Radosław Klimek

Narzędzia użytkownika

Narzędzia witryny

ideas

Różnice

Różnice między wybraną wersją a wersją aktualną.

Odnośnik do tego porównania

Poprzednia rewizja po obu stronachPoprzednia wersja
Nowa wersja		Poprzednia wersja
ideas [2025/12/01 19:56] – adminideas [2025/12/02 12:18] (aktualna) – admin
Linia 1: Linia 1:
-====== Obszary zainteresowań, inspiracje i projekty ======+====== Obszary zainteresowań - inspiracje i projekty ====== 
 + 
 +<color red>Strona w trakcie przygotowywania - przepraszamy za niedogodności</color> 
  
 Uporządkowana struktura głównych obszarów tematycznych będących przedmiotem naszych badań oraz szczegółowe charakterystyki projektów – wraz z ich listą – obejmują kontekst, cele, zakres techniczny i zastosowania. Strona pełni funkcję informacyjną oraz orientacyjną, prezentując zarówno kierunki naszych prac, jak i aktualnie rozwijane inicjatywy badawcze i projektowe. Uporządkowana struktura głównych obszarów tematycznych będących przedmiotem naszych badań oraz szczegółowe charakterystyki projektów – wraz z ich listą – obejmują kontekst, cele, zakres techniczny i zastosowania. Strona pełni funkcję informacyjną oraz orientacyjną, prezentując zarówno kierunki naszych prac, jak i aktualnie rozwijane inicjatywy badawcze i projektowe.
Linia 91: Linia 94:
  
 Efektem jest implementacja architektury RAG oraz ewaluacja wskaźników Faithfulness (wierność źródłu) i Answer Relevance (trafność odpowiedzi). Efektem jest implementacja architektury RAG oraz ewaluacja wskaźników Faithfulness (wierność źródłu) i Answer Relevance (trafność odpowiedzi).
 +
 +**Materiały**:  
 +  * [[https://dl.acm.org/doi/10.1145/3703155|A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions]] 
  
 ===== ▶ Etyka i Bezpieczeństwo: Implementacja Warstw Ochronnych (Guardrails) dla LLM ===== ===== ▶ Etyka i Bezpieczeństwo: Implementacja Warstw Ochronnych (Guardrails) dla LLM =====
Linia 107: Linia 113:
  
 Oczekiwany rezultat to gotowy moduł Guardrails, który jest testowany pod kątem odporności na ataki i skuteczności w zapobieganiu niepożądanym treściom. Oczekiwany rezultat to gotowy moduł Guardrails, który jest testowany pod kątem odporności na ataki i skuteczności w zapobieganiu niepożądanym treściom.
 +
 +**Materiały**:  
 +  * [[https://www.sciencedirect.com/science/article/pii/S266729522400014X|A survey on large language model (LLM) security and privacy: The Good, The Bad, and The Ugly]]
  
 ---- ----
Linia 143: Linia 152:
 **Przykładowe tematy projektowe:** **Przykładowe tematy projektowe:**
  
-===== ▶ Inteligentny Kampus – Agenci LLM zarządzający środowiskiem IoT =====+**Materiały**:   
 +  * [[https://www.scribd.com/document/351296074/Libelium-White-Paper-50-IoT-Real-Case-Studies|Libelium White Paper - 50 IoT Real Case Studies]]
  
-**Opis projektu:**   
-Celem jest stworzenie symulowanego (lub częściowo rzeczywistego) inteligentnego kampusu, w którym wiele agentów (czujniki, pomieszczenia, użytkownicy, usługi) współpracuje, podejmując decyzje na podstawie danych IoT oraz opisów kontekstowych interpretowanych przez LLM.   
-Projekt zakłada porównanie dwóch wersji systemu: klasycznego MAS oraz MAS z agentami sterowanymi GenAI. 
- 
-**Zakres:**   
-  * agenci reprezentują sale, czujniki, użytkowników i harmonogram,   
-  * LLM interpretuje opisy sytuacji („sala przepełniona”, „upłynęła rezerwacja”),   
-  * agenci prowadzą negocjacje dot. zasobów (sale, energia, wentylacja),   
-  * system reaguje proaktywnie (np. reorganizacja przy dużym obciążeniu). 
- 
-**Hipoteza badawcza:**   
-MAS+LLM będzie lepiej rozumieć kontekst i podejmować decyzje bardziej adekwatne semantycznie niż bazowy MAS. 
- 
-**Przykładowe metryki:**   
-  * liczba poprawnych interpretacji kontekstu,   
-  * czas reakcji,   
-  * liczba iteracji negocjacji między agentami,   
-  * skuteczność proaktywnego działania. 
  
