פרויקטי גמר - הנדסת תעשייה ומערכות מידע - הנדסת תעשייה ומערכות מידע תשפ"ה
הרקע לפרויקט:
מערכות תכנה ומידע המשלבות אלגוריתמים, בינה מלאכותית ולמידת מכונה נכנסות לכל תחומי החיים כמערכות המלצה וניהול אך עדיין הרבה פחות כמערכות לקבלת החלטות - תחום שמוגדר כ"דבר הבא". בפרויקט תפותח מערכת קבלת החלטות המשלבת בינה מלאכותית, אלגוריתמים ולמידת מכונה.
אחד מסוגי ההחלטות הכי חשובים במגוון תחומים כמו רשתות תקשורת, רשתות אנושיות, פיננסים, פרויקטים ואירגונים הוא איך להקצות משאבים מוגבלים (אנשים, כסף, מכונות, רוחב פס וכדומה). החלטות אלו המתקבלות כיום על בסיס אינטואיציה במקרה הרע או על בסיס חוקים היוריסטיים ושיטות תכנות מתמטי העלולות להיות לא מדוייקות או יקרות בהיבט זמן החישוב, בהתאמה.
בפרויקט זה ישולבו שיטות החלטה מונחות מידע ונתונים על בסיס בינה מלאכותית כדי להעלות מערכת עובדת לאינטרנט.
בפרויקט זה ניתן, במידת הצורך, לשלב אנשים משני תארים שונים
מטרת הפרויקט:
פיתוח מערכת תוכנה/מידע המקבלת בעיית הקצאת משאבים כקלט ומפיקה פתרון לבעיית הקצאת המשאבים באמצעות שימוש בבינה מלאכותית.
תכולת הפרויקט:
1. אפיון המערכת, התהליכים שהיא מנהלת והארכיטקטורה שלה
2. הבנה של מרכיבי המערכת (מתזמן הבינה המלאכותית, ממשקי משתמש לקלט ולפלט, תפריטים ועוד)
3. פיתוח המערכת ובדיקות
4. פריסת דמו לאינטרנט
קורסי קדם:
ידע וציונים טובים בקורסים הקשורים לתכנות. היכרות עם מבני נתונים ואלגוריתמים ולמידת מכונה וציון טוב בקורסים המתאימים.
דרישות נוספות:
בעיני הכי חשוב הוא הסקרנות, היוזמה והשאיפה למצויינות של הצוות.
כמו כן עניין בפיתוח מערכות מידע ו/או תכנה המשלבות אלגוריתמים ולמידה עם בינה מלאכותית ולמידת מכונה
קורסים רצויים אך שאינם חובה - מידול וכריית תהליכים, בינה מלאכותית
מקורות:
https://ieeexplore.ieee.org/abstract/document/10483272
הרקע לפרויקט:
גיזום רשתות נוירונים הוא נושא חשוב ורלוונטי ביותר בתחום הלמידה העמוקה, מכיוון שהוא מאפשר להקטין את המורכבות של מודלים ולהפוך אותם ליעילים יותר מבחינת ביצועים וזמני ריצה. המערכת שתפותח בפרויקט זה תספק תמיכה מלאה בתהליך הגיזום ותכלול כלים להערכת השפעת הגיזום על ביצועי המודל. המערכת תאפשר למשתמשים להבין לעומק את השפעות הגיזום ולבצע אופטימיזציה למודלים בצורה היעילה ביותר.
מטרת הפרויקט:
מטרת הפרויקט היא ליצור מערכת מקיפה שתאפשר להעריך בצורה מדויקת את ביצועי רשתות הנוירונים לפני ואחרי קיצוץ, תוך פיתוח ממשקים לניטור ושיפור זמני ריצה, זיכרון ומשאבים נוספים. המערכת תספק כלים שיאפשרו למשתמשים לבצע אופטימיזציה למודלים שלהם ולהשיג ביצועים מרביים.
תכולת הפרויקט:
* מחקר וניתוח: ביצוע מחקר על גיזום והערכת רשתות נוירונים וניתוח ביצועים של מודלים שונים.
* פיתוח והטמעה: פיתוח מערכת הערכת ביצועים מתקדמת שתשווה בין ביצועי רשתות לפני ואחרי קיצוץ, ע"פ מגוון מדדים (מהירות, זמני ריצה, רובסטיות ועוד).
* פיתוח וטכנולוגיה: פיתוח מערכת End-to-End בסטנדרט פיתוחי גבוה, חשיפה לכלים וטכנולוגיות מובילים בתעשייה.
