• Definujte mieru aktuálnosti riešeného problému v danej oblasti vedy a techniky, z celosvetového pohľadu vrátane relevantných odkazov na odbornú literatúru
• Definujte vedeckú úroveň projektu a vedeckosť metód využívaných v riešení projektu
• Definujte ciele projektu a reálnosť ich dosiahnutia
• Opíšte navrhovanú metodiku riešenia projektu, opodstatnenosť jej výberu a efektívnosť jej pouţitia z hľadiska splnenia deklarovaných cieľov

Oblasť spracovania veľkých dát (z angl. "big data") sa v posledných rokoch stala významným fenoménom, ktorý dominuje nielen v mnohých výskumných smeroch, ale čoraz viac aj v rôznych aplikačných doménach. V posledných rokoch sme svedkami neustále narastajúceho objemu digitálnych dát. Objem a tempo ich pribúdania je čoraz väčšie, k čomu prispieva aj masívne rozšírenie nielen sociálnych sietí a mobilných zariadení, ale aj rôznych senzorov a riadiacich systémov. Sociálne siete generujú každým okamihom kvantá dát v rôznych formách, napr. viac ako 250 mil. tweetov na sociálnej sieti Twitter, 60 miliónov obrázkov uploadnutých do Instagramu denne, alebo 800 mil. denných aktualizácií statusov na Facebook-u [1]. Podľa odhadov objem veľkých dát každoročne narastie o 40%. Iným zdrojom veľkých dát môžu byť prvky Internetu vecí (Internet of things), ktorý je založený práve na analýze veľkého objemu dát, ktoré sú kontinuálne zbierané zo zariadení a senzorov s cieľom alebo spríjemniť život ľudí.

Na vysvetlenie pojmu veľké dáta existuje viacero definícií, väčšina z nich vyhovuje tej, s ktorou prišla poradenská spoločnosť Gartner. Tá označuje za veľké dáta také súbory dát, ktorých veľkosť je mimo schopnosti zachytávať, spravovať a spracovávať dáta bežne používanými softvérovými prostriedkami v rozumnom čase. Pojem veľkosti dát je potom chápaný z hľadiska objemu dát meraného giga-, tera- či petabajtmi, ale taktiež z hľadiska rýchlosti ich tvorby a prenosu a z hľadiska rôznorodosti ich typu. Často sa v tejto súvislosti hovorí o troch aspektoch veľkých dát tzv. 3V (Volume, Variety, Velocity, v niektorých prameňoch je možné nájst viacero aspektov, napr. Veracity, ako neurčitosť dát, alebo Value, ako hodnota dát). Zameriame sa na 2 základné aspekty veľkých dát:

- Objem dát (Volume) zväčša pramení jak z počtu rôznych objektov, tak aj zo zhromažďovania dát o týchto objektoch v čase ako napr. transakčné údaje uložené v priebehu niekoľkých rokov, alebo neštruktúrované dáta prúdiace zo sociálnych médií [2]. V minulosti bol problém so skladovaním nadmerného objemu dát, ale s klesajúcimi nákladmi na skladovanie množstvo dát vznikajúcich v rámci prevádzky firiem rastie exponenciálne každý rok. Nové metódy a modely budeme overovať na vybraných úlohách typických veľkým objemom relatívne statických dát rôzneho charakteru (najmä analýza veľkého objemu textových dát).

- Rýchlosť pribúdania dát (Velocity) predstavuje rýchlosť s akou dáta vznikajú. V súčasnosti vzniká aj potreba ich analýzy v reálnom čase a tá vzrastá s pokračujúcou digitalizáciou väčšiny transakcií a vzrastajúcemu počtu internetových používateľov. Na jednej strane sa jedná o rýchly prísun nových dát (prúdy dát, ktoré je potrebné predspracovať, uložiť a sprístupniť), na strane druhej zase potrebou ich analýzy, napr. výpočet takmer “real-time” predikcie (napr. poskytnúť vhodné odporúčanie pre jeho nasledujúcu akciu). V tejto oblasti teda ide o výskum modelov a metód pre analýzu veľkých prúdpových dát s malým oneskorením, tzv. “near real-time” (tekmer v reálnom čase). Navrhnuté modely a metódy budú overované napr. na prúdoch konverzačných dát, prúdov zo sociálnych sietí.