 ===== ▶ Smart Logistics MAS – wieloagentowe zarządzanie flotą z LLM-plannerem ===== ===== ▶ Smart Logistics MAS – wieloagentowe zarządzanie flotą z LLM-plannerem =====
Linia 204: Linia 196:
   * czas reakcji,     * czas reakcji,  
   * czytelność wyjaśnień (ocena 1–5).   * czytelność wyjaśnień (ocena 1–5).
 +
 +===== ▶ Animal Farm MAS – Agentowy System Opieki nad Zwierzętami i Optymalizacji Produkcji z LLM-Doradcą =====
 +
 +<color #888888>Słowa kluczowe: Smart Animal Farming, Offspring Care, Animal Tracking, Toxic Gas Levels, Hydroponics, LLM Condition Monitoring, Predictive Health</color>
 +
 +Opis projektu: Celem jest stworzenie agentowego systemu do kompleksowej opieki nad zwierzętami hodowlanymi i roślinami (w przypadku hydroponiki) w celu maksymalizacji ich zdrowia i wydajności. Agenci reprezentują czujniki monitorujące nowo narodzone potomstwo (Offspring Care), czujniki gazów toksycznych (związanych z wydzielinami zwierząt), urządzenia śledzące zwierzęta (Animal Tracking) oraz systemy kontroli hydroponiki.
 +
 +Wersja klasyczna alarmuje przy chorobie. Wersja MAS+LLM działa jako Doradca Weterynaryjny i Produkcyjny, interpretując złożony kontekst w celu proaktywnego zapobiegania problemom i optymalizacji.
 +
 +Zakres:
 +    * Symulacja danych: wahania warunków w budynkach inwentarskich (wentylacja, gazy), dane o lokalizacji zwierząt (pastwiska, stajnie) i warunki hydroponiczne.
 +
 +    * LLM interpretuje wzorce: „Pojedynczy wzrost amoniaku w sektorze A jest alarmujący, ale brak oznak chorobowych u potomstwa sugeruje problem z wentylacją, a nie epidemię”.
 +
 +    * LLM generuje spersonalizowane plany opieki i hodowli (np. zmiana diety, optymalizacja mikroklimatu dla konkretnej grupy zwierząt).
 +
 +    * Porównanie wpływu interwencji LLM na zdrowie stada i efektywność upraw.
 +
 +Hipoteza badawcza: MAS z LLM-Doradcą redukuje śmiertelność (szczególnie wśród potomstwa) i poprawia wydajność produkcji (zarówno zwierzęcej, jak i hydroponicznej) poprzez proaktywne i kontekstowe interwencje.
 +
 +Metryki:
 +
 +    * Wskaźnik śmiertelności/zachorowalności w grupie eksperymentalnej.
 + 
 +    * Procent zoptymalizowanej produkcji (np. większa efektywność upraw hydroponicznych).
 +
 +    * Trafność i szybkość diagnostyki proaktywnej (wykrycie problemu przed wystąpieniem objawów klinicznych).
  
 ---- ----
Linia 252: Linia 271:
  
  
-**Więcej informacji:** \\ +**Materiały własne:** \\ 
-[[https://www.sciencedirect.com/science/article/abs/pii/S0020025523013579?via%3Dihub|artykuł w *Information Sciences*]] \\ +[[https://www.sciencedirect.com/science/article/abs/pii/S0020025523013579?via%3Dihub|Artykuł w *Information Sciences* (Ambient-aware continuous aid for mountain rescue activities)]] \\ 
-[[https://www.google.com/search?q=Radoslaw+Klimek+góry|Informacje medialne]] \\+[[https://www.google.com/search?q=Radoslaw+Klimek+góry|Informacje medialne]]
  
  
Linia 268: Linia 287:
  
 Projekt integruje **przetwarzanie kontekstu**, **systemy wieloagentowe**, **modelowanie środowiskowe** i **negocjacje strategiczne**, tworząc nowoczesną platformę badawczą dla inteligentnych systemów ochrony przeciwpożarowej. Projekt integruje **przetwarzanie kontekstu**, **systemy wieloagentowe**, **modelowanie środowiskowe** i **negocjacje strategiczne**, tworząc nowoczesną platformę badawczą dla inteligentnych systemów ochrony przeciwpożarowej.
 +
 +**Materiały własne**:\\
 +  * [[https://aisel.aisnet.org/isd2014/proceedings2024/modelling/6/|Artykuł na konferencji ISD 2024 (System For Monitoring Forests with Context-Aware Capabilities)]] 
  