קורסי קדם:
* כריית מידע וייצוג מידע (83676)
* מבוא ללמידת מכונה (83622)
* תכנות פייתון (83011)
דרישות נוספות:
* למידה עמוקה (83882)
* עיבוד שפה טבעי (89680)
מקורות:
- "WHAT IS THE STATE OF NEURAL NETWORK PRUNING", https://proceedings.mlsys.org/paper_files/paper/2020/file/6c44dc73014d6…
- "RETHINKING THE VALUE OF NETWORK PRUNING", https://arxiv.org/pdf/1810.05270
הרקע לפרויקט:
שיחות מזיקות באמצעות פלטפורמות מבוססות מודלי LLM הוא אחד הסכנות הגדולות הקיימות היום. כחלק מהאתגר, מפתחי Chatboot מנסים לפתח מנגנונים מסוג Responsible AI כדי למנוע תשובות "מזיקות". מאידך, משתמשים מנסים לפתח מנגנוני "הטעיה" שנקראים Jailbreaking כנגד מנגנוני ה-Responsible AI. לאחרונה נאסף בסיס נתונים גדול שפורסם לאחרונה במסגרת כנס ICLR שכולל אינטראקציות "נקיות" ורעילות - המאמר מפורסם בלינק הבא: https://arxiv.org/pdf/2405.01470. קיים צורך לפתח מודל ביניים שיוכל לזהות בצורה מהירה (מודלים יעילים) עם יכולת יציבה (רובסטיות גם מול הטעיות), לזהות Prompts רעילים מסוג זה. מטרת הפרויקט להציע מנגנון קיצוץ רשת מסוג LLM שתוכל להתמודד עם אתגרים אלו.
מטרת הפרויקט:
פיתוח מתודולוגיית קיצוץ רשת LLM עבור בעיית קלאסיפיקציה עם מספר מועט של קלאסים - כולל יישום לבעיית זיהוי Prompts רעילים מסוגים שונים.
תכולת הפרויקט:
1. להבין לעומק ארכיטקטורת רשתות LLM.
2. לפתח מנגנון קיצוץ רכיבים של רשת LLM לשפר ביצועי ריצה ולבחון שיפור רובסטיות.
3. לבצע יישום של המתודולוגיה על רשת LLM תוך יישום לבעיית זיהוי Prompts רעילים.
קורסי קדם:
נדרש להיות רשומים וללמוד את הקורסים עיבוד שפות טבעיות בטכניקות למידת מכונה ולמידה עמוקה עד סוף סמסטר א'.
דרישות נוספות:
ידע נרחב במבנה ועבודה עם רשתות עמוקות (רשתות קונבולוציה) הינו הכרחי. נדרש ממוצע תואר למעלה מ-85 עד סוף שנה שלישית עם ציונים גבוהים בקורסי הסתברות וקורסי למידה מכונה.
מקורות:
https://arxiv.org/pdf/2405.01470
הרקע לפרויקט:
שיטות לניתוחי דאטה המשמרות פרטיות באות במגוון דרכים ואלגוריתמים, ולכל אחת מהן יש טרייד-אוף משלה בין יעילות הניתוח לבין כמות "הפסד הפרטיות".
בפרויקט זה יתנסו הסטודנטים במימוש, בניתוח ובהשואה בין השיטות השונות.
מטרת הפרויקט:
מבחנים סטטיסטיים הוא תחום רחב של ניתוח דאטה באמצעותו סטטיסטיקאים משיגים תובנות עומק על דאטה. ישנן מטרות רבות אותן מבקש הסטטיסטיקאי לנתח (זהות, אי-תלות, רגרסיה וכו') ולכל אחת מגוון מבחנים שונים (פירסון, Z-test, הילברט-שמידט) שמתאימים כל אחד למצב מעט שונה.
בפרויקט זה יתרכזו הסטונדטים בביצוע מבחנים סטטיטיים ע"י אלגוריתמים משמרי פרטיות. בפרט, הפרויקט יתמקד בשיטות בפרטיות דיפרנציאלית -- שפועלות על ידי הרעשה רנדומית של המבחן הסטטיסטי. ומאחר שמבחנים סטטיסטיים הוא תחום רחב - הרי שפרויקט זה הוא למעשה אוסף פרויקטים דומים-אך-שונים, כשכל פרויקט מתמקד בשיטת מבחן אחרת.
חלק לא מבוטל בפרויקט הוא הכרת התחום של פרטיות דפרנציאלית, קריאת מאמרים והבנת השיטות השונות. משהסטודנטים ירכשו את הידע המוקדם, עיקר הפרויקט יתמקד בתכנון אלגוריתמי של ניתוחים סטטיסטיים שונים, במימוש שיטות, ובהשואת האלגורתימים על גבי מגוון דאטה-סטים שונים.
