Prezenční studium

4 roky

prof. Ing. Zdeněk Smékal, CSc.

Předseda :
prof. Ing. Zdeněk Smékal, CSc.
Člen interní :
doc. Ing. Radim Burget, Ph.D.
prof. Ing. Jiří Mišurec, CSc.
doc. Ing. Vladislav Škorpil, CSc.
doc. Ing. Jiří Hošek, Ph.D.
prof. Ing. Jaroslav Koton, Ph.D.
Člen externí :
doc. Ing. Otto Dostál, CSc.
prof. Ing. Boris Šimák, CSc.
prof. Ing. Ivan Baroňák, Ph.D.

Doktorand se naučí tvůrčím způsobem využívat teoretické znalosti získané jak studiem vybraných kurzů, tak vlastní tvůrčí činností. Tyto poznatky je schopni efektivně využití při následném návrhu vlastních a inovátorských řešení v rámci dalšího experimentálního vývoje a aplikačního výzkumu. Důraz je tak kladen na získání jak teoretických, tak i praktických dovedností, dále samostatnost v rozhodování, formulování vědecko-výzkumných hypotéz pro přípravu projektů základního až aplikovaného výzkumu, schopnost hodnocení výsledků a jejich prezentace ve formě vědeckých textů a prezentací před vědeckou komunitou.

Doktorský studijní program "Teleinformatika" je zaměřen na přípravu špičkových vědeckých a výzkumných specialistů, kteří budou mít hluboké znalosti principů a technik využívaných v komunikačních a datových drátových i bezdrátových sítích a s tím souvisejících oblastí jako je i vlastní sběr, zpracování a zpětná reprezentace užitečných uživatelských dat na úrovni aplikační vrstvy. Hlavní části studia tvoří oblasti teoretické informatiky a komunikační techniky. Absolvent má široké znalosti komunikačních a informačních technologií, datových přenosů a jejich zabezpečení. Absolvent se orientuje v operačních systémech, počítačových jazycích a databázových systémech, jejich užití včetně návrhu vhodného software a uživatelských aplikací. Je schopen navrhovat nová technologická řešení komunikačních zařízení a informačních systémů určených pro pokročilý přenos informací.

Absolventi programu "Teleinformatika" se uplatňují zejména ve výzkumných, vývojových a projekčních týmech, v oblasti odborné činnosti ve výrobních nebo obchodních organizacích, v akademické sféře a v dalších institucích zabývajících se vědou, výzkumem, vývojem a inovacemi, ve všech oblastech společnosti, kde dochází k aplikaci a využití komunikačních systémů a přenosu informace datovými sítěmi.
Uplatnění naši absolventi nalézají zejména při analýze, návrhu, tvorbě nebo správě komplexních systémů pro přenos a zpracování dat, a také při programování, integraci, podpoře, údržbě nebo prodeji těchto systémů.

Studium doktoranda probíhá podle individuálního studijního plánu, který zpracuje v úvodu studia školitel doktoranda ve spolupráci s doktorandem. V individuálním studijním plánu jsou specifikovány všechny povinnosti stanovené v souladu se Studijním a zkušebním řádem VUT, které musí doktorand k úspěšnému ukončení studia splnit. Tyto povinnosti jsou časově rozvrženy do celého období studia, jsou bodově ohodnoceny a v pevně daných termínech probíhá kontrola jejich plnění. Student si zapíše a vykoná zkoušky z povinných předmětů, minimálně dvou povinně volitelných předmětů ohledem na zaměření jeho disertační práce, a dále minimálně dvou volitelných předmětů (Angličtina pro doktorandy, Řešení inovačních zadání, Vědecké publikování od A do Z).
Ke státní doktorské zkoušce se může student přihlásit až po vykonání všech zkoušek předepsaných jeho individuálním studijním plánem. Před státní doktorskou zkouškou student vypracuje pojednání k disertační práci, v němž detailně popíše cíle práce, důkladné zhodnocení stavu poznání v oblasti řešené disertace, charakteristiku metod, které hodlá při řešení uplatňovat. Obhajoba pojednání, které je oponováno, je součástí státní doktorské zkoušky. V další části zkoušky musí student prokázat hluboké teoretické i praktické znalosti v oblasti mikroelektroniky, elektrotechnologie, fyziky materiálů, nanotechnologií, elektrotechniky, elektroniky, teorie obvodů. Státní doktorská zkouška probíhá ústní formou a kromě diskuze nad pojednáním k disertační práci se také skládá z tematických okruhů týkajících se povinných a povinně volitelných předmětů.
K obhajobě disertační práce se student hlásí po vykonání státní doktorské zkoušky a po splnění podmínek pro ukončení, jakými jsou účast na výuce, vědecká a odborná činnost (tvůrčí činnost), a minimálně měsíční studijní nebo pracovní stáž na zahraniční instituci anebo účasti na mezinárodním tvůrčím projektu.

