MISAŘ, O. Pokročilý plánovač záměrů pro BDI systémy [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2025.
S aktivitou studenta během řešení projektu jsem spokojen a výsledek práce je přínosný pro realizaci inteligeneních multiagentních systémů prostřednictvím nástroje FRAg. Hodnotím nadprůměrným stupněm B.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Informace k zadání | Podstatou zadání bylo rozšířit systém pro programování BDI multiagentních systémů FRAg o metody usuzování a řízení agentů založené na algoritmech Monte Carlo Tree Search (MCTS). Tyto metody reprezentují současnou úroveň vývoje v oblasti usuzování BDI agentů a měly být implementovány s využitím přístupu „late bindings“ při intermretaci agentního kódu, které jsou pro systém FRAg originální. Student toto zadání splnil a navíc se mu podařilo realizovat paralelizaci vykonávání MCTS, čímž původní zadání výrazně překročil. | ||
| Práce s literaturou | Pro splnění zadání student potřeboval nastudovat aktuální články na témata uvedena v předchozím bodě, tedy usuzování u BDI agentů s použitím MCTS, seznámit se se systémem FRAg a s podstatou přístupu Late Bindings práce při interpretaci naprogramovaných agentů. | ||
| Aktivita během řešení, konzultace, komunikace | Student pracoval po celou dobu řádně a pravidelně mě informoval, jak se práce daří. V přestihu již bylo patrné, že se podaří realizvoat zadané části systému, že jejich správné fungování je ověřeno a že se dosáhlo významného zrychlení paralelizací. Tedy s aktivitou studenta jsem spokojen. | ||
| Aktivita při dokončování | Práce probíhaly až do termínu odevzdání. Větší část textu jsem měl možnost projít a měl jsem prostor k připomínkám, avšak konečnou verzi jsem již nečetl. | ||
| Publikační činnost, ocenění | Doposud žádná, ale výsledek práce má potenciál k publkování na kvalitní agentní konferenci. |
Práci hodnotím jako velmi zdařilou. Student úspěšně navrhl, implementoval a experimentálně ověřil metodu pro výběr záměrů založenou na algoritmu MCTS. Výsledky jsou jasně prezentovány a srozumitelně vyhodnoceny. Přes drobné výhrady k technické zprávě hodnotím práci stupněm A.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Náročnost zadání | Cílem této práce bylo upravit současné přístupy k výběru záměru BDI agenta tak, aby byly proveditelné v systémech založených na jazyku predikátové logiky prvního řádu. Zadání považuji za průměrně obtížné. | ||
| Rozsah splnění požadavků zadání | Zadání práce bylo splněno. | ||
| Rozsah technické zprávy | Rozsah technické zprávy je v obvyklém rozmezí. | ||
| Prezentační úroveň technické zprávy | 80 | Práce je vhodně strukturovaná a kapitoly na sebe dobře navazují. Některé části práce postrádají dostatečné objasnění kontextu a mohou být pro čtenáře obtížněji srozumitelné. Například není zcela jasné, na jakých systémech byly dosud vyhodnocovány plánovače založené na algoritmu Monte Carlo Tree Search (MCTS). Podobně by si i rozdíl mezi včasnou a pozdní vazbou proměnných zasloužil jasnější objasnění, neboť nejde o obecně známé pojmy a práce se zaměřuje spíše na jejich implementační stránku. Prezentační úroveň práce, i přes uvedené výhrady, považuji za nadprůměrnou. | |
| Formální úprava technické zprávy | 85 | Oceňuji, že práce je napsaná v anglickém jazyce. Celkovou jazykovou a typografickou úroveň práce hodnotím jako velmi dobrou, i když se v ní objevují drobné nedostatky. V práci se však opakovaně vyskytuje použití desetinné čárky namísto desetinné tečky. Při odkazování na tabulky se používá nestandardní zkratka „tab“ namísto plného „Table“. Na straně 20 chybí při odkazu na sekci 2.6 slovní uvedení, že se jedná o sekci. V tabulce 5.3 je v každém řádku uveden formát výstupu, přičemž by bylo vhodnější tento formát vysvětlit pouze jednou v popisku tabulky. Text dále obsahuje nesprávné použití malých písmen u zkratky JSON , která by měla být uvedena velkými, a nekonzistentní zápis výrazů precondition a postcondition (s a bez pomlčky). | |
| Práce s literaturou | 90 | Student zvolil vhodnou literaturu, která odpovídá tématu práce a zahrnuje jak základní teoretické práce, tak současné výzkumné články relevantní k řešené problematice. Vlastní přínosy jsou v textu přehledně odděleny od převzatých přístupů a citační etika je dodržena. V několika případech chybí odkazy na původní zdroje (např. Procedural Reasoning System, Jason, UCT), což však vzhledem k jejich všeobecné známosti nepovažuji za chybu. | |
| Realizační výstup | 95 | Student navrhl a implementoval metody pro výběr záměrů založené na algoritmu MCTS v jazyce Python, včetně varianty využívající zpětnovazební učení. Pro integraci do systému FRAg, napsaného v Prologu, vytvořil dvě architektury: integrovanou a externí, která podporuje i paralelní výpočty. K ověření řešení student využil jak existující prostředí systému FRAg, tak i vlastní prostředí. Jím navržené řešení vykazuje kratší dobu výpočtu a varianta se zpětnovazebním učením dosahuje mírně lepších výsledků než původní verze v systému FRAg. Zdrojový kód je přehledně rozdělen do modulů a veřejné metody tříd jsou vhodně komentovány. | |
| Využitelnost výsledků | Výstup práce spočívá v integraci metody pro výběr záměrů založené na MCTS do systému FRAg. Integrace této metody představuje aktuálně řešený problém, a výsledky tak mají potenciál být využity v dalším vývoji systému. |
eVSKP id 164364