V súčasnosti existuje pomerne veľké množstvo prístupov a technológií pre spracovanie veľkých dát a ich počet pribúda. Pravdepodobne najznámejšou technológiou pre spracovanie veľkých dát je prístup MapReduce vyvinutý v Google [3]. Jeho najznámejšou implementáciou je rámec Apache Hadoop [4]. Hadoop je možné nasadiť na klaster tvorený komoditným hardvérom a z hľadiska typu úloh je vhodný najmä pre dávkovú analýzu dát. Jeho jadrom je distribuovaný súborový systém HDFS (Hadoop Distributed File System) a princíp MapReduce. Ten umožňuje spracovávať veľké množstvá dát paralelne na distribuovaných architektúrach (výpočtových klastroch). Na tejto platforme bolo medzičasom vytvorených viacero nástrojov a technológií pre analytické spracovanie veľkého množstva dát. Častokára sú už dáta uložené v relačných databázach a analýza týchto relačných dát sa vykonáva v distribuovanom prostredí, často sú potrebné nástroje pre spracovanie SQL dopytov. Na tento účel boli vyvinuté viaceré nástroje ako napr. Pig [5], Impala [6], Hive [7], alebo Stratosphere [8]. Medzi najpoužívanejšie nástroje pre analýzu dát na Hadoop klastroch patrí Mahout [9]. Je to knižnica metód strojového učenia pre tvorbu analytických aplikácií na platforme Hadoop a je tak vlastne distribuovanou alternatívou k existujúcim štandardným nástrojom pre strojové učenie, resp. štatistické výpočty, ako sú napr. Weka, alebo R. Obsahuje distribuované implementácie niektorých algoritmov strojového učenia pre rôzne druhy úloh ako napr. klasifikácia, zhlukovanie, alebo tvorbu odporúčacích systémov. Okrem neho existuje niekoľko ďalších prístupov, napríklad Radoop [10], ktorý umožňuje pracovať s veľkým objemom dát v známom nástroji pre objavovanie znalostí RapidMiner tak, že Hadoop klaster slúži na ukladanie dát a výpočet, alebo iný prístup Rhadoop [11], ktorý poskytuje rozhranie MapReduce a Hadoop distribuovaný súborový systém pre analytické aplikácie vyvíjané pomocou jazyka R.

Uvedené nástroje teda rozširujú štandardné nástroje strojového učenia o horizontálnu škálovateľnosť poskytovanú Hadoop-om. Samotných algoritmov implementovaných v paradigme MapReduce je niekoľko, pri iných sa prejavujú nedostatky Hadoop-u. Medzi ne patria najmä problémy s iteratívnymi úlohami, medzi ktoré spadá viacero prístupov strojového učenia. Takéto obmedzenia tejto techológie viedli k alternatívnym riešeniam. Medzi ne patria aj in-memory platformy pre spracovanie veľkých dát ako napr. GridGain [12], HaLoop [13] alebo Spark [14]. Spark je často označovaný ako nástroj nasledujúcej generácie po Hadoop v oblasti spracovania veľkých dát. Kľúčovým rozdielom je in-memory výpočet, ktorý umožňuje dátam byť uložené v pamäti počas iterácií. Odstraňuje tak nevýhodu MapReduce prístupu pre iteratívne a interaktívne aplikácie, zatiaľčo zachováva súborový systém Hadoopu. Výhodou je okrem iného aj niekoľkonásobne rýchlejšie spracovanie dát, čo ho robí ideálnym kandidátom pre spracovanie prúdov dát a pre aplikácie, kde sa vyžaduje vysoká rýchlosť spracovania dát. Súčasťou Spark-u je Spark SQL a GraphX ako API pre na spracovanie veľkého množstva grafových údajov. Spark poskytuje možnosť implementovať aplikácie strojového učenia prostredníctvom MLlib, čo je knižnica algoritmov strojového učenia postavená na tejto platforme obsahujúca širokú škálu algoritmov strojového učenia.

V navrhovanom projekte sa chceme prioritne zameriavať na veľké dáta textového charakteru jednak preto, že tieto prinášajú so sebou veľké množstvo otvorených výskumných problémov aj vzhľadom na možnosti automatizovanej analýzy textových dokumentov a ich rozšírenia, ako aj vzhľadom na zaujímavé výskumné výsledky medzinárodnej úrovne kvality v relevantných oblastiach dosiahnuté riešiteľmi tohto navrhovaného projektu.

