Skip to content

Latest commit

 

History

History
201 lines (161 loc) · 36.8 KB

theses_2024_a.md

File metadata and controls

201 lines (161 loc) · 36.8 KB
Raw

ISSEL-Announcements

logo

Διαθέσιμες διπλωματικές ISSEL περιόδου Φεβρουαρίου 2024

Παρακάτω μπορείτε να βρείτε τα νέα θέματα διπλωματικών της Ομάδας Ευφυών Συστημάτων και Τεχνολογίας Λογισμικού. Οι φοιτητές που ενδιαφέρονται για διπλωματική εργασία παρακαλούνται να συμπληρώσουν τη φόρμα έκφρασης ενδιαφέροντος έως και τις 18/02/2024.

Παρουσίαση των θεμάτων και συζήτηση γύρω από τη διαδικασία ανάληψης και εκπόνησης των διπλωματικών θα γίνει την Δευτέρα 12/2/2024 στις 13.00, στο παρακάτω Zoom meeting:

Τέλος, βρείτε σχετικές ερωτήσεις σχετικά με τη διαδικασία επιλογής και τις απαιτήσεις στον παρακάτω σύνδεσμο: Link.

Περιεχόμενα:

TH-1

Γλώσσα Ειδικού Πεδίου ανάπτυξης λογισμικού ελέγχου ρομποτικών συστημάτων

Η ανάπτυξη ρομποτικών συστημάτων είναι μια χρονοβόρα διαδικασία η οποία απαιτεί γνώσεις από διαφορετικά πεδία, όπως προγραμματισμό, θεωρία και αλγορίθμους ρομποτικής, λειτουργικά συστήματα, ενσωματωμένα συστήματα, ανάπτυξη λογισμικού ελέγχου αισθητήρων κ.α. Η παρούσα διπλωματική θα εφαρμόσει μεθοδους Model-driven Engineering και Domain-specific Languages για την περιγραφή ρομποτικών συστημάτων χρησιμοποιώντας έννοιες υψηλού επιπέδου και την αυτόματη παραγωγή του λογισμικού για το εκάστοτε ρομπότ.

  • Επιθυμητές γνώσεις: Robotics, Linux OS, Software Engineering, Robotics Operating System (ROS), Python
  • Εμπλεκόμενες Τεχνολογίες – Γνώσεις που θα αποκτηθούν: Python, Domain-specific Languages (DSLs), Model-driven Development, Software automation
  • Εκτιμώμενος Χρόνος Περάτωσης: 9 Μήνες
  • Συνεργαζόμενος Ερευνητής: Κωνσταντίνος Παναγιώτου, Εμμανουήλ Τσαρδούλιας
  • Σχετικό link:

TH-2

Ανάπτυξη μηχανισμού επαλήθευσης ορθότητας ανοιχτών δεδομένων με χρήση πληθοπορισμού και τεχνολογιών Web3

Ο στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη μιας εφαρμογής για την δημιουργία και την επαλήθευση της ορθότητας ανοιχτών δεδομένων κοινωνικού χαρακτήρα, όπως για παράδειγμα σημεία κινδύνου/βλάβης και καιρικά φαινόμενα σε αστικά περιβάλλοντα, χρησιμοποιώντας αποκεντρωμένες τεχνολογίες και υποδομές στο Web3. Η διαδικασία δημιουργίας και επαλήθευσης της ορθότητας των δεδομένων αυτών θα βασίζεται σε Voting συστήματα και μεθοδολογίες αποκεντρωμένης φύσης, από τους χρήστες της εφαρμογής/κοινότητας (DAO), τα οποία θα υλοποιηθούν με την μορφή Smart Contracts (ERC20) και θα εκτελούνται on-chain, σε κάποιο public δίκτυο blockchain (ενδεικτικά: Ethereum, Avalanche, Polkadot, Polygon και Solana).

TH-3

Δημιουργία μοντέλων σε κειμενικές γλώσσες ειδικού πεδίου από λεκτικές περιγραφές

Οι δυνατότητες των νέων γλωσσικών μοντέλων LMM, με πιο διάσημο το ChatGPT, είναι τεράστιες. Τα LLM έχουν την ικανότητα να διαχειρίζονται διαλόγους με σχεδόν φυσικό τρόπο, να γράφουν κώδικα, να αναλύουν και παράγουν κείμενα, και πλέον μπορούν να αναγνωρίζουν και να κατανοούν περιεχόμενο σε εικόνες. Από την άλλη, όσον αφορά την ανάπτυξη λογισμικού, οι τελευταίες τάσεις δείχνουν προς τη χρήση γλωσσών ειδικού πεδίου (Domain-specific Languages / DSLs) για την μείωση των σφαλμάτων και την αύξηση της παραγωγικότητας. Η παρούσα διπλωματική στοχεύει στη εκπαίδευση και τη χρήση LLM σε ΓΕΠ και την αξιολόγηση της συγκεκριμένης μεθόδου. Απώτερος στόχος είναι η ανάπτυξη ενός ψηφιακού βοηθού χρήσης των ΓΕΠ, ο οποίος θα παρέχει τη δυνατότητα ανάπτυξης μοντέλων χρησιμοποιώντας λεκτικές περιγραφές, αποτελώντας μια πιο απλή, εύχρηστη και αυτοματοποιημένη διεπαφή κατά την ανάπτυξη μοντέλων ΓΕΠ.

TH-4

ΑΣχεδίαση και ανάπτυξη μιας καινοτόμας αρχιτεκτονικής για διαλογικά συστήματα ερωταπαντήσεων

Οι δυνατότητες των νέων γλωσσικών μοντέλων (LLMs) με πιο διάσημο το ChatGPT είναι τεράστιες. