jutott oroszlán szerep e számítás paradigma által nyújtott apparátusnak. Még szélesebb körű alkalmazhatóságuk azonban olyan korlátok meghaladását igényli, melyek ma még élesen jelentkeznek. Ahhoz, hogy ez lehetségessé váljon nem elegendő az eljárások fekete doboz jellegű, eszköz szintű alkalmazása. Elengedhetetlen az egyes módszerek alapos, elméleti szempontból is kielégítő ismerete. A témalabor fő célkitűzése éppen ezért a neurális paradigma apparátusának részét képező finomabb módszerek, eljárások alapos feltérképezése, olyan elméleti és demonstrációs célra is alkalmas gyakorlati vizsgálatok elvégzése, mellyel átláthatóak, pontosabban megismerhetőek és ezen ismeretek birtokában komplex feladatok esetén hatásosabban alkalmazhatóak a mély tanulás finomabb módszerei is.
Témavezetők:
Dr. Hullám Gábor
Hadházi Dániel
További Információ a lap alján nyíló tájékoztatóban található.
4.) Orvosbiológiai, bio- és kemoinformatikai adatelemzés és döntéstámogatás
Az orvosbiológiai kutatásokat alapjaiban formálják át az új molekuláris biológiai méréstechnikai eljárások és az általuk generált nagy mennyiségű, átfogó adat. A témalabor e terület jellegzetességeit és a jelentkező kihívások kezeléséhez szükséges technikák megismerését teszi lehetővé két feladatcsoport keretében: (1) genetikai adatok mérése és elemzése, (2) szemantikus technológiák a kemo- és bioinformatikában.
Témavezetők:
Dr. Antal Péter
Dr. Gézsi András
Sárközy Péter
Millinghoffer András
Dr. Bruncsics Bence
További Információ a lap alján nyíló tájékoztatóban található.