תכולת הפרויקט:
קריאה של מאמרי רקע
בחירת ה setting בו יתמקד הפרויקט
מימוש אלג' למידה פרטית
השואה של האלגוריתמים השונים על גבי דאטה-סטים שונים
ניתוח תאורטי של האלג'
קורסי קדם:
הסתברות וסטטיסטיקה
למידה ממוחשבת
אלג' 2 (ניתוח אלג' רנדומיים)
דרישות נוספות:
למידת מכונה אחראית
מקורות:
הרקע לפרויקט:
Differential privacy has been established in recent years as the "de-facto" gold standard of privacy preserving data analysis. In this project the students are expected to read, understand, implement and test a differentially private algorithm for locating a cluster / multiple clusters in a given dataset of points in the Euclidean space.
מטרת הפרויקט:
This project is centered around the problem of private data clustering. The students are expected to implement randomized algorithms that deal with clustering, including: noisy counting, above-threshold, locally-sensitive hashing, and randomly chosen axes.
Furthermore, the students are expected to test and compare the performance of said algorithms over multiple datasets.
Academically, the goal of the project is to have the students acquainted with differential privacy (DP) and the high-level ideas of differential privacy, as well as the technical difficulties that arise from the promise of DP.
Practically, the goal is to publish the project's code online, available for researchers world-wide.
תכולת הפרויקט:
The project's main focus is on understanding and implementing a scientific paper in differential privacy.
The project is based on 3 stages:
1. reading and understanding existing work,
2. implementation of algorithms in code and
3. testing empirical performance over synthetic / real-life data.
The main focus of the project is the 1-cluster algorithm of Nissim and Stemmer, composed of multiple building blocks.
The students are required to implement each of these subroutines and then wrap it all together in an algorithm of bounded privacy lose (i.e. a (\epsilon,\delta)-DP algorithm).
קורסי קדם:
83224- מבני נתונים ואלגוריתמים 2
83216- מבוא להסתברות וסטטיסטיקה
דרישות נוספות:
83698-מבוא ללמידת מכונה אחראית
מקורות:
1. arxiv.org/pdf/1804.08001
2. arxiv.org/pdf/1707.04766
3. www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf
הרקע לפרויקט:
הפרויקט עוסק בבעית סיווג שמשלבות הקצאת משאבים עם סוגי אילוצים שונים. את הבעיה אנו פותרים בעזרת מודל דו שלבי שמשלב מודל קלסיפיקציה ומודל חקר ביצועים לפתרון של הקצאת המשאבים עם אילוצים משני סוגים. הסוג הראשון זה אילוץ על בסיס תכונה (feature in the dataset) והוא מתייחס לאילוץ על כמות הרשומות שיכולות להיות מסווגות לכל קלאס לפי ערך של תכונה מסויימת. האילוץ השני הוא על בסיס רשומות, והוא מתייחס לאילוץ על רשומות שצריכות להיות מסווגות ביחד לאותו הקלס. האילוצים הנידונים ובעיית חקר הביצועים היא חדשנית וישנם שני מידולים מוצעים לפתרון המבוססים על הרחבה של בעיית התרמיל.
מטרת הפרויקט:
נצביע על ההבדלים בין שני המידולים השונים ולאיזה מקרים כל אחד מהם עדיף. נפתח שיטות לפתרון יעיל של הבעיה המבוססת על המידולים הללו.
תכולת הפרויקט:
בפרויקט נחקור את שני המידולים השונים המוצעים לבעיית חקר הביצועים כדי להבין מה ההבדלים בניהם ולאיזה מקרים כל אחד מתאים ועדיף. המחקר יתבצע גם על ידי ניתוח מתמטי וגם על ידי הרצת ניסויים וסימולציות על דטה סטים שונים. בנוסף, נפתח שיטות לפתרון של הבעיה כדי לאפשר פתרון יעיל ומהיר של גם עבור דטה סטים גדולים, למשל על ידי עיבוד מקדים של הקלט ופירוק למספר בעיות.
קורסי קדם:
חקר ביצועים, כריית מידע/למידת מכונה, פייתון
דרישות נוספות:
מקורות:
- Lin Chen and Guochuan Zhang. Packing groups of items into multiple knapsacks. ACM Transactions on Algorithms (TALG), 14(4):1–24, 2018
- Geir Dahl and Nj˚al Foldnes. Lp based heuristics for the multiple knapsack problem with assignment restrictions. Annals of Operations Research, 146:91–104, 2006.
- Milind Dawande, Jayant Kalagnanam, Pinar Keskinocak, F Sibel Salman, and Ramamoorthi Ravi. Approximation algorithms for the multiple knapsack problem with assignment restrictions. Journal of combinatorial optimization, 4:171–186, 2000.
- Simona Mancini, Michele Ciavotta, and Carlo Meloni. The multiple multidimensional knapsack with family-split penalties. European Journal of Operational Research, 289(3):987–998, 2021.
- Skackauskas, Jonas, and Tatiana Kalganova. "Dynamic Multidimensional Knapsack Problem benchmark datasets." Systems and Soft Computing 4 (2022): 200041.
