Różnice

Różnice między wybraną wersją a wersją aktualną.

--- ideas [2025/12/01 20:25] – admin
+++ ideas [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.
@@ Linia 149: / Linia 152: @@
 **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 =====
@@ Linia 210: / Linia 196: @@
   * czas reakcji,
   * 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 327: / Linia 340: @@
 **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 427: / Linia 520: @@
 * [[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 =====
@@ Linia 466: / 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.
-----
-**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.
 ----