Hlavným cieľom projektu je návrh nových metód pre analýzu veľkých textových dát v distribuovanom prostredí. Hlavný cieľ môžme vzhľadom na vyššie popísané aspekty veľkých dát rozdeliť na dva čiastkové ciele:

a) Návrh škálovateľných metód a modelov pre analýzu veľkých dát textového charakteru
b) Návrh škálovateľných metód a modelov pre analýzu prúdov textových dát

a) Množstvo dát dostupných v rôznych databázach a korpusoch je v dnešnej dobe obrovské. Jednou z hlavných výziev dnešného spracovania dát je okrem ich ukladania (pomocou distribuovaných súborových systémov a databáz) práve distribuovaná analýza a spracovanie údajov. Veľké dáta nemožno spracúvať tradičnými technológiami, majú odlišné vlastnosti. Tie nie sú pripravené na spracovanie a analýzu veľkých objemov dát v krátkom čase alebo nákladovo efektívnym spôsobom. Preto tu vzniká potreba pokročilejších metód na spracovanie veľkých objemov dát a na ich následné ukladanie, prehľadávanie, či iné analýzy. Navyše, výsledkom takýchto operácií bývajú často nové dáta, často s podobnými nárokmi. Pre spracovanie a manipuláciu s veľkými dátami bolo potrebné vyvinúť sadu nových nástrojov schopných zvládnuť riešenie takýchto úloh, tie najčastejšie používané z nich boli popísané vyššie, vrátane ich rozšírení v podobe nástrojov pre strojové učenie na takýchto platformách.
Cieľom tejto úlohy nebude návrh nových metód pre analýzu textových korpusov, ale nadviazanie na existujúci výskum a modifikovanie a rozširovanie existujúcich prístupov. Chceme sa zamerať najmä na rozšírenia a modifikácie existujúcich prístupob týkajúce sa optimalizácie využitia distribuovaných zdrojov pri rôznych typoch analýz textových dokumentov. Cieľom tejto úlohy bude vhodne adaptovať zvolené existujúce prístupy na vybrané úlohy z oblasti spracovania a analýzy veľkých textových dát. Naša metodika bude založená na sformulovaní modelu, ktorý sa bude riadiť na základe aktuálnych hodnôt podmieňujúcich faktorov dát, dostupného prostredia, ako aj cieľových charakteristík danej úlohy.

b) Prúdy textových dát sú v posledných rokoch všadeprítomné, sú výsledkom širokej škály rôznych aplikácií a najmä sociálnych sietí. Veľké množstvo týchto textových dát sa kontinuálne vytvára v priebehu času v rôznych aplikáciách a rôznym spôsobom [15]. V sociálnych sieťach používatelia nepretržite komunikujú pomocou textových správ. To má za následok vytvorenie masívneho objemu textových prúdov, ktoré je možné využiť na rôzne druhy analýz v sociálnej sieti, pretože textové správy sú odrazom záujmov používateľov. Mnoho web agregátorov umožňuje priebežné získavanie veľkých objemov spravodajských článkov. Iné služby zasa zhromažďujú za krátky čas veľké objemy dokumentov s cieľom odporučiť používateľom najzaujímavejšie z nich v danej oblasti.
Textové prúdy zo sociálnych sietí sú označované ako „social streams“, ich počet rastie veľmi prudko, podľa oficiálneho blog-u sociálnej siete Twitter počet poslaných tweetov za deň bol v roku 2013 v priemere 140 miliónov, v konkurenčnej sieti Facebook sa v priemere za 20 minút pošle 2 milióny správ. Je zrejmé, že analýza týchto údajov vytvára rad problémov, ktoré sú unikátne pri analýze prúdu dát. Dáta zároveň často obsahujú informácie o štruktúre ako je napríklad analýza priateľstva a prepojenia. Textové prúdy sú zvyčajne krátke a šum v dátach predstavuje veľkú prekážku pri jej analýze.
Existuje niekoľko typov analýz a úloh dolovanie v prúdoch dát. Okrem analýzy samotného obsahu (modelovanie tém, analýza sentimentu, analýza názorov a pod.) je zaujímavou oblasťou modelovania nájdených vzorov (konceptov) vzhľadom k cieľovej úlohe tak, aby sa prispôsobovali stále novým a prichádzajúcim dátam. Jedná sa o inkrementálne učenie sa, ktoré si vyžaduje modifikáciu štanradrných algoritmov strojového učenia do vhodnej podoby [16]. V tejto oblasti je zaujímavým trendom okrem klasickým prístupov modelovania vzorov a ich zmien (viď. prehľad adaptačných metód sledovania driftu konceptov [17]) kombinovať techniky štatistického modelovania a adaptívnych algoritmov strojového učenia s metódami konceptuálneho modelovania.

