doc. Ing. Pavel Kordík, Ph.D.

U doporučovacích systémů v současné době zaměřujeme výzkum na několik otevřených problémů, které mají hluboké teoretické základy, ale jejichž řešení mají současně velmi konkrétní praktické aplikace. Zkoumáme využitenost hlubokých neuronových sítí pro redukci cold start problému doporučovacího systému, konstrukci transformerů pro predikci nákupních košíků. V oblasti obecného strojového učení se zaměřujeme na posilované učení pro optimalizaci dlouhodobějších metrik, jako je spokojenost uživatele, na metody transfer learningu pro začlenění nových doporučovacích databází, a na využití AutoML pro optimalizaci architektury a hyperparametrů doporučovacího systému.

doc. Ing. Pavel Kordík, Ph.D.

doc. Ing. Ivan Šimeček, Ph.D.

Katedra aplikované matematiky

Tato práce poskytuje přehled moderních neuronových sítí pro reprezentaci textu a opravy překlepů s důrazem na předtrénované modely a modely využívající architekturu transformer. Je navržen srovnávací systém, který je použit k vyhodnocení několika modelů jak v jejich předtrénovaných verzích, tak po ladění. Vyhodnocení obsahují několik metrik hodnotících jak výkonnost, tak i náklady na inferenci na korpusu obsahujícím přirozené věty i úryvky kódu, Git\-Hub Typo Corpus. Vzhledem k tomu, že knihovna NeuSpell pro opravu pravopisu pracuje výhradně na úrovni tokenů, byl navržen algoritmus pro opravu mezer, který aproximuje mezery po predikci.

doc. Ing. Pavel Kordík, Ph.D.

Ing. David Pešek

Katedra softwarového inženýrství

Zakládání startupů je pro studenty technických oborů často náročné. Ačkoli jsou vzděláváni v oblasti vývoje softwaru, chybí jim praktické zkušenosti s navrhováním a uváděním produktu na trh. Typicky jsou vedeni k tomu, aby dokončili zadané téma, ale chybí jim praxe v iterativním přístupu, který zahrnuje pivotování a uvedení minimálně životaschopného produktu (MVP). Kromě toho se od nich očekává, že převezmou role jako vedoucí týmů, HR manažeři nebo produktoví manažeři, což vyžaduje zásadní změnu dovedností. Tato práce zkoumá, jak systematizovat rozvoj startupů v jejich raných fázích, zejména pro studenty zaměřené na technologie. Analyzovala stávající metodiky, jako jsou Lean Startup, Design Sprint, Agile a Lean Canvas, na základě kritérií, jako je jejich využitelnost v B2B sektoru, relevance pro technologické inovace a nedostatky v oblastech zakládání startupů. Dále byly provedeny rozhovory se zkušenými zakladateli startupů a odborníky z praxe, aby byly identifikovány mezery a doporučení ke zlepšení existujících metodologií. Na základě zjištěných poznatků byla navržena metodologie Lean and Execute, která je přizpůsobena potřebám studentů v evropském kontextu. Rámec klade důraz na pochopení potřeb uživatelů a klientů produktu a na postupné zlepšování, přičemž vede zakladatele k tomu, aby vyvíjeli MVP na základě ověřených potřeb, namísto investování do neověřených řešení. Poskytuje také strukturovaná doporučení týkající se tvorby týmu, strategií financování a vývoje produktu. Validace rámce byla provedena na autorově vlastním startupu formou případové studie. Analýza identifikovala přínosné prvky metodologie, omezení, která rámec nepokrývá, a také důsledky odchylek od metodologie. Tato případová studie ukázala, že rámec pomáhá snižovat nejistotu, zlepšovat rozhodovací procesy a slaďovat vývojové aktivity s požadavky trhu. Zjištění podtrhují význam propojení osvědčených metodologií, jako je Lean Startup a Lean Canvas, s poznatky zkušených odborníků při řešení specifických výzev, kterým studenti-zakladatelé čelí. Tato práce přispívá k oblasti zakládání startupů vytvořením praktického a přizpůsobeného průvodce ve formě aplikace Notion. Tento průvodce čerpá z poznatků z analyzovaných metodologií a rozhovorů a poskytuje vizuální plán zakládání startupu od počátku až po spuštění. V každé fázi zdůrazňuje klíčové znalosti, které si zakladatelé musí osvojit, a na základě toho stanovuje konkrétní úkoly pro realizaci v jejich startupu.

Práce na DSpace

doc. Ing. Pavel Kordík, Ph.D.

Dr. Rodrigo Augusto da Silva Alves

Katedra aplikované matematiky

Táto práca sa snaží obohatiť predpoveď nasledujúceho košíka o chladné položky. Na prekonanie tohoto problému boli predstavené dve architektúry. Content-aware recurrent model for Next basket recommendation (CARMEN ) ktorá používa rekurentnú architektúru aby sa naučila postupnosť košíkov a Recency-aware, Feature-enhanced Next basket recommendation model (RAFEN ) ktorá sa snaží pochopiť vzťahy medzi položkami v rámci košíkov a napriec košíkmi. Obe metódy boli do hĺbky otestované na dvoch datasetoch z reálneho sveta v rôznych troch scenároch. Výsledky ukázali, že navrhované metódy dosahujú mimoriadne dobré výsledky v scenári s chladným štartom - t.j. odporúčanie studených položiek v rámci nasledujúceho košíka. V tomto scenári dosahuje CARMEN až o 1750% lepší výkon oproti porovnávaným metódam.

doc. Ing. Pavel Kordík, Ph.D.

Ing. Stanislav Kuznetsov, Ph.D.

Katedra softwarového inženýrství

Tato práce popisuje návrh a implementaci aplikace pro vhodné časování a rozesílání personalizovaného obsahu. Poskytuje teoretické základy témat personalizace obsahu, notifikací a vysvětluje, jak můžeme zlepšit problém únavy z upozornění pečlivým plánováním uživatelských notifikací. Analyzuje případy užití a existující řešení, jakož i technologie a~požadavky na tento orchestrátor plánování notifikací. Software je pak navržen a implementován jako open-source knihovna. Je důkladně otestován a je vytvořena ukázková integrace, která slouží jako první krok k jeho budoucímu praktickému využití.

Práce na DSpace