 ===== ▶ Inteligentne interwencje policyjne (smart gun) ===== ===== ▶ Inteligentne interwencje policyjne (smart gun) =====
Linia 278: Linia 300:
  
 Całość jest testowana w **symulatorze miejskiego środowiska**, który odtwarza układ ulic, podział na dzielnice o różnym poziomie bezpieczeństwa, generuje interwencje oraz incydenty z użyciem broni. Symulacja pozwala analizować obciążenie patroli, dynamikę zdarzeń, czasy reakcji oraz jakość decyzji alokacyjnych. Wyniki potwierdzają możliwość zastosowania proponowanego podejścia w inteligentnych środowiskach miejskich, w których **kontekst, dane przestrzenno-czasowe i architektura wieloagentowa** wspólnie wspierają automatyzację i orkiestrację decyzji w systemach bezpieczeństwa publicznego. Całość jest testowana w **symulatorze miejskiego środowiska**, który odtwarza układ ulic, podział na dzielnice o różnym poziomie bezpieczeństwa, generuje interwencje oraz incydenty z użyciem broni. Symulacja pozwala analizować obciążenie patroli, dynamikę zdarzeń, czasy reakcji oraz jakość decyzji alokacyjnych. Wyniki potwierdzają możliwość zastosowania proponowanego podejścia w inteligentnych środowiskach miejskich, w których **kontekst, dane przestrzenno-czasowe i architektura wieloagentowa** wspólnie wspierają automatyzację i orkiestrację decyzji w systemach bezpieczeństwa publicznego.
 +
 +**Materiały własne**: \\ 
 +  * [[https://aisel.aisnet.org/isd2014/proceedings2022/managingdevops/5/|Artykuł na konferencji ISD 2022  (Police Interventions as a Context-aware System. A Case of a Contextual Data Modelling)]] 
  
 ===== ▶ Inteligentny asystent turysty ===== ===== ▶ Inteligentny asystent turysty =====
Linia 300: Linia 325:
 interfejsu mapowego (Leaflet / OpenStreetMap) i integracji z usługami transportu publicznego. interfejsu mapowego (Leaflet / OpenStreetMap) i integracji z usługami transportu publicznego.
  
-**Materiały**:   +**Materiały własne**:   
-  * [[https://aisel.aisnet.org/pacis2025/transform/transform/1/|artykuł na konferencji PACIS 2025]]  +  * [[https://aisel.aisnet.org/pacis2025/transform/transform/1/|Artykuł na konferencji PACIS 2025 (Context-aware Intelligent Tourist Assistant)]]  
  
 ===== ▶ Syntetyczne trajektorie mobilności turystów w miastach ===== ===== ▶ Syntetyczne trajektorie mobilności turystów w miastach =====
Linia 312: Linia 337:
  