Studium doktoranda probíhá podle individuálního studijního plánu (dále jen ISP), který zpracuje v úvodu studia školitel doktoranda ve spolupráci s doktorandem. Individuální studijní plán je pro doktoranda závazný. Jsou v něm specifikovány všechny povinnosti stanovené v souladu se Studijním a zkušebním řádem VUT, které musí doktorand k úspěšnému ukončení studia splnit. Tyto povinnosti jsou časově rozvrženy do celého období studia, jsou bodově ohodnoceny a v pevně daných termínech probíhá kontrola jejich plnění. Průběžné bodové hodnocení všech aktivit doktoranda je vedeno v dokumentu „Celkové bodové hodnocení doktoranda“ a je součástí ISP. Při zahájení dalšího roku studia pak školitel do ISP zaznamená případné změny. Nejpozději do 15. 10. každého roku studia odevzdává doktorand vytištěný a podepsaný ISP na vědeckém oddělení fakulty ke kontrole a založení.
Během prvních čtyř semestrů skládá doktorand zkoušky z povinných, povinně volitelných anebo volitelných předmětů pro splnění bodových limitů ze Studijní oblasti, a současně se intenzivně zabývá vlastním studiem a analýzou poznatků v oboru stanoveném tématem disertační práce a průběžným publikováním takto získaných poznatků a vlastních výsledků. V dalších semestrech se doktorand již více soustřeďuje na výzkum a vývoj, který souvisí s tématem disertační práce, na publikování výsledků své tvůrčí práce a na vlastní zpracování disertační práce.
Do konce druhého roku studia skládá doktorand státní doktorskou zkoušku, kterou prokazuje široký rozhled a hluboké znalosti v oboru, souvisejícím s tématem disertační práce. K této zkoušce se musí přihlásit nejpozději do 30. dubna ve druhém roce svého studia. Státní doktorské zkoušce předchází zkouška z anglického jazyka.
Ve třetím a čtvrtém roce svého studia provádí doktorand potřebnou výzkumnou činnost, publikuje dosažené výsledky a zpracovává svoji disertační práci. Součástí studijních povinností v doktorském studijním programu je absolvování části studia na zahraniční instituci nebo účast na mezinárodním tvůrčím projektu s výsledky publikovanými nebo prezentovanými v zahraničí nebo jiná forma přímé účasti studenta na mezinárodní spolupráci, což je nutné doložit nejpozději při odevzdání disertační práce.
Doktorandi ve čtvrtém roce studia předkládají do konce zimního zkouškového období svému školiteli rozpracovanou disertační práci, který ji ohodnotí. Disertační práci doktorand odevzdává do konce 4. roku studia.
Student prezenční formy doktorského studia je v průběhu studia povinen absolvovat pedagogickou praxi, tj. působit v procesu výuky. Zapojení doktoranda do pedagogické činnosti je součástí jeho vědecké přípravy. Pedagogickou praxí doktorand získává zkušenosti v předávání poznatků a zdokonaluje prezentační dovednosti. Skladbu pedagogických aktivit (cvičení, laboratorní cvičení, vedení projektů apod.) určí doktorandovi vedoucí daného ústavu po dohodě se školitelem. Povinnost pedagogické praxe se nevztahuje na doktorandy-samoplátce a na doktorandy v kombinované formě studia. Zapojení do výuky v rámci pedagogické praxe potvrdí po jejím splnění školitel v IS VUT.

