Témakiírások
Kisméretű ipari adathalmazok feldolgozása gépi tanulással
témakiírás címe
Kisméretű ipari adathalmazok feldolgozása gépi tanulással
intézmény
doktori iskola
témakiíró
társtémakiíró
tudományág
témakiírás leírása
A piaci változások miatt egyre inkább előrétbe kerülnek a kis sorozatok gyártása. Ugyanakkor a szakképzet munkaerőhiány, ezeknek a vállalatoknak az eredményességét is veszélyeztetik. Erre nyújthat megoldást, hogy a gyártási folyamatot nem ember, hanem algoritmusok felügyelik. Ezekben az esetekben azonban nem áll rendelkezésre nagy elemszámú adatbázis, hanem a gyártás korai szakaszában gyűjtött kis mennyiségű adatokra támaszkodhatunk kizárólag.
A kutatás célja: A kutatás célja olyan gépi tanulási és mély tanulási technikák fejlesztése, amelyek képesek hatékonyan és megbízhatóan tanulni ezeken a kisméretű adatbázisokon (TinyML alapú), miközben biztosítják a modellek általános alkalmazhatóóságát és a döntések pontosságát. Kiemelt figyelmet kap a modellek kvantlása és optimalizálása, továbbá a transfer learning és meta-learning módszerek alkalmazása, mert ezek várhatóan növelik a kisméretű adatokból történő tanulási folyamatok hatékonyságot. Emellett a kutatás során vizsgáljuk az augmentációs folyamatot, melyet érdemes a ipari gyakorlathoz és a mérnöki elvárásokhoz igazítani. Fontos terület még a szintetikus adatok generálására, hiszen ez hatással van a modellekre, ugyanakkor az ipari környezet és adatok korlátozhatják az alkalmazhatóságát ezeknek a módszereknek.
Meglévő eszközök: különböző ipari gépek (pl. CNC eszterga, marógép, hegesztőrobot) és modell gyártósorok (Fischertechnik gyártósor, FESTO vegyipari folyamat modell), beágyazott eszközök és szenzorok.
Alkalmazandó technológiák: Transfer learning és meta-learning technikák alkalmazása.
A kutatás célja: A kutatás célja olyan gépi tanulási és mély tanulási technikák fejlesztése, amelyek képesek hatékonyan és megbízhatóan tanulni ezeken a kisméretű adatbázisokon (TinyML alapú), miközben biztosítják a modellek általános alkalmazhatóóságát és a döntések pontosságát. Kiemelt figyelmet kap a modellek kvantlása és optimalizálása, továbbá a transfer learning és meta-learning módszerek alkalmazása, mert ezek várhatóan növelik a kisméretű adatokból történő tanulási folyamatok hatékonyságot. Emellett a kutatás során vizsgáljuk az augmentációs folyamatot, melyet érdemes a ipari gyakorlathoz és a mérnöki elvárásokhoz igazítani. Fontos terület még a szintetikus adatok generálására, hiszen ez hatással van a modellekre, ugyanakkor az ipari környezet és adatok korlátozhatják az alkalmazhatóságát ezeknek a módszereknek.
Meglévő eszközök: különböző ipari gépek (pl. CNC eszterga, marógép, hegesztőrobot) és modell gyártósorok (Fischertechnik gyártósor, FESTO vegyipari folyamat modell), beágyazott eszközök és szenzorok.
Alkalmazandó technológiák: Transfer learning és meta-learning technikák alkalmazása.
felvehető hallgatók száma
2 fő
helyszín
angol
jelentkezési határidő
2026-05-31