הרקע לפרויקט:
ניתוח משאבי אנוש (HRA) הינו תחום מתפתח בהנדסת תעשייה וניהול מערכות מידע, המתמקד בשימוש בניתוח נתונים כדי לייעל את שיטות ניהול המשאב האנושי ותפעול ארגוני. בסביבה עסקית טכנולוגית של היום, ארגונים מסתמכים יותר ויותר על תובנות מבוססות דטה כדי לקבל החלטות אסטרטגיות לגבי כוח העבודה שלהן. פרויקט זה נועד להכיר לסטודנטים את יסודות התחום ולהמחישו באמצעות חקר ויישום דוגמא מעשית.
מטרת הפרויקט:
- לצייד את הסטודנטים בידע ובכישורים הנדרשים כדי להבין, לנתח וליישם בחקר דוגמא של נתוני משאבי אנוש לשיפור והתייעלות ארגונית על ידי חקר דטהסט מהעולם ויישום טכניקה אנליטית.
- לחקור תחום ספציפי בעולם HRA תוך הערכה ביקורתית של נושא אחד בתחום.
בספרות HRA, קיים תחום של Human Resources Organizational Data Mining (HRODM) ששופך אור על הקטגוריות החשובות ביותר שממקסמות את המשאב האנושי בסביבת עבודה נתונה. הדגש בפרויקט זה הינו לנתח וליישם קטגוריה אחת ההכרחית לטיפול באתגרי מהתחום הנ"ל, מיפוי וסיווג דטה ארגוני ומיפוי משאבי הארגון. לצורך ביצוע של הפרויקט הסטודנטים ידרשו לשלב כלי מחקר מגוונים.
תכולת הפרויקט:
תכולת הפרויקט
שלבי הפרויקט יכילו: (1) סקר ספרות (2) בחירת בעיה ואישורה 3) בחירת דטהסט רלוונטי לפתרון הבעיה תוך מיפוי משאבי הארגון / סביבת העבודה. (4) פתרון מוצע והערכה ביקורתית על בסיס הנתונים. (5) סיכום התוצאות. (6) כתיבת הפרויקט ומסמך סופי.
קורסי קדם:
TBD
דרישות נוספות:
Project Performed in English Only.
מקורות:
- Chalutz-Ben Gal, H. (2023). Human Resources-Based Organizational Data Mining (HRODM): Themes, Trends, Focus, Future. In: Rokach, L., Maimon, O., Shmueli, E. (eds) Machine Learning for Data Science Handbook. Springer, Cham. https://doi.org/10.1007/978-3-031-24628-9_36
- Avrahami, D., Pessach, D., Singer, G., & Chalutz Ben-Gal, H. (2022). A human resources analytics and machine-learning examination of turnover: implications for theory and practice. International Journal of Manpower, 43(6), 1405-1424.
- Chalutz-Ben Gal, H. (2019). An ROI-based review of HR analytics: practical implementation tools. Personnel Review, 48(6), 1429-1448.
הרקע לפרויקט:
מערכות לניהול פסולת ( אשפה) הינן מערכות מורכבות , קריטיות לחיי היום יום , מנוהלת ברמה יומית ואינן מוערכות מספיק. הקפי הפעילות הינם גדולים מאד וברמה עירונית או אפילו מדינתית הינם משמעותיים מאד. לדוגמא, התקציב של עירית תל אביב לניהול אשפה הינו כ 2 מילארד שקלים.
מהרכיבים הלוגיסטיים הקיימים מחד ,והעדר כלים הנדסיים מתקדמים מאידך מהווה אתגר הנדסי .
מטרת הפרויקט:
מטרת הפרויקט היא לתכנן ולפתח מערכת יעילה לניהול פסולת המייעלת את תהליכי האיסוף, ההפרדה והסילוק כדי למזער את ההשפעה הסביבתית ואת עלויות התפעול. על ידי שילוב עקרונות של הנדסת תעשייה, כגון אופטימיזציה של תהליכים, שימוש בכלי סימולציה מתקדמים כמו System Dynamics וניתוח נתונים מתקדם. מטרת הפרויקט היא ליצור מערכת דינאמית שניתן ליישם במסגרות שונות, כולל סביבות עירוניות, מתקנים תעשייתיים או אפילו ברמה כלל ארצית.
תכולת הפרויקט:
סקר ספרות והגדרת הבעיה
- הסטודנטים יערכו סקירת ספרות מקיפה על מערכות קיימות לניהול פסולת, תוך זיהוי אתגרים מרכזיים והזדמנויות לשיפור.
- לאחר מכן הם יגדירו את הבעיה הספציפית שהפרויקט שלהם יתמודד, כולל ההיקף והיעדים של מערכת ניהול הפסולת שהם מתכננים לתכנן.
איסוף וניתוח נתונים
- הסטודנטים יאספו נתונים על שיטות ייצור, איסוף וסילוק פסולת נוכחיים בסביבה הנבחרת (למשל, אזור עירוני, אתר תעשייה או קמפוס).