 Projekt wspiera rozwój **inteligentnych środowisk miejskich**, dostarczając syntetycznych danych mobilności nieosiągalnych w tradycyjny sposób. Umożliwia testowanie systemów smart-city, budowę modeli predykcyjnych, badanie przepływów turystycznych oraz symulowanie sytuacji nietypowych lub kryzysowych. Projekt wspiera rozwój **inteligentnych środowisk miejskich**, dostarczając syntetycznych danych mobilności nieosiągalnych w tradycyjny sposób. Umożliwia testowanie systemów smart-city, budowę modeli predykcyjnych, badanie przepływów turystycznych oraz symulowanie sytuacji nietypowych lub kryzysowych.
 +
 +**Materiały własne**: \\ 
 +  * [[https://link.springer.com/chapter/10.1007/978-3-030-77970-2_47|Artykuł na konferencji ICCS 2021 (Profile-Driven Synthetic Trajectories Generation to Enhance Smart System Solutions)]]  
 +
 +----
 +**Obszar tematyczny**
 +====== ▶ Workflow Mining / Process Mining ======
 +
 +<color #888888>**Słowa kluczowe**:  
 +Process Mining, Workflow Discovery, Event Logs, Process Optimization, Data-Driven Analysis, Temporal Logic, Automated Reasoning, Explainability, LLM Support</color>
 +
 +
 +<color #888888>Workflow Mining (Process Mining) to dziedzina, która analizuje **rzeczywiste zachowanie systemów i użytkowników** na podstawie danych rejestrowanych w event logach. To podejście wyjątkowe, bo zamiast opierać się na deklaracjach, dokumentach czy intuicji — wykorzystuje fakty: kto, kiedy, gdzie i jak wykonał określoną czynność. Takie logi są dzisiaj generowane przez niemal wszystko: systemy ERP, aplikacje mobilne, urządzenia IoT, systemy przemysłowe, platformy usługowe i procesy administracyjne. To sprawia, że event logi są jednym z **najbogatszych i najbardziej wiarygodnych źródeł informacji** o działaniu współczesnych organizacji i systemów.</color>
 +
 +
 +<color #888888>Dzięki algorytmom odkrywania procesów możliwe jest automatyczne tworzenie modeli workflow, które pokazują faktyczny przebieg pracy: sekwencje działań, rozgałęzienia, współbieżność, powtórzenia, wyjątki i nietypowe przypadki. Tak powstałe modele służą do:</color>
 +
 +  * //analizowania efektywności i identyfikowania wąskich gardeł,//  
 +  * //znajdowania niezgodności z procedurami (compliance checking),//  
 +  * //optymalizacji i automatyzacji procesów,//  
 +  * //monitorowania poprawności systemów software'owych,//  
 +  * //analiz predykcyjnych i detekcji anomalii.//  
 +
 +
 +<color #888888>Process Mining ma kluczowe znaczenie w **przemyśle, administracji, finansach, ochronie zdrowia, logistyce i produkcji** — wszędzie tam, gdzie złożone procesy generują duże ilości danych operacyjnych.</color>
 +
 +
 +<color #888888>Coraz częściej łączy się też Process Mining z metodami **formalnej weryfikacji** oraz nowoczesnymi technikami wyjaśnialności (np. Shapley values), aby zrozumieć, które elementy procesu wpływają na poprawność, bezpieczeństwo lub zgodność z regułami. Dodatkowym kierunkiem rozwoju jest wspomaganie analizy przez **LLM**, które potrafią interpretować struktury workflow, podpowiadać wzorce optymalizacyjne i generować opisy procesów w języku naturalnym.</color>
 +
 +
 +<color #888888>To obszar szybko rosnący, bardzo praktyczny, a jednocześnie badawczo nowatorski — idealny do budowy narzędzi, eksperymentów, prac dyplomowych i projektów wykorzystujących dane o realnym działaniu systemów.</color>
 +
 +----
 +
 +**Przykładowe tematy projektowe:**
 +
 +===== ▶ Automatyczne wydobywanie logiki z event logów =====
 +
 +**Słowa kluczowe**:  
 +Process Mining, Workflow Discovery, Event Logs, Temporal Logic, Automated Reasoning, Formal Methods, LLM-supported Analysis
 +
 +