1. Exploring Novel Techniques for Fine-Tuning Large Language Models and Enhancing Retrieval-Augmented Generation (RAG)

   Abstract: This research aims to explore and develop novel techniques for fine-tuning Large Language Models (LLMs) and enhancing Retrieval-Augmented Generation (RAG) to improve the performance, efficiency, and applicability of LLMs in various complex tasks. The proposed approach includes investigating advanced fine-tuning strategies, integrating external knowledge bases, and optimizing retrieval mechanisms to create more robust and contextually aware AI systems. Additionally, the research focuses on making fine-tuning processes more efficient and reducing computational consumption, which can lead to significant cost savings. Background and Motivation: As LLMs become increasingly prevalent in various applications, the need for efficient and effective fine-tuning techniques and advanced retrieval mechanisms becomes critical. Fine-tuning LLMs can significantly improve their performance on specific tasks, while RAG enables the models to generate more accurate and contextually relevant responses by leveraging external knowledge sources. However, current techniques often face challenges related to computational costs, scalability, and the integration of diverse knowledge sources. Reducing the computational resources required for fine-tuning can lead to lower costs and make these technologies more accessible. Research Objectives: To develop innovative fine-tuning techniques that enhance the adaptability and performance of LLMs across various domains. To optimize Retrieval-Augmented Generation (RAG) by improving retrieval mechanisms and integrating diverse external knowledge bases. To investigate the use of multi-modal data (e.g., text, images, audio) in fine-tuning and RAG processes. To create efficient and scalable methods for fine-tuning LLMs that reduce computational costs and training time, leading to significant cost savings. To evaluate the impact of different fine-tuning and RAG techniques on the performance and reliability of LLMs in real-world applications. Methodology: The research will employ a combination of theoretical and experimental approaches to achieve the outlined objectives. Key components of the methodology include: Advanced Fine-Tuning Techniques: Investigate and develop new fine-tuning strategies, such as few-shot learning, meta-learning, and transfer learning, to enhance the adaptability of LLMs. Optimized Retrieval Mechanisms: Design and implement advanced retrieval algorithms that improve the accuracy and relevance of information retrieved from external knowledge bases. Multi-Modal Integration: Explore the integration of multi-modal data in fine-tuning and RAG processes to create more contextually aware and versatile AI systems. Scalability and Efficiency: Develop methods to reduce the computational costs and training time associated with fine-tuning LLMs, such as model compression and distributed training techniques, to achieve significant cost savings. Performance Evaluation: Conduct comprehensive evaluations of different fine-tuning and RAG techniques using benchmark datasets and real-world applications to assess their impact on LLM performance and reliability. Expected Contributions: The proposed research is expected to make several significant contributions to the field of AI and LLMs: Novel fine-tuning techniques that improve the adaptability and performance of LLMs across various domains. Optimized retrieval mechanisms that enhance the accuracy and relevance of Retrieval-Augmented Generation (RAG). Integration of multi-modal data to create more contextually aware and versatile AI systems. Efficient and scalable methods for fine-tuning LLMs that reduce computational costs and training time, leading to significant cost savings. Comprehensive evaluations of fine-tuning and RAG techniques, providing insights into their impact on LLM performance and reliability. Conclusion: By exploring and developing novel techniques for fine-tuning LLMs and enhancing Retrieval-Augmented Gener

   Školitel: Burget Radim, doc. Ing., Ph.D.

2. Hluboká syntéza audio signálů s využitím v jejich rekonstrukci

   Téma je zaměřeno na výzkum nových metod pro syntézu audio signálů a jejich aplikaci v úlohách rekonstrukce degradovaných audio signálů. Syntéza bude vycházet z vhodné naučené parametrizace signálu (od dobře interpretovatelné typu DDSP (differentiable digital signal processing) až po abstraktní embeddings ze sítí typu U-net). Cílem výzkumu je navrhnout metody, které budou efektivně generovat signál na základě omezení daných řešenou úlohou, ať už v podobě interpolace částečně dostupných vzorků v časové či časově-kmitočtové oblasti nebo dokonce abstraktnějších charakteristik.