- הם ינתחו את הנתונים כדי לזהות חוסר יעילות ואזורים פוטנציאליים לאופטימיזציה, תוך שימוש בכלים כגון ניתוח סטטיסטי, מיפוי תהליכים וסימולציה של System Dynamics
עיצוב מערכת
- בהתבסס על הממצאים מניתוח הנתונים, הסטודנטים יתכננו מערכת לניהול פסולת הכוללת אסטרטגיות להפחתת פסולת, שיטות איסוף יעילות ותהליכי סילוק או מיחזור מתאימים.
פיתוח ובדיקה של אב טיפוס
- הסטודנטים ייצרו אב טיפוס או מודל סימולטיבי של מרכיבים מרכזיים במערכת ניהול הפסולת
הם יבחנו את אב הטיפוס בסביבה מבוקרת כדי להעריך את יעילותו ולאסוף משוב לשיפור נוסף.
דוח סופי ומצגת
- הסטודנטים יאספו את הממצאים, והתוצאות שלהם לדוח סופי ומצגות
קורסי קדם:
83676 כריית מידע וייצוג מידע
83363 סימולציה
83513 תפעול מערכות ייצור ושירות
מקורות:
- https://magazine.isees.org.il/?p=20127
- Daskal S, Ayalon O, Shechter M. The state of municipal solid waste management in Israel. Waste Management & Research. 2018;36(6):527-534. doi:10.1177/0734242X18770248
- https://www.neaman.org.il/Files/Report_The%20Waste%20Treatment%20Crisis…
הרקע לפרויקט:
ההתפתחות המהירה של בינה מלאכותית (AI) והשפעתה על תחומים רבים, ובמיוחד על תהליכי עבודה בארגונים, הפכה לנושא מחקרי מרכזי. AI יכולה לשפר את יעילות התהליכים על ידי אוטומציה של משימות, קבלת החלטות מושכלות, וניתוח נתונים בזמן אמת. פרויקט זה נועד להכיר לסטודנטים את היסודות והפוטנציאל של AI בייעול תהליכי עבודה, ולהמחיש את היישום שלה באמצעות חקר ויישום מעשי בסביבות חקר משתנות.
מטרת הפרויקט:
- להקנות לסטודנטים ידע, כישורים וכלים נדרשים כדי להבין, לנתח וליישם בינה מלאכותית לשיפור והתייעלות תהליכי עבודה בארגון. הפרויקט יתמקד בהערכת ההשפעות של AI על קטגוריות ומקטעים מגוונים, בתהליכי העבודה ובחינת תוצאותיהן בפועל.
- לחקור תחום ספציפי בעולם יישומי בינה מלאכותית תוך הערכה ביקורתית של נושא אחד בתחום.
הספרות מציגה מגוון גישות ומדדים לשילוב מושכל של AI בתהליכי עבודה. הקטגוריות החשובות ביותר שממקסמות את יישום הבינה בסביבת עבודה אנושית ובסביבת עבודה נתונה. הדגש בפרויקט זה הינו לנתח וליישם קטגוריה אחת ההכרחית לטיפול באתגרים מהתחום הנ"ל, מיפוי וסיווג דטה ארגוני ומיפוי כלי בינה ספציפיים המיושמים במקטעי עבודה מגוונים. לצורך ביצוע של הפרויקט הסטודנטים ידרשו לשלב כלי מחקר מגוונים.
תכולת הפרויקט:
האתגר בפרויקט זה הוא לזהות ולפתור בעיה בתהליך עבודה ארגוני באמצעות יישום כלים מבוססי AI או כלי סטטיסטי אחר באישור. הפרויקט ידרוש ידע/למידה בתחום:
AI ויישומיה בתהליכי עבודה.
ניתוח נתונים ארגוניים ושימוש באלגוריתמים מבוססי AI.לצורך בחינת מדדי ביצוע תפעוליים KPI’s.
בדיקת השפעות AI על תוצאות עסקיות והערכת מדדי הצלחה.
תכולת הפרויקט
שלבי הפרויקט יכילו: (1) סקר ספרות (2) בחירת בעיה ואישורה 3) בחירת דטהסט רלוונטי לפתרון הבעיה תוך מיפוי סביבת העבודה. (4) פתרון מוצע והערכה ביקורתית על בסיס הנתונים. (5) כתיבת הפרויקט וסיכום התוצאות.
קורסי קדם:
הישגים גבוהים בקורס סטטיסטיקה, מבני נתונים, וויזואליזציה של נתונים
יכולת תכנות (פייתון, R)
ראייה ארגונית מערכתית
מקורות:
- Notovich, A., Chalutz-Ben Gal, H., & Ben-Gal, I. (2023). Explainable artificial intelligence (XAI): motivation, terminology, and taxonomy. In Machine Learning for Data Science Handbook: Data Mining and Knowledge Discovery Handbook (pp. 971-985). Cham: Springer International Publishing.