 +Event logi to jedno z najbogatszych i najbardziej wiarygodnych źródeł wiedzy o tym, jak naprawdę działają systemy. Zawierają szczegółowe zapisy zdarzeń wykonywanych przez użytkowników, usługi, aplikacje, urządzenia IoT i systemy biznesowe. Dzięki temu pozwalają odkrywać procesy nie na podstawie dokumentów czy założeń, ale na podstawie faktycznego działania.
 +
 +W projekcie opracowujemy podejście łączące techniki Process Mining z logiką temporalną i automatycznym wnioskowaniem. Celem jest wydobywanie z event logów formalnych reguł opisujących zachowanie procesów: zależności czasowych, kolejności działań, sytuacji wyjątkowych oraz wzorców przepływu pracy. Takie reguły mogą następnie służyć do analizy poprawności, optymalizacji oraz wykrywania niezgodności w procesach.
 +
 +Tworzone rozwiązanie wykorzystuje:
 +  * algorytmy odkrywania procesów (np. Inductive Miner),  
 +  * identyfikację typowych wzorców zachowań (sekwencje, rozgałęzienia, współbieżność, pętle),  
 +  * generowanie formuł logiki temporalnej opisujących te zależności,  
 +  * automatyczną weryfikację reguł z wykorzystaniem theorem provers,  
 +  * możliwość interpretacji i podpowiedzi wspieranych przez LLM.
 +
 +Takie podejście pozwala przejść od surowych danych operacyjnych do formalnych specyfikacji procesu, które mogą być wykorzystane w optymalizacji, audycie, analizie wydajności oraz monitorowaniu zgodności.
 +
 +Projekt jest atrakcyjny dla osób zainteresowanych analizą danych, logiką, formalną weryfikacją, automatyzacją oraz praktycznym zastosowaniem Process Mining w biznesie i systemach informatycznych.
 +
 +**Materiały własne:**
 +[[https://dl.acm.org/doi/10.1145/3695750.3695822|Artykuł na konferencji ASE 2024 (Automatic Generation of Logical Specifications for Behavioural Models)]]
 +
 +===== ▶ Wyjaśnialna weryfikacja workflow z wykorzystaniem Shapley Values =====
 +
 +**Słowa kluczowe**:  
 +Process Mining, Workflow Analysis, Temporal Logic, Shapley Values, Explainability, Automated Reasoning, Formal Verification
 +
 +
 +Współczesne systemy generują ogromne ilości event logów, na podstawie których można automatycznie odkrywać złożone, hierarchiczne modele workflow. Problem pojawia się wtedy, gdy takie modele rosną do setek lub tysięcy elementów — trudno zrozumieć, *dlaczego* dany proces spełnia (lub narusza) właściwości logiczne, które elementy są kluczowe dla poprawności, a które nie mają żadnego wpływu lub wręcz są szkodliwe.
 +
 +Projekt rozwija narzędzie łączące Process Mining, logikę temporalną oraz Shapley Values z teorii gier kooperacyjnych, aby tworzyć **wyjaśnialne analizy workflow**. Model procesu odkryty z event logów (np. metodą Inductive Miner) tłumaczony jest automatycznie na zestaw formuł logiki temporalnej. Te specyfikacje poddawane są weryfikacji z wykorzystaniem theorem proverów (np. Vampire, E), aby ocenić takie własności jak:  
 +  * spójność (satisfiability),  
 +  * możliwość postępu (liveness),  
 +  * bezpieczeństwo (safety).  
 +
 +Następnie, dzięki Shapley Values, projekt umożliwia określenie, które elementy workflow:  
 +  * są **krytyczne** — bez nich proces traci poprawność,  
 +  * są **neutralne**,  
 +  * są **zbędne lub szkodliwe**, obniżając jakość lub bezpieczeństwo modelu.
 +
 +Ta forma wyjaśnialności pozwala zobaczyć, *dlaczego* model zachowuje się tak, jak pokazują wyniki weryfikacji — zamiast jedynie otrzymać odpowiedź „spełnia/nie spełnia” bez kontekstu.  
 +To szczególnie cenne w audytach, compliance, optymalizacji procesów oraz diagnozowaniu dużych workflow pochodzących z przemysłu i administracji.
 +
 +Projekt ma również wymiar eksperymentalny — analizowane są różne metody przybliżania Shapley Values (Monte Carlo vs. Random Subset Sampling), ich stabilność, koszt obliczeniowy i interpretowalność. To otwiera drogę do tworzenia narzędzi developerskich wspierających praktyków process mining.
 +
  
