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

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.

Enable GingerCannot connect to Ginger Check your internet connection
or reload the browserDisable in this text fieldRephraseRephrase current sentenceEdit in Ginger×

Enable GingerCannot connect to Ginger Check your internet connection
or reload the browserDisable in this text fieldRephraseRephrase current sentenceEdit in Ginger×