   Školitel: Rajmic Pavel, prof. Mgr., Ph.D.

3. Komunikační infrastruktura v komunitní energetice

   Cílem práce je navrhnout kombinovanou Multi-RCAT (Multiple Radio and Cable Access Technology) komunikační infrastrukturu, která těží z benefitů drátových a bezdrátových technologií. Tato infrastruktura umožní testování a verifikaci služeb poskytování flexibility, řízení výroby a spotřeby v reálném čase, včetně chytrého měření. Lokální infrastrukturu definuje testovací polygon a simulační prostředí, který obsahuje všechny prvky komunitní energetiky z pohledu komunikačních technologií.

   Školitel: Mlýnek Petr, doc. Ing., Ph.D.

4. Komunikační strategie pro Smart Grids a IoT

   Cílem práce je návrh optimální strategie řešení komunikační infrastruktury Smart Grids a Smart City zaměřující se zejména na bezpečnost, spolehlivost, výkonnost a škálovatelnost. Smart Grids (tzv. chytré sítě) jsou používané zejména v kontextu chytrých energetických sítí a IoT jsou nasazované především v konceptu Smart Cities (tzv. chytrých měst). Vybrané řešení a technologie budou podrobeny simulaci z pohledu datových toků a efektivity využití technologie. Hlavním cílem bude vytvoření modelu budování komunikačních sítí a nalezení optimální varianty pro dané scénáře v energetice a IoT.

   Školitel: Mlýnek Petr, doc. Ing., Ph.D.

5. Modern fiber optic transmission systems

   Optical transmission systems are evolving very rapidly to meet the ever-increasing demands of users. In addition to data transmissions, there are also new transmissions such as exact time, stable frequency, radio over fiber, quantum signals transmission, etc. Individual types of signals have different requirements for the transmission infrastructure. Wavelength division multiplexing is now widely used to increase the capacity of optical fibers but it is necessary to address the issue of possible interference. In order to meet the requirements of future transmission systems, it is necessary to address several technical challenges, such as new optical modulation formats with high spectral efficiency, mitigation of linear and nonlinear phenomena in optical fibers, new types of optical fibers or signal amplification with minimal noise.

   Školitel: Münster Petr, doc. Ing., Ph.D.

6. Moderní přenosová media pro komunikační protokol Ethernet

   Ačkoli je protokol Ethernet používám v každodenní praxi již po několik dekád, stále se rozvíjí jak z pohledu zvyšování přenosové rychlosti, tak i z pohledu adaptace na nové, netradiční a progresivní přenosová media. Cílem využití nových přenosových medií je zejména zlevnění protokolu Ethernet v oblastech, kde jeho přenosová kapacita není zcela využita. Předmětem doktorské disertační práce je výzkum možností zvyšování dosahu a přenosové rychlosti protokolu Ethernet na médiích, která jsou již využívána a standardizována, jako jsou např. polymerová vlákna nebo přenos dat po jednom páru metalických vodičů, tak i výzkum možnosti přenosu Ethernetu na dosud nevyužívaných přenosových mediích.

   Školitel: Slavíček Karel, doc. Mgr., Ph.D.

7. Multimodální diagnóza neurodegenerativních onemocnění

   Toto téma se zaměřuje na výzkum metod podpůrné diagnózy neurodegenerativních onemocnění, jako jsou demence nebo Parkinsonova nemoc, které se projevují v různých oblastech lidského chování a funkcí, včetně řeči, písma, motoriky, spánkových vzorců či kognitivních schopností. Cílem práce je výzkum digitálních biomarkerů získaných z těchto různých modalit a následný návrh metodiky, která umožní jejich kombinaci pro přesnější a včasnější diagnostiku těchto onemocnění. K tomu budou využity moderní metody zpracování signálů a strojového učení, s důrazem na interpretovatelnost modelů a jejich klinickou využitelnost. Jedná se o multidisciplinární téma, jehož řešení bude probíhat ve spolupráci s týmem neurovědců, psychologů a klinických logopedů z Fakultní nemocnice u sv. Anny v Brně a ze skupiny Aplikovaných neurověd ze Středoevropského technologického institutu.

