Nasazení modelů hlubokého učení v laboratorní a průmyslové praxi naráží na hardwarové mantinely. V kontextu jaderného výzkumu musí výsledná desktopová aplikace spolehlivě běžet na běžně dostupných klientských stanicích, které často nedisponují dedikovaným výpočetním výkonem (špičkovými GPU). Zpracování mikroskopických snímků s vysokým rozlišením navíc vyžaduje promyšlenou softwarovou architekturu, aby nedocházelo k zamrzání uživatelského rozhraní během výpočtů.
Tato práce je koncipována jako analyticko-programátorská studie. Jejím cílem není vytvořit kompletní produkční software, ale identifikovat kritická místa a úzká hrdla při integraci AI do desktopového prostředí (např. spouštění AI modelů, asynchronní zpracování úloh na pozadí a odezva rozhraní).
Praktická část práce se zaměřuje na studium vlivu kvantizace (optimalizace) hlubokého modelu, který studentovi poskytne zadavatel. Student bude zkoumat, jak se změní chování modelu (zrychlení výpočtu, snížení paměťové náročnosti) a zda nedojde k degradaci jeho úspěšnosti při zaokrouhlení vnitřních parametrů (přechod z vysoké přesnosti FP32 na efektivní formáty jako FP16 či INT8) s využitím moderních průmyslových standardů a asynchronního zpracování na pozadí frameworku PyQt.
Cíle práce
- Analýza požadavků a softwarový návrh: Analýza uživatelských a technických požadavků na aplikaci pro její uživatele. Návrh modulární architektury (oddělení uživatelského rozhraní, procesní pipeline pro úpravu obrazu a inference modelu).
- Identifikace kritických míst aplikace: Vydefinování a analýza slabých míst a rizik při tvorbě aplikace (např. synchronizace grafického vlákna PyQt a výpočetních procesů, paměťová režie při preprocesingu obrazu, latence výpočtu).
- Praktická optimalizace a kvantizace: Seznámení se s možnostmi komprese modelů a jejich praktická realizace na modelu dodaném zadavatelem. Využity budou zavedené průmyslové standardy a frameworky, například ONNX / ONNX Runtime, Intel OpenVINO či NVIDIA TensorRT.
- Srovnávací benchmark (Vyhodnocení): Provedení série měření na měření budou provedena na běžné pracovní stanici bez specializovaného akcelerátoru s cílem zjistit vliv přechodu na kvantizovaný formát na přesnost klasifikace snímků (Accuracy, F1-score), rychlost odezvy a hardwarové nároky (využití RAM, zátěž CPU).
- Formulace doporučení: Na základě experimentů formulovat doporučení pro volbu architektury desktopové aplikace a vhodné strategie kvantizace modelu.
Poznámka k praktickému přínosu: Výstupy této analytické práce přímo pomohou vydefinovat softwarová rizika a optimální formát komprese AI modelu pro produkční aplikaci vyvíjenou v rámci institucionálního výzkumu bezpečnosti jaderných reaktorů.