- Chalutz Ben-Gal, H. (2023). Artificial intelligence (AI) acceptance in primary care during the coronavirus pandemic: what is the role of patients' gender, age and health awareness? A two-phase pilot study. Frontiers in Public Health, 10, 931225.
- Chalutz-Ben Gal, H. (2023). Human Resources-Based Organizational Data Mining (HRODM): Themes, Trends, Focus, Future. In: Rokach, L., Maimon, O., Shmueli, E. (eds) Machine Learning for Data Science Handbook. Springer, Cham. https://doi.org/10.1007/978-3-031-24628-9_36
- Chalutz-Ben Gal, H. (2019). An ROI-based review of HR analytics: practical implementation tools. Personnel Review, 48(6), 1429-1448.
הרקע לפרויקט:
הפרויקט מתמקד בשיפור תהליכים תפעוליים בארגון שיבחר על ידי הסטודנטים לשיפור היעילות, והגברת הרווחיות. מסגרת זו מתארת מתודולוגיות, כלים וטכנולוגיות מתקדמות המותאמות לאתגרים וההזדמנויות הייחודיות בסביבות עבודה שונות. מטרתו לתת לסטודנט הזדמנות לרכוש ניסיון תכנוני יישומי ע"י תקיפת בעיה מציאותית במסגרת ארגון מחוץ לקמפוס, תוך שימוש בסקר ספרות ובמרב הגישות ההנדסיות המתקדמות שנלמדו.
מטרת הפרויקט:
• זיהוי חוסר יעילות בתהליכים תפעוליים עכשוויים בהייטק.
• יישום ובדיקה של פתרונות חדשניים לשיפור תהליכים אלו.
• מדידת ההשפעה של פתרונות מיושמים על האפקטיביות הרווחיות ועל מדדי ביצוע KPI שיוגדרו בארגון
תכולת הפרויקט:
• בחירת הארגון לבצוע הפרויקט.
• אפיון הארגון באמצעות פרמטרים כמותיים ואיכותיים.
• איסוף נתונים/צילום המצב הקיים.
• ניתוח תהליכים במערכת התפעולית של הארגון ואיתור צווארי בקבוק.
• הגדרת הבעיה או הבעיות.
• בדיקת כדאיות פתרון הבעיות Feasibility Study מבחינת עלות מול תועלת.
• בחירת הבעיה או בעיות לתקיפה מעמיקה.
• בחירת אסטרטגיה כללית לתקיפת הבעיה או הבעיות.
• איסוף נתונים נוסף -אם דרוש.
• בחירת טכניקות אפשריות לתקיפת הבעיה. לצורך כך יבוצע סקר ספרות מקיף הכולל ספרי לימוד ומאמרים מחקריים.
• אפיון האלטרנטיבות.
• בחינת האלטרנטיבות.
• בחירת האלטרנטיבה המועדפת ,הצגת הפתרון והמסקנות. בחירת האלטרנטיבה המועדפת תתבצע על סמך ניתוח כמותי של התועלת -כספית ואחרת לארגון לאורך אופק התכנון.
• בניה ופיתוח כלים שיאפשרו לארגון ליישם את הפתרון המוצע - כלי תוכנה. כלים אלו יסופקו לארגון עם סיום הפרויקט, כולל הדרכה לשימוש בהם.
קורסי קדם:
83676 כריית מידע וייצוג מידע
83363 סימולציה
83513 תפעול מערכות ייצור ושירות
מקורות:
ניתן לעיין באתר בקורס
הרקע לפרויקט:
אחד מהאתגרים הגדולים בשנים הקרובות הוא גידול מזון באיכות ובכמות מספיקה לאוכלוסיית העולם הגדלה. מבחינה כלכלית - שוק החקלאות והגידולים החקלאיים הוא אחד מהגדולים ביותר. יש שם ומושקע שם הרבה מאוד כסף. יתרה מכך, סטרטאפים רבים קמים בתחום הזה מתוך הבנה שזהו אחד האתגרים הגדולים ביותר. ולכן תחום החקלאות מתפתח ומשלב טכנולוגיות מתקדמות של בינה מלאכותית, שימוש בלווינות, השבחה של זרעים, אוטומציה ורובוטיקה בתחומים נקודתיים. עם זאת, אין ראייה כוללת של איך כלל המרכיבים הללו מתקשרים ומשפיעים אחד על השני ועל תפוקת ואיכות הגידולים. יתרה מכך, חקלאים רבים כיום מקבלים החלטות על בסיס ניסיון קודם ולעיתים זה לא מספיק.
מטרת הפרויקט היא ללמוד מודל של גידולים חקלאיים מנתונים ואת כללי ההחלטה הרלוונטיים בכדי לשפר את התפוקה החקלאית.
