|
|
Impact of AI Tools on Code Quality and Security
Vinarčík, Peter ; Holop, Patrik (oponent) ; Malinka, Kamil (vedoucí práce)
This work presents a newly developed application that is able to perform fully automated large-scale research for evaluating the safety and quality of AI-generated code. Also, a new way of evaluating the safety of AI-generated code has been presented, utilizing MITRE's methodology in combination with SAST tools performing static analysis on the code. In addition, the application is enhanced with an improved AI chatbot whose output is enhanced with the results of static analysis at generation time. The user inputs a dataset of prompts into the application, and if code with a vulnerability has been generated for a particular prompt, that vulnerability is scored by the established methodology, and the user is informed not only that the code is vulnerable, but how vulnerable it is. As part of the solution, large-scale, pilot testing of popular AIs, such as ChatGPT-4 or Gemini, is performed over a dataset of prompts using the new application, in contrast to existing studies. The results showed the dominance of ChatGPT-4 running on the GPT-4 model, over the other AIs tested.
|
|
|
Možnosti využití umělé inteligence jako podpory práce učitele informatiky na střední škole
Procházka, Jiří ; Černochová, Miroslava (vedoucí práce) ; Neumajer, Ondřej (oponent)
Možnosti využití umělé inteligence jako podpory práce učitele informatiky na střední škole ABSTRAKT Tato diplomová práce zkoumá využití umělé inteligence (AI), konkrétně ChatGPT-4, ve výuce informatiky na střední škole. V teoretické části je představen přehled současných přístupů v AI a srovnání velkých jazykových modelů, s důrazem na ChatGPT-4 pro jeho schopnosti v oblasti generování textu, obrazů z textu a práce s kódem, stejně jako efektivní komunikaci v českém jazyce. Případová studie se soustředila na využití ChatGPT-4 v kompetenčním rámci učitele, zahrnující tvorbu vzdělávacích materiálů, plánování, vedení a reflexi výuky, tvorbu prostředí, poskytování zpětné vazby a hodnocení, profesní komunikaci a rozvoj. Studie potvrdila, že ChatGPT-4 může výrazně zefektivnit práci učitele, šetří čas a tím podporuje větší individualizaci výuky. Dále byla provedena analýza dostupných AI nástrojů vhodných pro výuku informatiky. Diskuse se věnuje tomu, jak integrace AI do výuky informatiky může transformovat práci učitele. AI nabízí podporu v přípravě materiálů a optimalizaci výuky, což zvyšuje prostor pro osobní interakci s studenty. KLÍČOVÁ SLOVA umělá inteligence ve vzdělávání, velké jazykové modely, ChatGPT, AI nástroje pro učitele, generativní AI, integrace AI, výuka informatiky a technologií, případová studie,...
|
|
|
Vliv umělé inteligence na vnímání kvality a důvěryhodnosti obsahu v digitální komunikaci
Richter, Martin ; Slavíček, Daniel (vedoucí práce) ; Koblovský, Petr (oponent)
Tato diplomová práce se zaměřuje na vliv umělé inteligence (AI) na digitální komunikaci, vnímání obsahu a potenciální negativní důsledky spojené s generovaným obsahem. Práce také předkládá možnosti, které generativní umělá inteligence přináší v kontextu tvorby multimediálního obsahu. Zároveň se věnuje faktorům a zkreslením, které ovlivňují vnímání takto generovaného obsahu. Práce také analyzuje povědomí a schopnosti žáků základních a středních škol v oblasti generativní AI. Výsledky ukazují, že studenti mají povědomí o schopnostech generativní AI, ale mají potíže s rozpoznáním generovaného obsahu, což poukazuje na potenciální rizika spojená s manipulací a dezinformacemi.
|
|
|
Model Compression of Denoising Diffusion Probabilistic Models for Image Generation
Dobiš, Lukáš ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis is dedicated to optimizating computation in generative diffusion models by evaluating conventional model compression aproaches on Denoising Diffusion Probabilistic Model (DDPM). Model compression was done on parameters of pretrained baseline DDPM neural network by several quantization and pruning methods. These methods were evaluated on three image dataset benchmarks. Results show that quantization and pruning are viable compression methods for downsizing diffusion networks, because they showed little decrease in quality of generated imagery. These results confirm that implemented compression approaches are vital for deployment of diffusion models on resource constrained Edge devices or to offset their compute costs.
|
host ::
RSS.