Korištenje jezičnih modela za otkrivanje anomalija u vremenskim serijama

diplomski rad

• Naslov (engleski): Using language models for anomaly detection in time series
• Autor: Vid Rebernak
• Mentor: Vladimir Čeperić (mentor)
• Član povjerenstva: Vladimir Čeperić (predsjednik povjerenstva)
• Član povjerenstva: Zoran Kalafatić (član povjerenstva)
• Član povjerenstva: Marko Koričić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2025-02-25, Hrvatska

Sažetak

U ovom diplomskom radu istražuju se i analiziraju mogućnosti korištenja velikih jezičnih modela (eng. Large Language Models - LLMs) za otkrivanje anomalija u vremenskim serijama. Cilj rada je procijeniti učinkovitost jezičnih modela u prepoznavanju neuobičajenih obrazaca u podacima te analizirati kako se ti modeli ponašaju u usporedbi s tradicionalnim tehnikama otkrivanja anomalija. Teoretski dio rada uključuje pregled relevantne literature o vremenskim serijama, otkrivanju anomalija i korištenju LLM-ova u analitičkim zadacima. U praktičnom dijelu rada implementirana je prilagodba četiri LLM modela zadatku otkrivanja anomalija u vremenskim serijama. Eksperimentalni rezultati prikazuju usporedbu točnosti i računalnih zahtjeva između LLM-ova i drugih uobičajenih metoda za otkrivanje anomalija.

Sažetak (engleski)

This thesis explores and analyzes the potential of Large Language Models (LLMs) for anomaly detection in time series. The goal of the research is to assess the effectiveness of language models in identifying unusual patterns in data and to compare their performance with traditional anomaly detection techniques. The theoretical part of the thesis includes a review of relevant literature on time series, anomaly detection, and the use of LLMs in analytical tasks. In the practical part, four LLM models were adapted for the task of anomaly detection in time series. The experimental results present a comparison of accuracy and computational requirements between LLMs and other commonly used anomaly detection methods.

• Ključne riječi: veliki jezični modeli; otkrivanje anomalija; vremenske serije; strojno učenje; prirodna obrada jezika; analiza podataka; jezično modeliranje; tradicionalne metode otkrivanja anomalija; eksperimentalna evaluacija
• Ključne riječi (engleski): large language models; anomaly detection; time series; machine learning; natural language processing; data analysis; language modeling; traditional methods for anomaly detection; experimental evaluation
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:533726
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2025-03-12 11:17:34