Navrhnutý rozpočet projektu stanovený pre dĺžku riešenia projektu predpokladá jeho využitie na odmeny členom riešiteľského kolektívu. Vzhľadom na to, že výstupom projektu budú aj publikácie, časť požadovaných finančných prostriedkov bude využitá na financovanie pracovných ciest s cieľom prezentácie a diseminácie výsledkov projektu na konferenciách alebo workshopoch. Bude sa jednať o náklady spojené so zaplatením vložného na konferencie, resp. workshopy a cestovné výdavky spojené s účasťou na konferenciách. V prípadoch zahraničných pracovných ciest (kde budeme predpokladať vyššie náklady) bude možné kombinovať financovanie takýchto ciest z iných bežiacich projektov (VEGA, KEGA), na ktorých členovia projektového tímu participujú.


1. http://big-data-mining.org/keynotes/#fayyad, 2012.
2. Jacobs, A. (2009). The Pathologies of Big Data. Communications of the ACM, 8, 36-44.
3. J. Dean, S. Ghemawat (2008): MapReduce: Simplified Data Processing on Large Clusters. Communications of the ACM, 51(1), 107-113
4. http://hadoop.apache.org
5. http://pig.apache.org
6. http://impala.io
7.https://hive.apache.org
8. http://stratosphere.eu
9. https://mahout.apache.org
10. http://www.radoop.eu
11. Akshay Mittal, Sharvanath Pathak, Trevor Bannard. 2013. RHadoop: An Improved Execution Environment for Restricted MapReduce Programs.
12. http://gridgain.com
13. https://code.google.com/p/haloop/
14. https://spark.apache.org
15. Aggarwal, C., C., Mining text and social streams: a review, NY: IBM T.J watson Research Center.2014. 9-19 s. doi 10.1145/2641190.2641194.
16. Gama, J., Sebastiao, R., Rodrigues, P.: On evaluating stream learning algorithms. Machine Learning 90, 3, 317–346, 2013.
17. Gama, J., Zliobaite, I., Bifet, A., Pechenizkiy, M., Bouchachia, A.: A Survey on Concept Drift Adaptation. ACM Computing Surveys, 46(4), 2014.

• Definujte mieru originálnosti projektu
• Opíšte navrhovaný koncept riešenia a formulujte vedeckú hypotézu
• Definujte význam predbežných výsledkov, nadväznosť navrhovaného riešenia na vlastné publikované výsledky

V oboch výskumných podúlohách sa budeme snažiť priniesť svoje vlastné originálne prístupy, postavené na doterajších výsledkoch členov riešiteľského kolektívu. V ďalšom texte podrobnejšie priblížime originálnosť projektu, navrhovaný koncept riešenia, špecifické ciele a nadväznosť na vlastné publikované výsledky vo vyššie zavedenom členení podľa jednotlivých výskumných úloh v rámci nich.

