Cílem práce bylo prozkoumat možnosti využití nástrojů na bázi umělé inteligence pro účely zefektivnění procesu hodnocení dokumentací ke studentským projektům odevzdaných především v předmětu IPP a případně IFJ. Zadání považuji za obtížnější, neboť jde o široký problém z hlediska strojového učení a práce s daty (zajisté nad rámec učiva bakalářského studijního programu na FIT), ale i softwarového inženýrství, a to navíc s přesahem do psychologie interakce člověka a počítače. Řešení považuji za promyšlené, vhodně ohraničené, dobře navržené, v budoucnu rozšiřitelné a použitelné i mimo uvedené předměty.

Aktivitě pana kolegy v průběhu řešení práce nemohu téměř nic vytknout. Na studiu řešené problematiky začal pracovat už před začátkem akademického roku, po celou dobu řešení pak ve vhodném rozsahu práci konzultoval a pravidelně mě informoval o jejím stavu.

Publikační činnost mi není známa. Realizační výstup je zveřejněn formou open source.

Evaluation level: obtížnější zadání

Práce se zabývá velmi aktuálním tématem augmentace hodnocení dokumentačních textů a především experimentálním vyhodnocením, zda jsou již vybrané LLM schopny spolehlivě vyhodnotit kritéria kladená na dokumentace studentských projektů. Vzhledem k aktuálnosti a populárnosti tématu je výčet literatury obrovský a nutnost se v celé problematice zorientovat a všechno si vyzkoušet považuji za nejnáročnější aspekt zadání.

Nenarazil jsem na žádný formální prohřešek.

Samotný systém je velmi dobře použitelný a proběhlo i neoficiální testování nad letošními projekty IPP. Především je šitá na míru architektura systému, kdy je oddělena část používající i placené LLM a část podporující hodnocení cvičících.

Evaluation level: přesahuje obvyklé rozmezí

Text dosahuje doporučené maximální hranice kolem 100 normostran a k tomu obsahuje řadu schémat a diagramů na lepší orientaci v navrženém systému. Nicméně text neobsahuje žádnou vatu a pouze pečlivě pokrývá všechny analyzované a navrhované aspekty.