 ---- ----
Linia 359: Linia 467:
 Projekt jest atrakcyjny dla osób zainteresowanych połączeniem **AI, modelowania UML, praktycznej inżynierii oprogramowania** oraz nowoczesnych narzędzi wspierających projektantów systemów. Projekt jest atrakcyjny dla osób zainteresowanych połączeniem **AI, modelowania UML, praktycznej inżynierii oprogramowania** oraz nowoczesnych narzędzi wspierających projektantów systemów.
  
-**Publikacja:**   +**Materiały własne:**  \\ 
-[[https://doi.org/10.1145/3696630.3730562|artykuł na konferencji FSE 2025]]+[[https://doi.org/10.1145/3696630.3730562|Artykuł na konferencji FSE 2025 (RE-oriented Model Development with LLM Support and Deduction-based Verification)]]
  
  
Linia 382: Linia 490:
 Takie połączenie klasycznego modelowania z inteligentnym wsparciem tworzy podstawy **inteligentnego IDE**, które pomaga w projektowaniu systemów lepiej, szybciej i bardziej świadomie. Projekt jest atrakcyjny dla osób zainteresowanych logiką, AI, modelowaniem zachowań systemów oraz praktycznym wykorzystaniem narzędzi programistycznych wspomaganych przez sztuczną inteligencję. Takie połączenie klasycznego modelowania z inteligentnym wsparciem tworzy podstawy **inteligentnego IDE**, które pomaga w projektowaniu systemów lepiej, szybciej i bardziej świadomie. Projekt jest atrakcyjny dla osób zainteresowanych logiką, AI, modelowaniem zachowań systemów oraz praktycznym wykorzystaniem narzędzi programistycznych wspomaganych przez sztuczną inteligencję.
  