1. Návrh škálovateľných metód a modelov pre analýzu veľkých dát textového charakteru

V prvej popisovanej oblasti je hlavným cieľom vytvorenie nových a rozšírenie existujúcich prístupov k distribúcii úloh dolovania v textoch v distribuovanom prostredí. V rámci tohto bodu chceme stavať na našich predchádzajúcich výsledkoch v oblasti implementácie škálovateľných prístupov pre rôzne typy úloh spracovania textov (klasifikačné a zhlukovacie úlohy, formálna analýza konceptov na textových dátach) [1], resp. nadväzujúcich riešení, ktoré sa zaoberali tvorbou takýchto aplikácií postavených na rámci GridGain [2, 3].
Výstupom tejto úlohy bude vo forme návrh a implementácie optimalizačných metód pre distribúciu úloh v distribuovanom prostredí založených na holistickom prístupe. Tu si kladieme za cieľ využívať dostupné informácie o aktuálnom stave distribuovaného prostredia, rovnako ako aj na hodnotách podmieňujúcich faktorov dát. Budeme monitorovať údaje, ktoré obsahujú informácie o aktuálnom stave používanej výpočtovej infraštruktúry a budeme tiedo informácie využívať v procese distribúcie úloh na čiastkové podúlohy za účelom optimalizácie ich distribúcie a využitia dostupných výpočtových kapacít. V tejto oblasti sa javí zaujímavou oblasťou výskumu štúdium jednotlivých prístupov a kritérií pre voľbu spôsobu distribúcie výpočtu. Tie spravidla závisia na viacerých podmieňujúcich faktoroch, vrátane veľkosti spracovávaneho dátového korpusu, jeho štruktúry, dostupných výpočtových kapacitách, prístupu k distribuovaným zdrojom (množstvo výpočtových uzlov, veľkosť operačnej pamäte, topológia siete, atď.).
Navrhnutý model distribúcie úloh bude spočívať v tom, že využijeme indexované štatistiky popisujúce spracovávanú textovú množinu a získame z nich informácie potrebné pre efektívnejšie rozdeľovanie podúloh v distribuovanom prostredí (použijeme napr. štatistiky o frekvencií výskytu jednotlivých kategórií, o roydelení dát v trénovacej množine pri klasifikačných úlohách a pod.). Tieto informácie nám pomôžu získať predstavu o jednotlivých čiastkových úlohách, o ich približnej zložitosti a výpočtovej náročnosti. Túto informáciu potom využijeme ako jeden zo vstupov do modelu distribúcie úlohy.
Na druhej strane budeme z používanej infraštruktúry získavať dáta popisujúce aktuálny stav výpočtového prostredia. O jednotlivých pracovných uzloch distribuovaného prostredia môžeme (v závislosti podľa používaných technológií) zistiť rôzne informácie charakterizujúce ich aktuálny výkon, vrátane informácii o dostupných výpočtových kapacitách (rýchlosť procesora, veľkosť pamäte), aktuálnej záťaži výpočtového uzla, obsadenosti bežiacimi úlohami a pod. Tieto charakteristiky priamo ovplyvňujú schopnosť distribuovaného prostredia vykonať úlohu a budú použité ako ďalší zo vstupov do modelu distribúcie úloh. Ten, riadený takýmito dátami, navrhne spôsob využitia dostupných kapacít distribuovaného prostredia pre riešenú úlohu spracovania textových dát tak, že optimalizuje (vzhľadom na aktuálny stav prostredia) spôsob dekompozície riešenej úlohy.

2. Návrh škálovateľných metód a modelov pre analýzu prúdov textových dát

Cieľom v tejto podúlohe bude navrhnúť a verifikovať metódy pre analýzu textových prúdov zo sociálnych sietí a mikroblogov za účelom modelovania tém týchto príspevkov. Budeme sa zaoberať nielen analýzou samotného obsahu (modelovaniu samotných tém), ale aj ich vývoju v čase a s tým spojenými úlohami ako napr. identifikáciou najpodstatnejších/najvýznamnejších prispievateľov, alebo analýze sentimentu a jeho vývoja v priebehu času v rámci témy. Cieľom bude navrhnúť taký prístup, ktorý nebude spracovávať dáta v dávkach, ale ako prúdy dát. Jednou z možností bude pri tejto úlohe využívať modely postavené na báze formálnej analýzy konceptov (Formal Concept Analysis - FCA [4]). Našou snahou bude využiť práve pozitívne aspekty konceptových zväzov, akými sú napr. dôkladný lokálny popis dát, možnosť modelovania komplexných atribútov špecificky navrhnutých pre analyzovanú doménu a inkrementálne budovanie konzistentného modelu. Cieľom bude samozrejme návrh modelov, algoritmov pre ich tvorbu, ako aj testovanie na vybraných typoch dát.
V rámci tohoto cieľa sa budeme sústrediť aj na samotné metódy analýzy sentimentu. Tie narozdiel od existujúcich prístupov realizovaných dávkovo, na relatívne statických množinách dokumentov, budeme aplikovať na prúdy textových dát, vzhľadom na fakt, že reálne príspevky v rámci sociálnych médií majú charakter toku údajov, pričom častokrát sa s plynutím času aj znižuje ich aktuálnosť. Budeme skúmať dva základné prístupy k takýmto analýzam: slovníkovo založený prístup a prístup založený na metódach strojového učenia. Prístupy založené na strojovom učení môžu byť s úspechom použité aj na modelovanie témy prúdu dát konverzačného charakteru.
Uvedený koncept riešenia a jeho poúloh je pevne ukotvený v predchádzajúcich a prebiehajúcich výskumných aktivitách jednotlivých riešiteľov projektu, ktoré pokrývajú nasledujúce výskumné oblasti:
- Oblasť návrhu a implementácie distribuovaných metód strojového učenia pre rôzne úlohy dolovania v textoch [5, 6, 7],
- Oblasť analýzy sentimentu v textových dokumentoch s konverzačným obsahom a modelovania témy [8, 9],
- Oblasť analýzy dolovania v sociálnych dátach [10] a oblasti odporúčacích systémov pracujúcich s dátovými prúdmi [11]

