Bakalářská práce se věnuje využití velkých jazykových modelů (LLM) pro podporu zpravodajství z otevřených zdrojů (OSINT) ve formě dvou komplementárních nástrojů. V teoretické části student nejprve vymezuje problematiku OSINT, čemuž následuje popis oblasti umělé inteligence se zaměřením na LLM. Součástí je srovnání 16 lokálních modelů, na základě kterého student zdůvodnil výběr kandidátů pro praktickou realizaci.

V praktické části je představen návrh a implementace obou nástrojů. První nástroj využívá technologii RAG, kterou student ověřil na třech modelech se sadou otázek z různých oblastí OSINT. Další část se věnuje integraci českého jazyka, kde student porovnal tři přístupy a zdůvodnil doporučené scénáře nasazení. Druhý nástroj pro web scraping využívá hybridní přístup kombinující generování extrakční funkce jazykovým modelem s deterministickým zpracováním, díky čemuž je úloha modelu úzce vymezena. Nástroj byl ověřen na sedmi českých a slovenských doménách s hodnocením modelů podloženým identifikovanými nedostatky.

Po formální stránce je práce se svými 91 stranami na vysoké úrovni a obsahuje minimum překlepů nebo typografických chyb. Práce je vhodně doplněna o vlastní diagramy a přílohou s ukázkami výstupů obou nástrojů. Citováno je celkem 80 zdrojů složených převážně z odborných publikací a dokumentací k použitým technologiím.

Veškeré stanovené cíle bakalářské práce považuji za splněné. Student práci pravidelně konzultoval a odvedl velké množství práce i nad rámec zadání. Vyvinuté nástroje jsou plně funkční a uplatnitelné v praxi. Na základě dosažených výsledků a jejich budoucímu využití doporučuji práci k obhajobě s hodnocením A/98. Výsledný počet bodů navržený vedoucím: 98

Student David Gregora se ve své bakalářské práci zabýval využitím moderních metod umělé inteligence, zejména velkých jazykových modelů, pro podporu zpravodajské činnosti z otevřených zdrojů (OSINT) v kyberprostoru. Hlavním cílem práce bylo navrhnout a experimentálně ověřit nástroje, které umožní efektivnější zpracování rozsáhlých datových zdrojů, a to jak ve formě lokálně uložených dokumentů, tak dynamického webového obsahu.
Hlavním přínosem práce je návrh a implementace dvou komplementárních nástrojů – RAG systému pro vyhledávání a interpretaci informací z dokumentů a nástroje LLM Web Scraper pro automatizovanou extrakci dat z webových stránek. Navržený systém využívá moderní architektury založené na RAG, vektorovou databázi Chroma a integraci velkých jazykových modelů prostřednictvím nástroje Ollama. Oceňuji zejména důraz na lokální nasazení modelů, což přináší výhody z hlediska bezpečnosti dat a nezávislosti na cloudových službách a jejich neustále se měnící technické parametry, ale i podmínky použití.

Teoretická část práce je zpracována systematicky a přehledně. Student zde detailně popisuje problematiku OSINT včetně metodologie, nástrojů a právních aspektů. Dále se věnuje oblasti umělé inteligence, kde vysvětluje principy strojového učení, neuronových sítí a velkých jazykových modelů. Součástí je také podrobná analýza a srovnání současných LLM modelů, včetně jejich parametrů, licencí a jazykové podpory (tabulka 2.1). Práce vykazuje drobné formální a typografické nedostatky (př. výskyt jen jednoho podnadpisu 2.3.1 nebo 2.4.1, typografické chyby sirotek str. 34, 35 aj.). Obrázky, tabulky a výpisy kódu promptu mají skvělou kvalitu a vhodně doplňují text. Celkově je práce nadstandardně zpracovaná.

V praktické části student navrhl, implementoval a experimentálně ověřil RAG systém pro OSINT analýzu lokálních dat a nástroj LLM Web Scraper pro webový obsah. Oba systémy byly testovány na reálných scénářích s využitím několika modelů (Hermes-3-Llama-3.1-8B, Granite-4.0-H-Tiny, Phi-4-Mini-Instruct). Student provedl detailní experimentální vyhodnocení, které zahrnuje porovnání přesnosti, konzistence výstupů, časové náročnosti a praktické použitelnosti jednotlivých modelů. Dále oceňuji zpracování problematiky integrace českého jazyka, včetně porovnání různých přístupů překladu. Výsledky práce ukazují, že lokálně nasazené velké jazykové modely jsou vhodné pro podporu OSINT analytických úloh a umožňují efektivní generování strukturovaných výstupů. Navržené řešení představuje funkční základ pro další rozvoj automatizovaných nástrojů v oblasti kybernetické bezpečnosti a zpravodajské činnosti. Práce vykazuje znaky samostatné tvůrčí činnosti studenta a odpovídá úrovni kvalitního inženýrského návrhu. Student prokázal schopnost nastudovat rozsáhlou problematiku, navrhnout vhodné řešení, implementovat ho a experimentálně ověřit jeho vlastnosti. Veškeré stanovené cíle bakalářské práce považuji za splněné a navrhuji práci k k obhajobě s hodnocením A. Otázky k obhajobě:

1. Proč jsou LLM založené na transformer architektuře vhodnější než RNN pro OSINT?
2. Jak ovlivňuje počet parametrů vs. kvalita modelu v reálném OSINT použití? (provnání Qwen3 30B a Codellama 8B)
3. Jak funguje self-attention mechanismus a proč je klíčový pro práci s kontextem?

Výsledný počet bodů navržený oponentem: 95