Inteligentní systémy pro IT

Inteligentní systémy nepředstavují jeden uzavřený obor, ale soubor přístupů, metod a technologií, které propojují prvky umělé inteligence, strojového učení, datové analytiky, adaptivního řízení a interaktivních rozhraní. Toto široké pojetí umožňuje integrovat poznatky z různých disciplín a vytvářet řešení, která dokážou samostatně analyzovat, rozhodovat a přizpůsobovat se měnícím se podmínkám prostředí. Vývoj inteligentních systémů je charakterizován vzájemně provázaným rozvojem teorie, výpočetních metod a praktických aplikací v oblasti informačních technologií.

Inteligentní systémy se zaměřují na řešení komplexních problémů, které vyžadují schopnost učení, adaptace a rozhodování na základě neúplných nebo neurčitých informací. Využívají pokročilé algoritmy strojového učení, neuronové sítě, fuzzy logiku, evoluční přístupy, expertní systémy či kombinace těchto metod. Jejich cílem je vytvářet systémy schopné porozumět datům, samostatně optimalizovat své chování a podporovat lidské rozhodování.

V oblasti informačních technologií nacházejí inteligentní systémy široké uplatnění — od analýzy a predikce dat přes řízení procesů, automatizaci a personalizaci služeb až po vývoj adaptivních informačních systémů, inteligentních agentů a virtuálních prostředí. Jejich význam roste s rozvojem umělé inteligence, virtuální reality, internetu věcí (IoT), kyber systémů a velkých dat (Big Data), kde je klíčové efektivní zpracování informací v reálném čase.

Současné směry výzkumu se zaměřují na integraci inteligentních systémů do moderních IT architektur, jako jsou cloud computing, edge computing či hybridní AI platformy. Důraz je kladen také na vysvětlitelnost, transparentnost a spolehlivost těchto systémů, které jsou zásadní pro jejich nasazení v oblastech jako zdravotnictví, průmysl 4.0, kybernetická bezpečnost nebo autonomní řízení.

Inteligentní systémy tak představují klíčový výzkumný směr propojující informatiku, umělou inteligenci a moderní technologie. Jejich cílem není pouze automatizovat tradiční úlohy, ale rozvíjet nové formy adaptivního a kontextově uvědomělého zpracování informací, které posouvají hranice možností současných informačních technologií.

Výzkumné týmy a zapojení pracovníci:

  • doc. RNDr. Martin Kotyrba, Ph.D. – garant výzkumného týmu
  • prof. RNDr. PaedDr. Eva Volná, PhD.
  • doc. RNDr. PaedDr. Hashim Habiballa, Ph.D., PhD.
  • doc. RNDr. Petr Bujok, Ph.D.
  • Mgr. Rostislav Fojtík, Ph.D.
  • RNDr. Michal Janošek, Ph.D.
  • Mgr. Robert Jarušek, Ph.D.
  • Mgr. Alexej Kolcun, CSc.
  • Mgr. Marek Malina, Ph.D.
  • Ing. Pavel Smolka, Ph.D.
  • Ing. Zdeňka Telnarová, Ph.D.
  • RNDr. Marek Vajgl, Ph.D.
  • RNDr. Bogdan Walek, Ph.D.
  • RNDr. Matej Zuzčák, Ph.D.
  • RNDr. Jaroslav Žáček, Ph.D.
  • PhDr. RNDr. Martin Žáček, Ph.D.

Významné projekty za posledních 5 let:

OP TAK CZ.01.01.01/01/24_062/0007501 Anafra Global Web 2026-2027
OP TAK CZ.01.01.01/01/22_002/0000497 24 VISION a.s. – Aplikace 1 – Automatizace kontroly kvality s prvky umělé inteligence v hybridním prostředí 2024-2026
OP VVV NPO_OSU_MSMT-16610/2022 Příprava akreditace doktorského studijního programu Aplikovaná informatika 2022-2024
Visegrad Fund 22210032 V4 Educational Academic Portal for Integrating IT into Education 2022-2023
EU ERASMUS +KA2 Aktivní vzdělávání seniorů bez bariér (ASEB) 2020-2023
TAČR TL02000313 Chytrý neuro-rehabilitační systém pro pacienty se získaným poškozením mozku v časných stádiích léčby 2019-2023
GAČR GA18-06915S Nové přístupy k agregačním operátorům v analýze a zpracování dat 2018-2020

Významné publikace:

  1. Walek, B., & Müller, P. (2025). A text-based recommender system for recommending relevant news articles. Expert Systems with Applications, 266, 125816.
  2. Walek, B., & Fajmon, P. (2023). A hybrid recommender system for an online store using a fuzzy expert system. Expert Systems with Applications, 212, 118565.
  3. Kotyrba, M., Habiballa, H., Volna, E., Jarusek, R., Smolka, P., Prasek, M., ... & Jaremova, V. (2023). Proposal of neural network model for neurocognitive rehabilitation and its comparison with fuzzy expert system model. BMC Medical Informatics and Decision Making, 23(1), 221.
  4. Silva, P., Gonçalves, C., Antunes, N., Curado, M., & Walek, B. (2022). Privacy risk assessment and privacy-preserving data monitoring. Expert Systems with Applications, 200, 116867.
  5. Jarusek, R., Volna, E., & Kotyrba, M. (2022). FOREX rate prediction improved by Elliott waves patterns based on neural networks. Neural Networks, 145, 342-355.
  6. Hurtik, P., Molek, V., Hula, J., Vajgl, M., Vlasanek, P., & Nejezchleba, T. (2022). Poly-YOLO: higher speed, more precise detection and instance segmentation for YOLOv3. Neural Computing and Applications, 34(10), 8275-8290
  7. Barton, A., Volna, E., Kotyrba, M., & Jarusek, R. (2021). Proposal of a control algorithm for multiagent cooperation using spiking neural networks. IEEE Transactions on Neural Networks and Learning Systems, 34(4), 2016-2027.
  8. Kotyrba, M., Volna, E., Jarusek, R., & Smolka, P. (2021). The use of conventional clustering methods combined with SOM to increase the efficiency. Neural Computing and Applications, 33(23), 16519-16531.
  9. Volna, E., Jarusek, R., Kotyrba, M., & Zacek, J. (2021). Training set fuzzification based on histogram to increase the performance of a neural network. Applied Mathematics and Computation, 398, 125994.
  10. Zuzčák, M., & Bujok, P. (2021). Using honeynet data and a time series to predict the number of cyber attacks. Computer Science and Information Systems, 18(4), 1197-1217.

Zveřejněno / aktualizováno: 31. 03. 2026