1. Sarnovský, M., Butka, P., Paralič J. (2009): Grid-based support for different text mining tasks. Acta Polytechnica Hungarica, 6 (4), 5-27
2. Sarnovsky, M., Kacur, T. (2012): Cloud-based classification of text documents using the Gridgain platform. In: Proc. of 7th IEEE Int. Symposium on Applied Computational Intelligence and Informatics : Timisoara, Romania, 2012. p. 241-245
3. Sarnovský, M. , Butka, P. , Pócsová, J. (2012): Cloud computing as a platform for distributed fuzzy FCA approach in data analysis. In: Proc. of INES 2012: IEEE 16th Int. Conf. on Intelligent Engineering Systems: June 13-15, 2012, Lisbon, Portugal. 291-296
4. Ganter, B., Wille, R.: Formal concept analysis - Mathematical Foundations. Springer-Verlag, Berlin, 1999.
5. Sarnovský, M, Butka, P., Bednár, P.,Babič, F., Paralič, J. (2015), „Analytical Platform Based on Jbowl Library Providing Text-Mining Services in Distributed Environment“ In: Information and Communication Technology,Third IFIP TC 5/8 International Conference, ICT-EurAsia 2015, and 9th IFIP WG 8.9 Working Conference, CONFENIS 2015, Held as Part of WCC 2015, Daejeon, Korea, October 4–7, 2015, Proceedings, ISSN 0302-9743, pp. 310-319
6. Sarnovský, M., Čarnoká, N. (2015),“Distributed algorithm for text documents clustering based on
k-means approach“, In: Advances in Intelligent Systems and Computing vol. 431, Information Systems Architecture and Technology: Proceedings of 36th International Conference on Information Systems Architecture and Technology – ISAT 2015, ISSN: 2194-5357
7. Sarnovský, M., Ulbrík, Z. (2013),“Cloud-based clustering of text documents using the GHSOM algorithm on the GridGain platform“, In: SACI 2013 : IEEE 8th International Symposium on Applied Computational Intelligence and Informatics : proceedings : May 23-25, 2013, Timisoara, Romania. - Piscataway : IEEE, 2013 P. 309-313. - ISBN 978-1-4673-6400-3
8. Mikula, M., Machová, K. (2015), „Classification of opinion in conversational content“, In: IEEE 13th International Symposium on Applied Machine Intelligence and Informatics: Proceedings: 22. – 24.01.2015: Herľany, Slovakia, pp. 227-231 Danvers : IEEE, ISBN 978-1-4799-8220-2
9. Smatana, M, et al (2014), „Modelovanie témy v prúde dát z mikroblogov“, In: WIKT 2014 : 9th Workshop on Intelligent and Knowledge Oriented Technologies : zborník príspevkov : November 20-21, 2014, Smolenice, Slovakia. - Bratislava : STU, pp.35-38., ISBN 978-80-227-4267-2
10. Tutoky, G (2011), „Discovery and Exploitation of Knowledge in Collaboration Social Networks“, In: Information Sciences and Technologies Bulletin of the ACM Slovakia. Roč. 3, č. 4 (2011), pp. 28-36., ISSN 1338-1237
11. Banas, D, Havrilová, C., Paralič, J., (2015), „Combination of user profile information and collaborative filtering in recommendations“, In: INES 2015 : IEEE 19th International Conference on Intelligent Engineering Systems (INES), September 3-5, 2015, Bratislava, Slovakia : IEEE, pp. 359-363., ISBN 978-1-4673-7938-0

• Definujte harmonogram riešenia projektu s ohľadom na logickú nadväznosť postupov a na napĺňanie deklarovaných cieľov
• Vysvetlite adekvátnosť použitej metodiky
• Vysvetlite adekvátnosť navrhnutého rozpočtu projektu v kontexte finančnej náročnosti dosiahnutia cieľov
• Stanovte časový plán realizácie a naplnenia stanovených vedeckých cieľov

Predpokladaná dĺžka riešenia navrhovaného projektu je 12 mesiacov s oficiálnym začiatkom 1. januára 2016. Z odbornej stránky je projekt rozdelený na hlavný cieľ projektu a dve čiastkové témy, ktoré určujú odborné smerovanie projektu. Zodpovedný riešiteľ bude zabezpečovať nevyhnutný projektový manažment vrátane prípravy záverečnej správy projektu, organizovania pracovných porád, priebežného publikovania a diseminácie výsledkov projektu.