-**Publikacja:**   +**Materiały własne:**  \\ 
-[[https://dl.acm.org/doi/10.1145/3691621.3694936|Artykuł na konferencji ASE 2024]]+[[https://dl.acm.org/doi/10.1145/3691621.3694936|Artykuł na konferencji ASE 2024 (Logical square-driven and state-oriented generation of behavioural models)]]
  
  
Linia 409: Linia 517:
 Projekt daje możliwość pracy z logiką, generowaniem danych, tworzeniem narzędzi developerskich oraz analizą eksperymentalną. Powstaje praktyczne środowisko benchmarkowe, które można wykorzystywać w badaniach, projektach inżynierskich oraz testowaniu rozwiązań formalnych. Projekt daje możliwość pracy z logiką, generowaniem danych, tworzeniem narzędzi developerskich oraz analizą eksperymentalną. Powstaje praktyczne środowisko benchmarkowe, które można wykorzystywać w badaniach, projektach inżynierskich oraz testowaniu rozwiązań formalnych.
  
-**Publikacja:**   +**Materiały własne:**  \\ 
-[[https://dl.acm.org/doi/10.1145/3756681.3757028|artykuł na konferencji EASE 2025]]+* [[https://arxiv.org/abs/2505.17979|Artykuł na konferencji EASE 2025 (Re-evaluation of Logical Specification in Behavioural Verification)]]
  
 +
 +===== ▶ Ocena możliwości modeli LLM w automatycznym wspieraniu aktywności cyklu życia oprogramowania =====
 +
 +Projekt koncentruje się na opracowaniu i eksperymentalnym zbadaniu możliwości dużych modeli językowych (LLM) w automatycznym wspieraniu poszczególnych aktywności cyklu życia oprogramowania (Software Development Life Cycle). Celem jest zrozumienie, w jakim zakresie nowoczesne modele – takie jak GPT-4.1, Claude 3.5 Sonnet czy Llama 3.1 – mogą realnie wspomagać inżynierów w zadaniach analitycznych, projektowych, implementacyjnych i testowych.
 +
 +Ideą projektu jest stworzenie wieloaspektowego benchmarku obejmującego zadania reprezentujące kluczowe obszary SDLC oraz porównanie jakości odpowiedzi różnych modeli. Pozwoli to ocenić ich przydatność, ograniczenia oraz potencjalne ryzyka związane z wykorzystaniem w procesach inżynierii oprogramowania.
 +
 +Możliwe kierunki realizacji obejmują:
 +
 +* Analiza wymagań – wykrywanie niejednoznaczności, doprecyzowanie funkcjonalności, generowanie user stories i kryteriów akceptacji.
 +
 +* Modelowanie i architektura – tworzenie opisów architektury, dekompozycja modułów, analiza API i rekomendacje wzorców projektowych.
 +
 +* Generowanie i refaktoring kodu – implementacja funkcji na podstawie opisu, poprawa jakości kodu, wykrywanie błędów oraz uzasadnianie zmian.
 +
 +* Projektowanie testów – tworzenie przypadków testowych (w tym brzegowych), generowanie testów jednostkowych i analiza zgłoszonych błędów.
 +
 +* Wsparcie DevOps / CI-CD – analiza konfiguracji pipeline, wykrywanie problemów w YAML, dobre praktyki bezpieczeństwa i interpretacja logów.
 +
 +* Metodyka oceny jakości – opracowanie jednolitego systemu scoringu (0–3), zastosowanie testów automatycznych do kodu oraz ewaluacja odpowiedzi za pomocą LLM-sędziego.
 +
 +Projekt pozwala zrozumieć, które obszary cyklu życia są najbardziej podatne na automatyzację z wykorzystaniem AI, a gdzie modele językowe wykazują istotne ograniczenia. Może obejmować implementację benchmarku SDLC-LLM, porównanie modeli, analizę błędów oraz propozycje rekomendacji i dobrych praktyk wykorzystania LLM w projektach informatycznych.
  
