Thesis topics
Adatvezérelt kockázati intelligencia survey statisztikai, mesterséges intelligencia és hálózatelemzési módszerekkel
title
Adatvezérelt kockázati intelligencia survey statisztikai, mesterséges intelligencia és hálózatelemzési módszerekkel
institution
doctoral_school
supervisor
co-supervisor
discipline
description
A folyamatipari, gazdasági és társadalmi környezetekben a rendszerek megnövekedett komplexitásának köszönhetően a megbízhatóság- és kockázatmenedzsment hagyományos módszerei önmagukban egyre kevésbé elegendők.
A digitalizált folyamatok valamint kérdőíves humán- és szervezeti felmérések révén új, többdimenziós adatforrások érhetők el. Ezek integrálása adatvezérelt kockázati intelligenciává („Risk Intelligence”) lehetővé teszi a kockázatok dinamikus, prediktív és magyarázható kezelését.
A kutatási program célja olyan adatalapú módszerek és modellek fejlesztése, amelyek képesek: (1) felismerni és korán prediktálni a kockázatértékeléshez szükséges nem kívánt események előfordulását és ezek valószínűségét, (2) előre becsülni a nem kívánt események következményeinek hatását, feltárva a háttérben meghúzódó ok-okozati összefüggéseket, (3) dinamikusan értékelni a kockázatokat és azok szubjektív megítélését, 4) és mindezek alapján azonosítani a legfontosabb beavatkozási pontokat, modellezni azok hatását.
A jelentkező feladata olyan gépi tanulási algoritmusok, túlélési modellek, és surveystatisztikai módszerek fejlesztése, amelyek alkalmasak a termelőrendszerek és üzleti folyamatok kockázatainak azonosítására és előrejelzésére.
A kutatás során vizsgálni kell, hogy az adattudomány, a mesterséges intelligencia, a gépi tanulás és a hálózattudomány módszerei miként alkalmazhatók a kockázati tényezők feltárására, az ezek közötti összefüggések jellemzésére, és a beavatkozási lehetőségek azonosítására.
A kutatásnak ki kell terjednie arra is, hogyan lehet a különféle forrásból származó információkat (pl. gépi adatok, teljesítménymutatók, kvalitatív megfigyelések, szakértői vélemények) integrálni a modellekbe. Ennek célja olyan hibrid megközelítések kidolgozása, amelyek a kvantitatív és kvalitatív adatok együttes figyelembevételével pontosabb következtetéseket tesznek lehetővé a rendszer működésére, a zavarok okaira, valamint a hibák hatékony elhárítására vonatkozóan.
A kutató munka az alábbi elméleti háttér célirányos fejlesztésére és alkalmazására kell, hogy fókuszáljon:
• gépi tanulási algoritmusok és túlélési modellek alkalmazása,
• hálózattudományi módszerek használata a változók közötti kapcsolatok modellezésére,
• folyamatbányászati algoritmusok a hatások egymásra épülésének pontosabb megismerésére,
• ok-okozati modellek fejlesztése.
A digitalizált folyamatok valamint kérdőíves humán- és szervezeti felmérések révén új, többdimenziós adatforrások érhetők el. Ezek integrálása adatvezérelt kockázati intelligenciává („Risk Intelligence”) lehetővé teszi a kockázatok dinamikus, prediktív és magyarázható kezelését.
A kutatási program célja olyan adatalapú módszerek és modellek fejlesztése, amelyek képesek: (1) felismerni és korán prediktálni a kockázatértékeléshez szükséges nem kívánt események előfordulását és ezek valószínűségét, (2) előre becsülni a nem kívánt események következményeinek hatását, feltárva a háttérben meghúzódó ok-okozati összefüggéseket, (3) dinamikusan értékelni a kockázatokat és azok szubjektív megítélését, 4) és mindezek alapján azonosítani a legfontosabb beavatkozási pontokat, modellezni azok hatását.
A jelentkező feladata olyan gépi tanulási algoritmusok, túlélési modellek, és surveystatisztikai módszerek fejlesztése, amelyek alkalmasak a termelőrendszerek és üzleti folyamatok kockázatainak azonosítására és előrejelzésére.
A kutatás során vizsgálni kell, hogy az adattudomány, a mesterséges intelligencia, a gépi tanulás és a hálózattudomány módszerei miként alkalmazhatók a kockázati tényezők feltárására, az ezek közötti összefüggések jellemzésére, és a beavatkozási lehetőségek azonosítására.
A kutatásnak ki kell terjednie arra is, hogyan lehet a különféle forrásból származó információkat (pl. gépi adatok, teljesítménymutatók, kvalitatív megfigyelések, szakértői vélemények) integrálni a modellekbe. Ennek célja olyan hibrid megközelítések kidolgozása, amelyek a kvantitatív és kvalitatív adatok együttes figyelembevételével pontosabb következtetéseket tesznek lehetővé a rendszer működésére, a zavarok okaira, valamint a hibák hatékony elhárítására vonatkozóan.
A kutató munka az alábbi elméleti háttér célirányos fejlesztésére és alkalmazására kell, hogy fókuszáljon:
• gépi tanulási algoritmusok és túlélési modellek alkalmazása,
• hálózattudományi módszerek használata a változók közötti kapcsolatok modellezésére,
• folyamatbányászati algoritmusok a hatások egymásra épülésének pontosabb megismerésére,
• ok-okozati modellek fejlesztése.
student count limit
1
location
University of Pannonia
deadline
2025-08-31