témavezető: Süle Zoltán
társ-témavezető: Ruppert Tamás
helyszín (magyar oldal): Pannon Egyetem, MIK, Rendszer- és Számítástudományi Tanszék, MK, Rendszermérnöki Intézeti Tanszék helyszín rövidítés: PE
A kutatási téma leírása:
A kutatás célkitűzése olyan kockázati intelligencia alapú prediktív modellek fejlesztése, amelyek korai beavatkozási stratégiákat biztosítanak a bizonytalansággal ellátott rendszerek esetén.
A tervezett kutatási program célkitűzése az adatvezérelt mesterséges intelligencia és gépi tanulási algoritmusok segítségével a rendszerek és folyamatok kockázatainak azonosítása és előrejelzése. Megvizsgáljuk és új módszereket adunk arra a kutatás során, hogy az adattudomány, a mesterséges intelligencia, a gépi tanulás és a hálózattudomány miként alkalmazható a kockázati tényezők feltárására, jellemzésére, az összefüggések azonosítására, a releváns információk alapján történő tanulásra és cselekvésre. A kutatómunka során nem csak a gépi tanulási modellek pontosságára, hanem a modellek által segített döntések helyességére is fókuszálunk. A kockázati intelligencia alapú előrejelző rendszerek által kinyert információkat forgatókönyv-elemzésekben, optimalizálásban, és sokcélú döntéshozatalban alkalmazzuk.
A kockázati intelligencia megoldások kidolgozásakor a kutatómunka legfontosabb lépései az alábbiak:
(1) A tanulható kockázatok felismerése: rejtett összefüggések feltárása, mérhető és azonosítható függőségek azonosítása. (2) A kockázatok sorrendbe állítása egy tanulási folyamat alapján: kimenetek előrejelzése és korai figyelmeztetések generálása, valamint a gépi tanulási feladatok ütemezése és finomhangolása a kapcsolódó kockázatok figyelembevételével. (3) Akciók és döntések optimalizálása: Szimulációk végrehajtása különféle forgatókönyvekre és alternatív kimenetekre; „mi lenne, ha” elemzések végrehajtása, valamint a kockázatok elosztása a kockázati hálózatokban.
A kutató munka az alábbi elméleti háttér célirányos fejlesztésére és alkalmazására kell, hogy fókuszáljon:
• gépi tanulási algoritmusok (neurális hálózatok, mélytanulás, eseményelemzés);
• túlélés-elemzés alapú megoldások, paraméteres modellek;
• optimalizációs eljárások (vegyes egész lineáris és nem lineáris optimalizációs megoldások);
• mesterséges intelligencia elemei;
• folyamatbányászati algoritmusok;
• folyamatszimulációs eszközök;
• folyamatinformatika megoldásai (kapcsolódó szabványok, ontológiák).
A kutatási téma előzményei az alábbi közleményekben találhatóak
[1] Süle Z, Baumgartner J, Dörgő G, Abonyi J.: P-graph-based multi-objective risk analysis and redundancy allocation in safety-critical energy systems, Energy, 179, 989-1003. (2019)
[2] Bakon K., Holczinger T., Süle Z., Jaskó Sz., Abonyi J.: Scheduling under uncertainty for Industry 4.0 and 5.0, IEEE Access, 10, 74977-75017. (2022)
[3] Czvetkó T., Kummer A., Ruppert T., Abonyi J.: Data-driven business process management-based development of Industry 4.0 solutions. CIRP journal of manufacturing science and technology, 36, 117-132. (2022)
[4] Grimstad J., Ruppert T., Abonyi J., Morozov A.: Preventive Risk-based Maintenance Scheduling using Discrete-Time Markov Chain Models, Proc. of the 33rd European Safety and Reliability Conference (ESREL 2023), doi: 10.3850/978-981-18-8071-1_P367-cd (2023)
További eredményeink: A Pannon Egyetem kapcsolódó K+F projektjei, a Rendszer- és Számítástudományi Tanszék, valamint a Rendszermérnöki Intézeti Tanszék kapcsolódó kutatásai, és az MTA-PE Komplex rendszerek Figyelemmel Kísérése kutatócsoport eddigi eredményei, melyek elérhetők a http://www.abonyilab.com oldalon.
Bejelentkezés
