Cílem bylo rozšířit analytickou pipeline společnosti Gen Digital Inc. o systém pro shlukování potenciálně podvodných dokumentů na základě vizuální reprezentace a sémantických příznaků. Zadání hodnotím jako obtížné - student musel kombinovat znalosti z kybernetické bezpečnosti, strojového učení (vision a text embedding modely, hustotně založené shlukování) a distribuovaných systémů. Student splnil zadání ve všech bodech. Implementoval osm metod shlukové analýzy (pět založených na HDBSCAN, tři na exaktní shodě příznaků), evaluoval je na veřejné datové sadě o velikosti 59 248 dokumentů i na reálném produkčním provozu. Vzniklý systém Viper Pit byl nasazen do produkce, identifikoval 10 kampaní kybernetických podvodů a posloužil k manuální klasifikaci přes 30 000 dokumentů. 

Práce nebyla dosud publikována, počítá se však s přípravou článku z jejích výsledků.

Práce byla konzultována každý týden v průběhu celého roku. Konzultace byly produktivní, student vždy přicházel s novým pokrokem, diskutoval aktuální problémy a navrhoval jejich řešení.

Evaluation level: assignment fulfilled

Zadání bylo splněno s jemným rozšířením. Student navrhl a implementoval několik metod pro shlukování dokumentů, doplnil je o grafické rozhraní a celý systém integroval do prostředí společnosti Gen, kde je již aktivně využíván. Nad rámec zadání hodnotím zejména automatickou klasifikaci shluků založenou na velkých jazykových modelech.

Práce je obecně dobře čitelná a má velmi dobrý tok. Autor postupně přechází od teoretických východisek k existujícím nástrojům, následně k formulaci požadavků, návrhu a implementaci vlastního řešení. Velmi kladně hodnotím překlady cizích pojmů, rozepsané zkratky, vhodně volené zvýraznění důležitých částí a celkově profesionální způsob vedení textu. Čtenář se v práci dobře orientuje a jednotlivé části na sebe většinou logicky navazují.

Slabší stránkou je ale metodická prezentace vyhodnocení. Práce provádí rozsáhlé porovnání více metod, ale závěry z tohoto porovnání nejsou dotaženy do dostatečně praktické podoby. Konstatování, že žádná metoda není jednoznačně horší než ostatní, působí spíše jako nedostatečně vytěžená evaluace než jako silný závěr. Z výsledků přitom vyplývají zajímavé rozdíly: PagesDino se jeví jako vhodný pro vizuálně odlišné dokumenty, Keywords má dobrou specificitu a Narratives vytváří menší počet shluků. Tyto poznatky ale nejsou systematicky převedeny do doporučení, za jakých podmínek má analytik použít kterou metodu.

Text popisuje jednotlivé shlukovací algoritmy, ale méně vysvětluje kompletní tok zpracování dokumentů, přípravu reprezentací a vliv jednotlivých kroků na výsledné shlukování. Některé metody by bylo možné popsat podrobněji a jejich vlastnosti lépe propojit s konkrétními požadavky produkčního prostředí. Slabší je také akademická hloubka evaluace; hodily by se například ablation study, statistické testy nebo podrobnější analýza toho, kdy která metoda selhává.

Důležitým omezením je i evaluační dataset, který podle práce ne zcela odpovídá produkčnímu provozu. To je pochopitelné z praktických důvodů, ale mělo by to být výrazněji diskutováno, protože to omezuje interpretaci naměřených výsledků. Přes tyto výhrady je textová část stále dobře zpracovaná a čitelná; problém není v tom, že by práce byla špatně napsaná, ale spíše v tom, že některé analytické závěry mohly být dotaženy hlouběji.

Práci s literaturou hodnotím velmi kladně. Citace jsou jasně uvedené, často s přesným odkazem na konkrétní stránky citovaných dokumentů, což je u diplomových prací nadstandardní. Použité zdroje jsou převážně odborná literatura a technické dokumentace relevantní k tématu.

Využitelnost výsledků je velmi vysoká. Systém je již nasazen v produkčním prostředí společnosti Gen, je aktivně používán a existuje reálná zpětná vazba na jeho přínos. To považuji za mimořádně silný argument ve prospěch práce.