Práce se zabývá problematikou LLM modelů a jejich propojení s technickou diagnostikou a údržbou strojů. Teoretická část se věnuje rešerši v oblasti vývoje technické diagnostiky z historie do oblasti Průmyslu 4.0 a poté následuje detailní rešerše v oblasti LLM modelů. V praktické části student vyzkoušel několik přístupů k problematice a taktéž několik prostředí pro nasazení svého naučeného modelu. Práce obsahuje zdrojové kódy s výsledkem a zároveň slouží jako výuková pomůcka pro další rozšiřování a osvojení si základů pro práci s vlastním LLM modelem s důrazem na vlastní offline implementaci.
Bakalářská práce je vypracována velmi nadstandardně a z pozice vedoucího práce mohu potvrdit, že během tvorby SW bylo testováno více přístupů a prostředí, které ani nejsou v práci popsány.

Autor se v bakalářské práci zabývá aplikací velkých jazykových modelů do oblasti technické diagnostiky a údržby strojů. Práce propojuje rešeršní část z oblastí údržby, technické diagnostiky, umělé inteligence a LLM modelů s praktickou ukázkou lokálního technického konverzačního bota zaměřeného na obsluhu CNC frézky.

První část práce je věnována obecnému popisu údržby strojů, technické diagnostiky a základních metod umělé inteligence. Tato část je zpracována poměrně široce a poskytuje čtenáři základní vstup do problematiky. Vzhledem k zaměření práce by však bylo vhodné některé obecné kapitoly více zestručnit a naopak více rozvést přímou vazbu mezi LLM modely a konkrétními úlohami technické diagnostiky a údržby. Praktická část se totiž následně soustředí především na vytvoření konverzačního bota nad technickou dokumentací, nikoli přímo na vyhodnocování diagnostických dat nebo reálných poruchových stavů strojů.

V praktické části autor navrhl postup pro přípravu dat, vytvoření datasetu, provedení supervised fine-tuningu a spuštění lokální aplikace. Pozitivně hodnotím snahu o lokální řešení bez nutnosti odesílání dat do cloudových služeb, což je pro průmyslové nasazení důležitý aspekt. Práce dále obsahuje popis hardwarových nároků, použitých modelů, základní vyhodnocení průběhu tréninku a porovnání odpovědí modelu před a po natrénování. Přínosné je také to, že autor přiložil zdrojové kódy a popsal postup reprodukce celé ukázky.

Po odborné stránce práce obsahuje několik nedostatků. Volba fine-tuningu je sice popsána, ale srovnání s metodou RAG mohlo být rozvedeno hlouběji, zejména proto, že pro práci s technickými manuály a faktickými informacemi by právě RAG mohl být vhodnější nebo minimálně vhodným doplňkem. Vyhodnocení výsledného modelu je spíše orientační, protože je založeno pouze na několika ukázkových dotazech a průběhu hodnoty loss. Chybí systematičtější testovací sada, vyhodnocení faktické správnosti odpovědí a podrobnější analýza chyb. Autor sám uvádí, že natrénovaný model v jednom z příkladů odpověděl fakticky nesprávně, což potvrzuje omezení navrženého řešení. Tato skutečnost měla být více promítnuta do závěrečného hodnocení praktické použitelnosti.

Práce obsahuje také několik formálních a jazykových nedostatků. Místy se objevují stylisticky méně vhodné formulace, drobné pravopisné chyby a některé části působí formulačně nevyrovnaně. V práci jsou rovněž patrné drobné problémy s formátováním, zejména v úvodních a přílohových částech. Přesto je text jako celek srozumitelný a logicky členěný.

Zadané cíle práce byly v splněny. Autor zpracoval rešerši v oblasti technické diagnostiky, údržby a LLM modelů, navrhl možnosti jejich využití a vytvořil praktickou ukázku včetně popisu reprodukovatelnosti. Práce má praktický přínos zejména jako demonstrační a metodický základ pro další rozvoj podobných lokálních LLM aplikací v technické praxi. Práci doporučuji k obhajobě. Topics for thesis defence:

1. V práci byla pro praktickou ukázku zvolena metoda fine-tuningu. Vysvětlete, proč byla tato metoda zvolena místo přístupu RAG, který se často používá pro práci s technickou dokumentací a manuály.
2. Jakým způsobem by bylo možné systematicky ověřit faktickou správnost odpovědí vytvořeného konverzačního bota?