   Školitel: Mekyska Jiří, doc. Ing., Ph.D.

8. Nové metody detekce, klasifikace a parametrické analýzy objektů ve videosekvenci

   Tato disertační práce je zaměřena na návrh nových metod umělé inteligence pro detekci, klasifikaci a analýzu objektů ve videosekvencích s důrazem na určování jejich kvantifikovatelných parametrů, jako jsou materiálové vlastnosti, míra opotřebení, volumetrické a další parametry. Práce se bude zabývat výběrem a optimalizací vhodných algoritmů pro segmentaci a klasifikaci objektů v digitálních obrazech, přičemž bude kladen důraz na metody zpracování obrazu a systematické určování a přípravu vhodných vstupních příznaků pro modely strojového učení. Testovány budou různé přístupy analýzy vizuálních dat s cílem určit přesnost a robustnost navržených modelů v kontextu reálných aplikací, například v oblasti průmyslové inspekce nebo automatického monitoringu různých materiálových či objektových skladů. Hlavní výzvou bude nalezení nových efektivních metod pro hodnocení objektů na základě omezených vizuálních informací a výpočetně efektivní implementace těchto metod. Výsledkem práce bude experimentální analýza různých přístupů a jejich srovnání z hlediska přesnosti, robustnosti a použitelnosti v praxi.

   Školitel: Říha Kamil, doc. Ing., Ph.D.

9. Nové metody vizuální interpretace mezivýsledků sítí hlubokého učení

   Téma je zaměřeno a na vizualizaci dílčích výsledků a příznaků uvnitř procesů klasifikátorů využívajících sítí hlubokého učení. Cílem je porozumění příznakové analýzy a vizuální interpretace dílčích procesů, zejména pro klasifikátory objektů v obrazových datech. Vyprodukované metody by měly poskytnout obrazové výstupy pro umělecké i analytické využití. V uměleckém pojetí je cílem obrazová syntéza, analytické nástroje pak cílí na zmapování vnitřních procesů jednotlivých etap a jejich vlivu na výsledky.

   Školitel: Říha Kamil, doc. Ing., Ph.D.

10. Nové metody využívající nástroje umělé inteligence pro penetrační testování

    Téma je zaměřeno na výzkum a návrh nových metod využívající umělé inteligence, které lze použít při bezpečnostním testování (penetrační testování). Výzkum je cílem na metody použitelné při penetračním testování webových aplikací, síťové infrastruktury, ale také penetračních testech specializovaných zařízení jako je například inteligentní elektroměr. Předpokládá se zapojení studenta do výzkumných projektů Ústavu.

    Školitel: Jeřábek Jan, doc. Ing., Ph.D.

11. Novel distributed and quasi-distributed fiber optic sensing systems

    The work focuses on the design, simulation and development of distributed and quasi-distributed fiber optic sensing systems. These systems use conventional single-mode telecommunication optical fibers, multimode fibers, polymer optical fibers (POF), microstructural fibers, multicore fibers, or other special fibers as a sensor. Using scattering phenomena (Raman, Brillouin, or Rayleigh scattering), or possibly changing the parameters of the transmitted optical signal (change in intensity, phase, polarization, etc.), it is possible to obtain information about temperature, vibration and other physical quantities along the optical fiber.

    Školitel: Münster Petr, doc. Ing., Ph.D.

12. Optical fiber infrastructure security

    Fiber optic networks have evolved rapidly in recent years to meet the ever-increasing demand for increasing capacity. Today, optical fibers are widely used in all types of networks due to not only transmission speed or maximum achievable distance but also security. Although fiber optic networks are considered completely secure, there are ways to capture or copy part of the data signal. Both imperfections of passive optical components and, for example, monitoring outputs of active devices can be used. With the advent of quantum computers, current encryption could be broken. It is therefore necessary to address the security of fiber-optic networks, analyze security risks and propose appropriate countermeasures.

    Školitel: Münster Petr, doc. Ing., Ph.D.