Časový harmonogram projektu môžeme pre obe z čiastkových úloh rozdeliť na nasledujúce etapy:

- Prvá etapa (analýza, v rozsahu 2 mesiace, M1 – M2 ):
bude venovaná systematickej analýze aktuálneho stavu v jednotlivých výskumných úlohách. Táto analýza kontinuálne nadviaže na doterajšie výskumné aktivity jednotlivých riešiteľských tímov, ktoré vytvárajú potrebné pozitívne predpoklady na úspešné riešenie špecifikovaných čiastkových projektu. Takisto budú stanovené komplexné kritériá na meranie a vyhodnotenie dosiahnutých výsledkov, špecifické pre jednotlivé výskumné podúlohy.

- V druhej etape (návrh, rozsah 3 mesiacov, M3 – M5):
o bude prebiehať návrh nových metód a modelov na základe výsledkov predchádzajúcej fázy a v súlade s očakávanými hodnotami stanovených kritérií na meranie dosiahnutých výsledkov ako napr. presnosť predikcie, kvalita zhlukovej analýzy, presnosť extrahovaných vzorov, úžitková hodnota extrahovaných odporúčaní, efektívnosť využitia dostupných výpočtových zdrojov, a pod.

- Tretia etapa (verifikácia návrhu, rozsah 3 mesiacov, M6 – M8):
o bude venovaná experimentálnej verifikácii navrhnutých metód a modelov prostredníctvom dostupných výpočtových a dátových zdrojov s cieľom overiť ich aplikovateľnosť vo všeobecnosti a v súlade so stanovenými kritériami na ich meranie a vyhodnotenie.

- Štvrtá etapa (optimalizácia, 2 mesiace, M9 – M10):
o zameria sa na vylepšenie a finalizáciu navrhnutých modelov a metód na základe výsledkov predchádzajúcej fázy a v súlade s aktuálnymi trendmi a dosiahnutým vedeckým pokrokom v danom čase.

- Piata etapa (verifikácia, rozsah 2 mesiacov, M11 – M12):
o bude venovaná experimentálnej verifikácii optimalizovaných metód a modelov prostredníctvom dostupných výpočtových a dátových zdrojov s cieľom overiť ich aplikovateľnosť vo všeobecnosti a v súlade so stanovenými kritériami na ich meranie a vyhodnotenie.

• Odôvodnite kompetentnosť zúčastnených riešiteľských organizácií na riešenie predkladaného projektu v kontexte hlavných úloh, ktoré budú jednotlivé organizácie v projekte zabezpečovať
• Opíšte kompetentnosť jednotlivých riešiteľov na riešenie predkladaného projektu a základné úlohy, ktoré budú v rámci implementácie projektu realizovať (netýka sa zodpovedného riešiteľa)
• Opíšte spôsob kooperácie riešiteľov, ich vzájomnú komplementaritu a zastupiteľnosť pri riešení projektu
• Opíšte existujúcu prístrojovú a personálnu infraštruktúru pracovísk podieľajúcich sa na implementácii projektu
• Opíšte mieru zapojenia mladých pracovníkov výskumu a vývoja do 35 rokov vrátane študentov doktorandského štúdia do riešenia projektu

V projekte sú zapojení mladí výskumní pracovníci, riešiteľský kolektív pozostáva z mladých výskumníkov do 35 rokov a interných doktorandov. Projekt môže významne prispieť k rozšíreniu poznania a schopností výskumníkov z jednotlivých pracovísk pre rýchle napredujúcu oblasť veľkých dát a vytvoriť dobré predpoklady pre získanie ďalších zaujímavých projektov, či už v rámci základného, alebo aplikačného výskumu.

