Spoznajte výskumné témy našich PhD študentov

Naši prví doktorandi v KInITe začali študovať a skúmať svoje PhD témy v septembri 2021. Niektoré z nich sú inšpirované výzvami priemyslu, iné nápadmi špičkových vedcov zo zahraničia alebo medzinárodnými projektami.

Dňa 9. marca 2022 sme mali to potešenie privítať našich mentorov, partnerov, študentov a ďalších virtuálnych hostí na špeciálnom podujatí nazvanom PhD Showcase, kde sme práce našich prvých siedmych siedmich doktorandov prezentovali verejnosti. 

Počas prvej časti podujatia doktorandi v krátkosti predstavili svoje výskumné a replikačné štúdie. Nižšie nájdete krátky úvod ku každej téme. 

Potom boli hostia pozvaní pripojiť sa do jednej zo siedmich samostatných online miestností, kde sa s jednotlivými doktorandami mohli hlbšie ponorili do konkrétnych tém. 

Ak ste podujatie nestihli, môžete si ho pozrieť zo záznamu na Facebooku alebo YouTube.

Ivana Beňová

Spracovanie prirodzeného jazyka: Skúmanie porozumenia multimodálnych modelov

„Kombinovanie jazykových a vizuálnych vnemov je pre ľudí veľmi prirodzené, no natrénovať deep learning modely, ktoré by to robili je veľmi náročné. Multimodálne spracovanie môže mať mnoho aplikácií, napríklad môže byť užitočné na pomoc ľuďom so zrakovým postihnutím alebo pre automatické pochopenie obrázkov na sociálnych médiách a následné zákazanie tých, ktoré porušujú pravidlá. Tiež môže byť použité na generovanie popisov MRI alebo CT skenov v zdravotníctve.

Modely založené na neurónových sieťach však majú jednu nevýhodu: majú milióny parametrov a preto sú pre nás nečitateľné a nevieme na základe akých informácií dosahujú svoje výstupy.

Vo svojej práci sa zameriavam na zaujímavú výskumnú otázku, či najmodernejšie multimodálne transformátory dosiahli dobré výsledky vďaka hlbokému pochopeniu oboch modalít alebo na základe nesprávnych dojmov.“

Ján Čegiň

Detekcia dezinformácií: Generovanie nepriateľských vzoriek pomocou ľudského faktora

„Detektory falošných správ majú za úlohu vyhodnotiť, či je daná informácia pravdivá alebo nepravdivá. Na zvýšenie odolnosti systému sa používajú nepriateľské vzorky, ktoré sú vytvorené pomocou klamlivých porúch vo vstupnom texte. Takéto vzorky sme zhromažďovali pomocou hry. Hráči mali za úlohu vytvoriť vzorky, ktoré by oklamali detektor falošných správ. Získali sme cenný pohľad na to, ako vznikajú takéto vzorky. Tieto informácie sú základom pre náš budúci výskum.“



Matej Čief

E-commerce: Offline vyhodnotenie štruktúrovaných odporúčaní

„Pracujem na offline vyhodnotení a optimalizácii odporúčacích systémov. V podstate sa snažím vytvoriť lepší spôsob vyhodnocovania nových algoritmov, aby sa nemuseli používať zákazníci ako pokusné králiky na A/B testovanie. Cieľom je zlepšiť celkovú kvalitu odporúčacích systémov a zabrániť nasadeniu zlých algoritmov s potenciálne škodlivými následkami, ako je napr. šírenie dezinformácií.

Túto tému som si vybral, lebo môj externý mentor je jedným z najväčších odborníkov v tejto oblasti. Moja téma spája v sebe všetko, čo mám rád – strojové učenie, učenie s posilňovaním a štatistiku. Je to aktuálna téma s potenciálne obrovským dosahom a perspektívnou kariérou. 