13. Post-kvantové kryptografické protokoly

    Téma se zabývá analýzou, návrhem a optimalizací moderních post-kvantových kryptografických (PQC) protokolů. Výzkum lze blíže orientovat na vybraný otevřený problém jako např. post-kvantová bezpečnost v blockchain technologii, post-kvantové metody ochrany soukromí, PQC na omezených zařízení, kvantově odolné hybridní metody, atd. Předpokládá se zapojení studenta do mezinárodních a národních výzkumných projektů.

    Školitel: Malina Lukáš, doc. Ing., Ph.D.

14. Prostorová analýza medicínských snímků pro optimalizaci ortognátních výkonů

    Téma je zaměřeno na hledání nových automatizovaných metod pro analýzu struktury a prostorových poměrů na dolní čelisti zachycené v CT snímcích. Metody budou sloužit ke strojové asistenci při plánování ortognátních chirurgických výkonů. Základem bude automatická detekce mandibulárního kanálu v CT snímcích, následovaná strojovým stanovením nejvhodnější oblasti pro provedení osteotomie včetně identifikace míst rizikových z hlediska možného poranění n. alveolaris inferior a lokalit nevhodných pro rozdělení kosti z hlediska jejich materiálových či tvarových vlastností. Praktickým cílem tématu je zjednodušení a časově zefektivnění plánování těchto výkonů a snížení počtu pooperačních komplikací.

    Školitel: Říha Kamil, doc. Ing., Ph.D.

15. Strojové učení ve fotonice

    Fotonické systémy zahrnují celou řadu oblastí od datových přenosů, přes senzoriku až po kvantové sítě. Každý fotonický systém má vlastní požadavky na přenosovou infrastrukturu, ale i na vstupní a výstupní parametry. Manuální optimalizace rozsáhlých sítí založených na různých typech signálů je téměř nemožná. S pomocí strojového učení lze u fotonických sítí dosáhnout optimalizace jak samotných přenášených signálů, tak celé infrastruktury. V neposlední řadě, lze pomocí algoritmů strojového učení detekovat a klasifikovat nestandardní chování sítě a minimalizovat tak bezpečnostní rizika. Strojové učení ve fotonice tedy představuje aktuální a perspektivní téma.

    Školitel: Münster Petr, doc. Ing., Ph.D.

16. Umělá inteligence pro efektivní analýzu biosignálů na nositelných zařízeních

    Téma je zaměřeno na výzkum a návrh efektivních metod zpracování biosignálů pomocí edge computingu na nositelných zařízeních. Cílem je minimalizace latence a spotřeby energie při analýze EEG, EKG a dalších biomarkerů pomocí optimalizovaných modelů strojového učení v reálném čase.

    Školitel: Burget Radim, doc. Ing., Ph.D.

17. Umělá inteligence pro pokročilé snímání biomarkerů pro sledování pozornosti člověka

    Téma je zaměřeno na výzkum a návrh pokročilých metod snímání biomarkerů s využitím umělé inteligence pro sledování lidské pozornosti. Cílem je integrace strojového učení a senzorových technologií k přesné analýze fyziologických signálů souvisejících s kognitivním stavem a koncentrací.

    Školitel: Burget Radim, doc. Ing., Ph.D.

18. Využití psychoakustiky a subjektivity ve zpracování audio signálů

    Moderní metody pro rekonstrukci poškozených audiosignálů se opírají zejména o generativní modely a velké množství trénovacích dat. Systematickému zkoumání subjektivní kvality výsledku však nebývá věnována potřebná pozornost. Cílem výzkumu v rámci studia je zjistit, nakolik mají psychoakustické principy podíl na úspěchu generativních neurálních modelů, ač v těchto modelech nejsou explicitně využity. Navazujícím cílem je pak návrh diferencovatelné predikce subjektivního hodnocení audio signálu, která umožní zvýšení efektivity či kvality výstupu u metod využívajících hlubokého učení.

    Školitel: Rajmic Pavel, prof. Mgr., Ph.D.

19. Výzkum nových metod analýzy prostorové informace v digitálních obrazech

    Téma je zaměřeno na výzkum nových metod pro analýzu prostorové informace obsažené v digitálních obrazech, tedy v jejich časových nebo prostorových sekvencích, případně vyplývající z geometrie dané scény.

    Školitel: Říha Kamil, doc. Ing., Ph.D.