מטרת הפרויקט:
מטרת הפרויקט היא ללמוד מודל של גידולים חקלאיים מנתונים ואת כללי ההחלטה הרלוונטיים בכדי לשפר את התפוקה החקלאית.
תכולת הפרויקט:
1. החלטות על סוגי גידולים
2. קביעת מתודולוגיה לניתוח נתונים קיימים, במידת הצורך איסוף נתונים.
3. יישום שיטות כריית תהליכים ולמידת מכונה בכדי לגלות מודל של הגידולים החקלאיים.
4. זיהוי נקודות החלטה במודל והעשרתו (למידת נקודות החלטה).
5. בניית מערכת תוכנה התומכת בתהליך (מקבלת נתונים חקלאיים, לומדת מודל תהליך).
קורסי קדם:
קורסי עיבוד וניהול נתונים בציונים טובים, קורס למידת מכונה בציון טוב, יכולת אנליטית טובה.
דרישות נוספות:
מידול וכריית תהליכים, בינה מלאכותית
קשר כלשהוא לחקלאות - לא הכרחי אך יוסיף (בכל מקרה בעבודה משולבת מומחית מכון וולקני)
מקורות:
ינתן בהמשך
הרקע לפרויקט:
בעיות תזמון הן חלק בלתי נפרד מעולמות התעשייה, הניהול והלוגיסטיקה. הן כוללות תיאום של פעילויות ומשאבים במטרה להשיג יעדים אופטימליים כמו צמצום זמן ביצוע או מקסום ניצול משאבים. עם התקדמות הטכנולוגיה והשימוש הגובר בלמידת מכונה, התגלו דרכים חדשות לשיפור תהליך קבלת ההחלטות בבעיות תזמון. למידת מכונה מאפשרת ניתוח כמויות עצומות של נתונים והתאמת פתרונות תזמון באופן דינמי למצבים משתנים. הפרויקט יבחן שימוש בעצות שניתנות על ידי אלגוריתמים של למידת מכונה לשיפור תזמון המשאבים במצבים מורכבים ואי ודאיים
מטרת הפרויקט:
הפרויקט יעסוק בנושאים הבאים:
1. חקירת האינטגרציה בין למידת מכונה ואלגוריתמי תזמון קיימים: הבנת האופן שבו עצות למידת מכונה יכולות לשפר את ביצועי תהליכי התזמון.
2. פיתוח אלגוריתמים מתקדמים שמשלבים עצות למידת מכונה בתהליך התזמון לצורך שיפור היעילות והתאמתם למצבים משתנים.
תכולת הפרויקט:
שלבי הפרויקט יכילו:
1. סקירת ספרות בתחום בעיות תזמון ולמידת מכונה.
2. פיתוח מודלים ולמידת נתונים עבור בעיות תזמון.
3. תכנון אלגוריתמים המשלבים עצות למידת מכונה.
4. ניתוח ביצועים והשוואה עם שיטות תזמון מסורתיות.
5. כתיבת וסיכום התוצאות.
קורסי קדם:
קורסי חקר ביצועים, תכנות ומתמטיקה.
דרישות נוספות:
• הישגים גבוהים בקורסי חקר ביצועים, תכנות ומתמטיקה.
• הבנה במודלים של למידת מכונה.
• ניסיון תכנותי בשפות כמו פייתון או מטלב.
מקורות:
הרקע לפרויקט:
- תכנות דינאמי - Dynamic Programming הינו כלי רב עוצמה למידול בעיות אופטימיזציה דינאמיות. הוא כלי כל כך חזק עד שניתן באמצעותו למדל בעיות קשות - NP -Hard שלא סביר שניתן לפתור בזמן פולינומיאלי בגודל הקלט.
- סכמות קרוב פולינומיאליות לחלוטין - Fully Polynomial Time Approximation Schemes (FPTASes) נחשבים הטובים ביותר מבין אלגוריתמי הקרוב. בסוג זה של אלגוריתמים ניתן בנוסף לקלט הבעיה גם פרמטר קרוב E>0<1 והאלגוריתם מחזיר פתרון אפשרי (פיסיבילי) שערכו קרוב עד כדי טעות יחסית של E מהאופטימום. זמן הריצה של האלגוריתם הנו פולינומי בגודל קלט הבעיה וב- 1/E. כלומר, ניתן להתקרב ככל הנדרש לפתרון האופטימאלי כאשר הגידול בזמן ריצת אלגוריתם הקרוב הנו פונקציה פולינאמית של 1/E. זהו סוג אלגוריתמי הקרוב עם הפוטנציאל הגבוה ביותר לשימוש מסחרי/הנדסי מבין כל אלגוריתמי הקרוב.