Potrebná technická a dátová infraštruktúra bude využívaná na základe dostupných možností. Táto infraštruktúra bude k dispozícii členom projektového tímu na experimentálne vyhodnotenie skúmaných metód a modelov pre prácu s veľkými dátami. Dátová infraštruktúra bude zabezpečená najmä z voľne dostupných zdrojov textových dát (ClueWeb (veľkosť 25TB), Wikipedia dump (40GB), Google books ngram (2.2TB)) rovnako aj zo streamov zo sociálnych sietí (Twitter, Facebook).

Z technologického hľadiska bude pre riešenie projektu využívaná technologická infraštruktúra dostupná v rámci riešiteľského pracoviska. V rámci FEI TUKE sú kontinuálne vytvárané podmienky na riešenie výpočtovo a kapacitne náročných úloh prostredníctvom hardvérového a softvérového vybavenia z projektov financovaných zo štrukturálnych fondov ako napr. Centrum excelentnosti I. a II. (ITMS 26220120020, 26220120030) a práve prebiehajúceho projektu Univerzitného vedeckého parku Technicom (26220220182). K dispozícii je viacero výkonných serverov, ktoré sú priebežne dopĺňané vysokokapacitnými diskovými úložiskami s minimálnou kapacitou 30TB. Všetky zariadenia sú umiestnené v klimatizovaných serverovniach TUKE so sieťovým pripojením 10Gb/s do internetu prostredníctvom Slovenskej akademickej siete SANET. Táto základná infraštruktúra je vhodne doplnená dvoma laboratóriami určenými pre vývoj a testovanie softvérových komponentov v distribuovanom prostredí.

Riešiteľský kolektív zahŕňa pracovníkov Katedry kybernetiky a umelej inteligencie, Centra hospdárskej informatiky Fakulty elektrotechniky a informatiky Technickej univerzity v Košiciach. Členovia riešiteľského kolektívu sa v minulosti podieľali na riešení viacerých projektov, z medzinárodných to boli napr. projekt 6. rámcového programu KP-Lab, 7. RP projekt HYDRA, ako aj na riešení viacero národných projektov typu VEGA, KEGA a APVV (napr. Tradice, SEMCO-WS, atď.). Ide o mladý a dynamický kolektív, ktorý pozostáva z kombinácie už skúsenejších výskumníkov v relevantných oblastiach výskumu (Martin Sarnovský v oblasti distribuovanej výpočtovej infraštruktúry na spracovanie veľkých objemov dát; Gabriel Tutoky v oblasti analýzy a spracovania prúdov dát zo sociálnych médií; atď.) a mladých študentov doktorandského štúdia. Jednotliví riešitelia svojim výskumným zameraním vhodne pokrývajú výskumné úlohy.

Ing. Martin Sarnovský, PhD. – odborný asistent na KKUI, medzi odborné oblasti záujmu patrí analýza textových dát, distribuované počítanie, analýza veľkých dát, analýza prúdov dát. V rámci projektu pôsobí ako zodpovedný riešiteľ projektu, bude sa venovať úlohám návrhu a implementácie optimalizačných metód pre distribúciu úloh

Ing. Gabriel Tutoky, PhD. – výskumník na Katedre kybernetiky a umelej inteligencie, medzi odborné oblasti záujmu patrí dolovanie v dátach, analýza dát zo sociálnych sietí, transformácia dát v sieťach, analýza citačných sietí, tvorba modelov. V rámci projektu sa bude venovať návrhu metód pre analýzu prúdov textových dát zo sociálnych médií.

Ing. Cecília Havrilová – doktorand na KKUI, v rámci doktorandského štúdia sa zameriava na analýzu dát, najmä za účelom tvorby odporúčaní v rôznych procesoch. Medzi ďalšie oblasti výskumu patria metódy analýzy kolaboratívnych procesov. V rámci projektu sa bude venovať analýze veľkých textových dát.

Ing. Miroslav Smatana – doktorand na KKUI, v rámci doktorandského štúdia sa venuje najmä spracovaniu prirodzeného jazyka, oblasti modelovania témy a analýze sentimentu. V rámci projektu sa bude venovať návrhu a verifikácii metód pre modelovanie témy na prúdoch textových dát pomocou metód FCA.

Ing. Martin Mikula – doktorand na KKUI, v rámci doktorandského štúdia sa venuje oblasti analýzy sentimentu a dolovania názorov v konverzačnom obsahu. V rámci projektu sa bude venovať analýze prúdov textových dát zo sociálnych médií z hľadiska ich sentimentu.