Moja práca má potenciálne využitie pri vývoji a trénovaní akéhokoľvek nového odporúčacieho systému. Predstavte si, že budete mať lepšie odporúčania filmov na Netflixe alebo vhodnejšie doporučené príspevky na Instagrame.“



Patrik Goldschmidt

Kybernetická bezpečnosť: Detektor kybernetických útokov na báze strojového učenia

„Môj výskum sa zameriava na odhaľovanie anomálií, ako sú kybernetické incidenty, v počítačových sieťach pomocou strojového učenia. Schopnosť odhaliť tieto udalosti na úrovni siete je kľúčová pre identifikáciu útokov v ich počiatočných štádiách, a tým pádom ochrániť kritickú infraštruktúru komerčných alebo vládnych entít. Keďže sa v oblasti počítačových sietí a kybernetickej bezpečnosti pohybujem už viac ako desať rokov, rozhodol som sa využiť svoje odborné znalosti vo výskume a dúfam, že jedného dňa pomôžem urobiť Internet bezpečnejším miestom.“



Martin Mocko 

Kybernetická bezpečnosť: Zachytiť viac malvéru pomocou hlbokého klastrovania

„Vo svojej práci študujem, ako môžu metódy hlbokého zhlukovania pomôcť zlepšiť zhlukovanie benígnych programov a programov so škodlivým softvérom.

Moja práca môže urýchliť detekciu nových, doteraz nikdy nevidených škodlivých programov. Tieto programy dokážu spôsobiť škody v rozsahu až miliónov dolárov, ak zostanú nepovšimnuté. Včasná detekcia je kľúčová, keďže v minulom roku bol zaznamenaný rekord v počte nových unikátnych vzoriek malvéru.

Túto výskumnú tému som si vybral, pretože mi dáva príležitosť pracovať na skutočných problémoch v spolupráci s naším partnerom v oblasti kybernetickej bezpečnosti, spoločnosťou ESET. Zároveň môžem využívať svoje schopnosti v oblasti strojového učenia a umelej inteligencie.“



Peter Pavlík

Životné prostredie: Predpovedanie pre zlepšenie údržby ciest pomocou hlbokého učenia

„Témou môjho výskumu je zimná údržba ciest s využitím inovatívnych prístupov prediktívneho modelovania a optimalizačných algoritmov so zameraním na metódy strojového učenia a umelej inteligencie. Spoločne s naším priemyselným partnerom, spoločnosťou Softec, sa snažíme urobiť zimné cesty bezpečnejšie a dochádzanie rýchlejšie.

Zároveň je cieľom znížiť dopad na životné prostredie a minimalizovať náklady na ľudskú prácu, materiály a údržbové služby. Zmierňovanie environmentálnych škôd bolo mojou najväčšou motiváciou pri výbere výskumnej témy, keďže ochrana životného prostredia bola pre mňa vždy veľmi dôležitá.“



Branislav Pecher

Detekcia dezinformácií: Stabilita strojového učenia s obmedzenými označenými údajmi

„V rámci doktorandského štúdia sa zaoberám uľahčením práce overovateľov faktov. V rámci medzinárodného výskumného projektu CEDMO pomáham automatizovať niektoré časti procesu overovania faktov s využitím strojového učenia.

Oblasť dezinformácií je charakteristická nedostatkom značiek, ktoré sú častokrát rozložené naprieč rôznymi jazykmi a úlohami, preto využívame prístupy strojového učenia s obmedzeným počtom značiek, ktoré dokážu dosiahnuť dobrú prenositeľnosť znalostí naprieč úlohami. Úspešnosť tohto prenosu a celkovú stabilitu výsledkov ovplyvňuje veľa faktorov. Preto skúmame jednotlivé faktory, ktoré ovplyvňujú stabilitu a úspešnosť prenosu, aby sme mohli lepšie kontrolovať ich účinky, čo následne pomôže pri vývoji úspešnejších a efektívnejších nástrojov strojového učenia na automatizáciu úloh potrebných na overovanie faktov.

Pracujem tak na aktuálnom a reálnom probléme, pričom vďaka výskumnému projektu rýchlo vidím výsledky svojej práce v praxi.“

Ďakujeme spoločnosti HubHub za priestor na natáčanie.

KInIT PhD štúdium je realizované v spolupráci s Fakultou informačních technologií VUT Brno.