 ===== ▶ Automatyczne wspomaganie decyzji architektonicznych z wykorzystaniem LLM ===== ===== ▶ Automatyczne wspomaganie decyzji architektonicznych z wykorzystaniem LLM =====
Linia 451: Linia 581:
  
 Efektem końcowym jest prototyp systemu półautomatycznej samooptymalizacji i samonaprawy smart kontraktów, oceniony pod kątem trafności poprawek, redukcji podatności oraz ograniczeń tego podejścia. Projekt dostarcza także wniosków na temat przyszłości LLM w analizie i bezpieczeństwie kodu blockchain. Efektem końcowym jest prototyp systemu półautomatycznej samooptymalizacji i samonaprawy smart kontraktów, oceniony pod kątem trafności poprawek, redukcji podatności oraz ograniczeń tego podejścia. Projekt dostarcza także wniosków na temat przyszłości LLM w analizie i bezpieczeństwie kodu blockchain.
- 
- 
----- 
-**Obszar tematyczny** 
-====== ▶ Workflow Mining / Process Mining ====== 
- 
-<color #888888>**Słowa kluczowe**:   
-Process Mining, Workflow Discovery, Event Logs, Process Optimization, Data-Driven Analysis, Temporal Logic, Automated Reasoning, Explainability, LLM Support</color> 
- 
- 
-<color #888888>Workflow Mining (Process Mining) to dziedzina, która analizuje **rzeczywiste zachowanie systemów i użytkowników** na podstawie danych rejestrowanych w event logach. To podejście wyjątkowe, bo zamiast opierać się na deklaracjach, dokumentach czy intuicji — wykorzystuje fakty: kto, kiedy, gdzie i jak wykonał określoną czynność. Takie logi są dzisiaj generowane przez niemal wszystko: systemy ERP, aplikacje mobilne, urządzenia IoT, systemy przemysłowe, platformy usługowe i procesy administracyjne. To sprawia, że event logi są jednym z **najbogatszych i najbardziej wiarygodnych źródeł informacji** o działaniu współczesnych organizacji i systemów.</color> 
- 
- 
-<color #888888>Dzięki algorytmom odkrywania procesów możliwe jest automatyczne tworzenie modeli workflow, które pokazują faktyczny przebieg pracy: sekwencje działań, rozgałęzienia, współbieżność, powtórzenia, wyjątki i nietypowe przypadki. Tak powstałe modele służą do:</color> 
- 
-  * //analizowania efektywności i identyfikowania wąskich gardeł,//   
-  * //znajdowania niezgodności z procedurami (compliance checking),//   
-  * //optymalizacji i automatyzacji procesów,//   
-  * //monitorowania poprawności systemów software'owych,//   
-  * //analiz predykcyjnych i detekcji anomalii.//   
- 
- 
-<color #888888>Process Mining ma kluczowe znaczenie w **przemyśle, administracji, finansach, ochronie zdrowia, logistyce i produkcji** — wszędzie tam, gdzie złożone procesy generują duże ilości danych operacyjnych.</color> 
- 
- 
-<color #888888>Coraz częściej łączy się też Process Mining z metodami **formalnej weryfikacji** oraz nowoczesnymi technikami wyjaśnialności (np. Shapley values), aby zrozumieć, które elementy procesu wpływają na poprawność, bezpieczeństwo lub zgodność z regułami. Dodatkowym kierunkiem rozwoju jest wspomaganie analizy przez **LLM**, które potrafią interpretować struktury workflow, podpowiadać wzorce optymalizacyjne i generować opisy procesów w języku naturalnym.</color> 
- 
- 
-<color #888888>To obszar szybko rosnący, bardzo praktyczny, a jednocześnie badawczo nowatorski — idealny do budowy narzędzi, eksperymentów, prac dyplomowych i projektów wykorzystujących dane o realnym działaniu systemów.</color> 
- 
----- 
- 
-**Przykładowe tematy projektowe:** 
- 
-===== ▶ Automatyczne wydobywanie logiki z event logów ===== 
- 
-**Słowa kluczowe**:   
-Process Mining, Workflow Discovery, Event Logs, Temporal Logic, Automated Reasoning, Formal Methods, LLM-supported Analysis 
- 
- 
-Event logi to jedno z najbogatszych i najbardziej wiarygodnych źródeł wiedzy o tym, jak naprawdę działają systemy. Zawierają szczegółowe zapisy zdarzeń wykonywanych przez użytkowników, usługi, aplikacje, urządzenia IoT i systemy biznesowe. Dzięki temu pozwalają odkrywać procesy nie na podstawie dokumentów czy założeń, ale na podstawie faktycznego działania. 
- 
-W projekcie opracowujemy podejście łączące techniki Process Mining z logiką temporalną i automatycznym wnioskowaniem. Celem jest wydobywanie z event logów formalnych reguł opisujących zachowanie procesów: zależności czasowych, kolejności działań, sytuacji wyjątkowych oraz wzorców przepływu pracy. Takie reguły mogą następnie służyć do analizy poprawności, optymalizacji oraz wykrywania niezgodności w procesach. 
- 
-Tworzone rozwiązanie wykorzystuje: 
-  * algorytmy odkrywania procesów (np. Inductive Miner),   
-  * identyfikację typowych wzorców zachowań (sekwencje, rozgałęzienia, współbieżność, pętle),   
-  * generowanie formuł logiki temporalnej opisujących te zależności,   
-  * automatyczną weryfikację reguł z wykorzystaniem theorem provers,   
-  * możliwość interpretacji i podpowiedzi wspieranych przez LLM. 
- 
-Takie podejście pozwala przejść od surowych danych operacyjnych do formalnych specyfikacji procesu, które mogą być wykorzystane w optymalizacji, audycie, analizie wydajności oraz monitorowaniu zgodności. 
- 
-Projekt jest atrakcyjny dla osób zainteresowanych analizą danych, logiką, formalną weryfikacją, automatyzacją oraz praktycznym zastosowaniem Process Mining w biznesie i systemach informatycznych. 
- 
-**Publikacja:** 
-[[https://dl.acm.org/doi/10.1145/3695750.3695822|Artykuł na konferencji ASE 2024]] 
- 
- 
-===== ▶ Wyjaśnialna weryfikacja workflow z wykorzystaniem Shapley Values ===== 
- 
-**Słowa kluczowe**:   
-Process Mining, Workflow Analysis, Temporal Logic, Shapley Values, Explainability, Automated Reasoning, Formal Verification 
- 
- 
-Współczesne systemy generują ogromne ilości event logów, na podstawie których można automatycznie odkrywać złożone, hierarchiczne modele workflow. Problem pojawia się wtedy, gdy takie modele rosną do setek lub tysięcy elementów — trudno zrozumieć, *dlaczego* dany proces spełnia (lub narusza) właściwości logiczne, które elementy są kluczowe dla poprawności, a które nie mają żadnego wpływu lub wręcz są szkodliwe. 
- 
-Projekt rozwija narzędzie łączące Process Mining, logikę temporalną oraz Shapley Values z teorii gier kooperacyjnych, aby tworzyć **wyjaśnialne analizy workflow**. Model procesu odkryty z event logów (np. metodą Inductive Miner) tłumaczony jest automatycznie na zestaw formuł logiki temporalnej. Te specyfikacje poddawane są weryfikacji z wykorzystaniem theorem proverów (np. Vampire, E), aby ocenić takie własności jak:   
-  * spójność (satisfiability),   
-  * możliwość postępu (liveness),   
-  * bezpieczeństwo (safety).   
- 
-Następnie, dzięki Shapley Values, projekt umożliwia określenie, które elementy workflow:   
-  * są **krytyczne** — bez nich proces traci poprawność,   
-  * są **neutralne**,   
-  * są **zbędne lub szkodliwe**, obniżając jakość lub bezpieczeństwo modelu. 
- 
-Ta forma wyjaśnialności pozwala zobaczyć, *dlaczego* model zachowuje się tak, jak pokazują wyniki weryfikacji — zamiast jedynie otrzymać odpowiedź „spełnia/nie spełnia” bez kontekstu.   
-To szczególnie cenne w audytach, compliance, optymalizacji procesów oraz diagnozowaniu dużych workflow pochodzących z przemysłu i administracji. 
- 
-Projekt ma również wymiar eksperymentalny — analizowane są różne metody przybliżania Shapley Values (Monte Carlo vs. Random Subset Sampling), ich stabilność, koszt obliczeniowy i interpretowalność. To otwiera drogę do tworzenia narzędzi developerskich wspierających praktyków process mining. 
  
 ---- ----
ideas.1764615372.txt.gz · ostatnio zmienione: przez admin