Prof. Dr. habil. Kovács László
Tudományos/művészeti akadémiai tagság, szerkesztői tevékenység
a Hatvany József informatikai Tudományok Doktori Iskola, törzstagja és témakíírója vagyok.
Az alábbi folyóirat főszerkesztője vagyok: Production Systems and Information Engineering
Az alábbi szakfolyóiratoknak vagyok a szerkesztőbizottsági tagja:
Annales Mathematicae et Informaticae , Advanced Logistics Systems, A Broad Research in Artificial Intelligence and Neuroscience, Multidiszciplináris Tudományok, GRADUS, Scientific Bulletin of "Petru Maior" University, International Journal of Advances in Intelligent Informatics.
Kutatási terület
Adatmodellezés, szemantikai modellezés, fogalomhálók, ontológia, gépi tanulás, ML alkalmazásai (nyelvészet, e-learning)
Oktatási tevékenység
Szakfelelős az alábbi képzésekben:
- Mérnökinformatikus alapszak
- Mérnökinformatikus mesterszak
- Angol nyelvű Mérnökinformatikus mesterszak
Részvétel a mérnök informatikus alapszak és mesterszak oktatásában. Informatika tárgyak gyakorlatainak és előadásainak megtartása, tananyag fejlesztés, gyakorlati feladatok kidolgozása, előadás anyagok rendszererezése, tematikák aktualizálása. Tananyagfejlesztés témakörei: Adatbázis kezelés, Web programozás, Adatbányászat, Vállalati információs rendszerek
|
Szakmai Projektek |
|
RDBMS Join algoritmus elemzése, fejlesztése (DEC München) Nyugdijpénztári adatbázis statisztikai elemzése (EDS Budapest) WEB-es társkereső szolgálat Oracle adatbázisra építve (DATE USA) Vizháztartások hidrogeológiai szimulációs vizsgálata (ME Miskolc) Kontrolling rendszer kidolgozása (Pénzjegynyomda Budapest) Adóbevallási/készletnyilvántartási programrendszerek fejlesztése (Saldo Budapest) Beléptető rendszer nyilvántartási program (Chinoin Miskolc) FAO növényvédelmi információs rendszer (ONTSZ Budapest)
|
Saját részvételű cikkek listája a projekthez kapcsolódóan
(ERPA)
1. Laszlo Kovacs, David Polonkai: Event sequence segmentation for parallel processes, PSAIE ME, 2022, Vol 10, No 2
2. Laszlo Kovacs, Erika Baksane-Varga, Peter Mileff: Process Mining with Neural Networks, Proceedings of InterEng Conference, 2022
A feladat és a munka rövid ismertetése
A kutatási terület ahhoz kapcsolódik, hogy milyen módon és milyen hatékonysággal lehet olyan neurális háló alapú rendszert kidolgozni, amely alkalmas a naplóban tárolt folyamatok alapján a gyakori eseményfolyamok és azok vezérlési menetének (műveletsor minták) feltárására.
A kutatási modul célja annak bizonyítása, hogy a mintafeltárás neurális háló alapú megközelítéssel is lehetséges legalább olyan hatékonysággal, mint amit a klasszikus, nem háló alapú módszerek biztosítanak. A kutatási modulban olyan neurális háló architektúra kerül kidolgozásra, amely
· minimum elvárásként a művelet típusokat és azok időbeliségét,
· maximum elvárásként a műveletek költség és sikeresség státuszát is
figyelembe véve képes a folyamatmodell előállításra. A modulban kidolgozandó modell jellegére minimum elvárás, hogy ne csak az esemény szekvenciákat, hanem az esemény folyam gráfmintákat is képes legyen előállítani. Az kutatás fő feladata a komplex eseménygráf feltárására szolgáló neurális hálómodell megalkotása volt. Első lépésként két fő alternatíva az LSTM és MLP hatékonyság összevetését végeztem el.
Az kutatás első fázisában a vizsgálatok az MLP és LSTM alapú szekvencia predikciós modellek elemzésére irányultak, ahol a vizsgálat fő célja annak felderítése, hogy milyen mértékben alkalmas a modell valamely továbbfejlesztése az összetettebb gráfminták feltárására illetve betanulására.
A győztes integrált MLP-LSTM modell meghatározása után a NN modell architektúra részletes kidolgozása volt a fő cél. Ehhez előbb a gráf NN modell logikáját kellett meghatározni, ennek során az NN modulok specifikálását és azok kapcsolatának a kiépítését végeztem el. Kidolgozásra került a tanítási és a predikciós architektúra modell, elkészült a rendszer implementációja. Az elkészült rendszer ellenőrzésére teszteket hajtottam végre a generált tanító halmazokra építve az AND és XOR típusú szinkronizációs pontokat tartalmazó gráf mintákkal.
A kutatás következő fázisában olyan NN alternatívákat vizsgálunk, melyek az összetett ciklusok, ismétlődések elemzésében is hasznos eszközök lehetnek. Ezen probléma megoldására megvizsgáljuk a CNN alapú architektúra alkalmazhatóságát is.