- ישנן מספר שיטות לקרוב תכניות דינאמית באמצעות FPTASes, החדשנית מבניהן פותחה על ידי מנחה הפרוייקט, והיא נקראת K-approximation Sets and Functions
בפרוייקט זה יש לנסח בעיות אופטימזציה דינאמיות באמצעות תכנות דינאמי באופן שניתן יהיה לתת להם סכמות קרוב פולינאמיות לחלוטין באמצעות שיטת K-approximation Sets and Functions.
מטרת הפרויקט:
ניסוח בעיות אופטימזציה דינאמיות באמצעות תכנות דינאמי ומציאת סכמות קרוב פולינאמיות לחלוטין עבורן.
תכולת הפרויקט:
- שליטה במידול בעיות אופטימיזציה דינאמית באמצעות תכנות דינאמי.
- הבנה של אלגוריתמים מסוג FPTASes ושיטת עיקריות להשגתם.
- שליטה בטכניקת K-approximation Sets and Functions והשגת סכמות קרוב פולינאמיות לחלוטין באמצעותה.
קורסי קדם:
83503 - מודלים דטרמינסטיים בחקר ביצועים
83119 - מבני נתונים ואלגוריתמים 1
דרישות נוספות:
חשיבה מתמטית יצירתית, הבנה באלגוריתמים. אין צורך בניסיון בתכנות היות ומדובר בקורס תאורטי.
מקורות:
היות ושיטת K--approximation Sets and Functions הינה חדשנית, אין עדיין ספר לימוד אודותיה. לכן ינתנו כדוגמא מאמרים שעשו בה שימוש. דוגמא לאחד כזה הוא המאמר בקישור הבא:
https://doi.org/10.1016/j.ipl.2021.106114
הרקע לפרויקט:
במחסנים חכמים, ויישומים רבים אחרים בעולם האמיתי, רובוטים נעים במרחב ומבצעים פעולות. עבור רובוטים אלו, דרושים מסלולים שיובילו אותם ליעדם מבלי לגרום להתנגשויות בינהם. בעיה זו ידועה בשם "חיפוש מסלולים בסביבה מרובת סוכנים".
מטרת הפרויקט:
פיתוח ושימוש באלגוריתם מבוסס קונפליקטים (התנגשויות), שיפורו על ידי מתן אילוצים מרובים, והרצתו בסביבות שונות של הבעיה.
תכולת הפרויקט:
- סקר ספרות - קריאת ספרות מדעית רלוונטית
- פיתוח ומימוש אלגוריתם מבוסס קונפליקטים כאלגוריתם כללי לבעיה
- שיפור האלגוריתם בעזרת החלת אילוצים מרובים
- הצעת מדיניות לחלוקת האילוצים
- הרצת ניסויים על גרסאות שונות של הבעיה
קורסי קדם:
- מבני נתונים
- אלגוריתמים
- תכנות - C, C#, Java, Python וכדומה
דרישות נוספות:
- ידע בתכנות בשפות שונות.
- הבנה ועניין בפיתוח אלגוריתמים.
מקורות:
הרקע לפרויקט:
חיפוש המסלול הקצר ביותר בגרף הינה בעיה נפוצה בעלת יישומים רבים, כמו תכנון פעולות לרובוט, תכנון מסלול לרכב אוטונומי, או פתרון פאזלים. אלגוריתמי חיפוש יוריסטי הינם אלגוריתמי בינה מלאכותית שמסוגלים למצוא את המסלול הקצר ביותר בצורה יעילה ומהירה. לעיתים, לא ניתן לבצע חיפוש מוכרים, כגון A*, מכיוון ואלו צורכים כמות זכרון אקספוננציאלית. לכן, ניתן להשתמש, לחלופין, באלגורתמי חיפוש יוריסטי שמבצעים חיפוש לעומק באופן איטרטיבי, כגון IDA*. בפרויקט זה ננסה גישה חדשה שבה מבצעים את החיפוש האיטרטיבי משני צדדי החיפוש על מנת למצוא מהר את המסלול הקצר ביותר.
מטרת הפרויקט:
פיתוח ושימוש באלגוריתם חיפוש לעומק יוריסטי דו-כיווני איטרטיבי שיפורו על ידי בחינת מדיניות שונה לבחירת צדדי החיפוש ועל ידי בחירת עומק החיפוש, והרצתו בסביבות שונות של הבעיה.
תכולת הפרויקט:
- סקר ספרות - קריאת ספרות מדעית רלוונטית
- פיתוח ומימוש אלגוריתם חיפוש לעומק יוריסטי דו-כיווני איטרטיבי כאלגוריתם כללי לבעיה
- שיפור האלגוריתם בעזרת בחינת פרמטרים שונים לאלגוריתם
- הרצת ניסויים על גרסאות שונות של הבעיה
קורסי קדם:
- מבני נתונים
- אלגוריתמים
- תכנות - C, C#, Java, Python וכדומה
דרישות נוספות:
- ידע בתכנות בשפות שונות.
- הבנה ועניין בפיתוח אלגוריתמים.
מקורות: