Vedení práce bylo z mé strany převzato přibližně měsíc před jejím odevzdáním. Autorka však v průběhu konzultací projevovala nízkou ochotu měnit svůj zažitý způsob práce a mé připomínky i doporučení reflektovala pouze v minimální míře. Tento přístup se negativně podepsal na výsledné struktuře textu a vedl k poněkud povrchnějšímu zpracování rešeršní části, která postrádá hlubší analytický vhled do existujících řešení.

Práce se věnuje vysoce praktickému tématu – automatické inventarizaci IT v podnikovém prostředí. Z textu je zřejmé, že autorka má v této oblasti praktické zkušenosti a v problematice se profesně orientuje, což je hlavní devizou celé práce.

Text však vykazuje koncepční nedostatky v míře detailu a definice navrhovaných řešení. Autorka v práci deklaruje vytvoření softwarového agenta, který se má na inventarizaci podílet. Bohužel však schází jeho podrobnější specifikace, bližší popis funkcionalit či jasně definovaný způsob jeho nasazení do infrastruktury.

Podobná nedůslednost se objevuje i v pasážích věnovaných využití umělé inteligence. Text opakovaně pracuje s pojmy jako „AI modul“, „AI metoda“ a „agent“, čímž vytváří dojem širšího automatizovaného řešení. Výsledný technický popis tomu však plně neodpovídá. V práci chybí robustní popis samotného AI nástroje, způsob jeho implementace i jasná validace navrženého postupu. Ve skutečnosti je popsána v zásadě metoda kNN aplikovaná nad omezeným počtem odvozených statistik síťové komunikace, konkrétně pro klasifikaci IP adres či segmentů jako serverových nebo uživatelských.

Práce dále uvádí, že v případě identifikace nového serveru či IP adresy je vygenerován požadavek na doplnění nebo aktualizaci EIM (Exisatující inventář majetku). Chybí však přesná specifikace inventarizačního výstupu: není definována struktura výsledného záznamu, stavový model požadavku, způsob jeho uložení ani mechanismus předání do EIM/CMDB (Configuration Management Database) či „ticketovacího“ systému. Není tedy zřejmé, zda klasifikace nového zařízení vede k automatickému vytvoření inventárního záznamu, nebo pouze k obecnému reportu odpovědné osobě.

Diplomová práce se zabývá problematikou dynamické inventarizace majetku v podnikových sítích se zaměřením na korelaci dat z různých zdrojů, detekci nových entit a využití metod umělé inteligence pro klasifikaci zařízení a uživatelů.

Přestože je z práce patrná značná praktická zkušenost autorky s provozem podnikových systémů a problematikou správy infrastruktury, z odborného a akademického hlediska vykazuje práce řadu závažných nedostatků, které významně snižují její úroveň.

Zásadním problémem práce je především nedostatečně zpracovaná metodologická a experimentální část. Autorka opakovaně deklaruje využití metod umělé inteligence, konkrétně algoritmu kNN pro klasifikaci síťových entit, avšak praktická implementace a evaluace této metody nejsou dostatečně popsány. Kapitola věnovaná kNN obsahuje převážně obecný teoretický popis algoritmu převzatý z literatury, ale chybí konkrétní definice příznaků (features), popis trénovacích dat, velikost datasetu, způsob značení tříd či metodika učení a vyhodnocení modelu. Práce neobsahuje žádné standardní metriky klasifikace nebo validační mechanismy. Není tedy možné objektivně posoudit, zda navržený AI přístup skutečně funguje a s jakou úspěšností. Navíc je metoda kNN nejspíše tou nejjednodušší, která se v daném kontextu dá použít.

Za problematické lze považovat i opakované používání termínu „real-time“. Práce deklaruje návrh „real-time asset intelligence“, avšak nikde není přesně definováno, co autorka pod tímto pojmem rozumí. Chybí měření latence systému, propustnosti, časů odezvy nebo benchmarků. Není doloženo, zda je systém skutečně schopen pracovat v reálném čase, nebo pouze periodicky zpracovává data v krátkých intervalech.

Další slabinou práce je absence skutečné experimentální validace navrženého řešení. V abstraktu i závěru autorka tvrdí, že došlo k významnému zlepšení inventarizace a zmenšení rozdílu mezi evidovaným a reálným stavem infrastruktury, avšak tato tvrzení nejsou doložena konkrétními výsledky (kolik zařízení bylo identifikováno, kolik nesrovnalostí bylo nalezeno, atp.) nebo jaké zlepšení systém přinesl oproti existujícím řešením. Bez těchto dat nelze přínos práce objektivně posoudit.

Práce rovněž působí více jako návrh interní podnikové architektury nebo technická dokumentace než jako akademická diplomová práce. Významná část textu je věnována popisu datových struktur, SQL dotazů, databázových tabulek a workflow zpracování dat. Chybí hlubší formalizace algoritmů, matematický model, pseudokódy, analýza složitosti nebo systematické srovnání alternativních přístupů.

Za slabou lze označit také rešeršní část práce. Přestože autorka uvádí poměrně velké množství zdrojů, dominantní část tvoří produktová dokumentace, vendor materiály, Gartner přehledy nebo obecné technologické standardy. V práci téměř absentují současné vědecké články na dané téma. Chybí hlubší diskuse současného stavu poznání i porovnání s akademickými přístupy. Popis datových struktur v přílohách bez přiloženého zdrojového kódu (a "otestovatelného příkladu") postrádá smysl.

Navzdory uvedeným výhradám je třeba ocenit praktickou orientaci práce, snahu o propojení více zdrojů dat a zřejmou znalost podnikových IT procesů. Autorka prokazuje dobrou orientaci v oblasti správy infrastruktury a log managementu. 


Celkově však práce dle mého názoru naplňuje cíle zadání pouze částečně. Největší slabinou je nedostatečná rigoróznost, absence experimentální validace a neprokázané využití metod umělé inteligence v deklarovaném rozsahu.

Práci hodnotím známkou E/dostatečně za předpokladu, že studentka uspokojivě zodpoví doplňující otázky. Topics for thesis defence:

1. Jak probíhal celý proces nastavení parametrů a evaluace/validace zvolené kNN metody?
2. Jaká byla latence navrženého systému? Jak vypadá srovnání s (alespoň některými) systémy, které jsou diskutovány v rešeršní části práce (kapitola 3)?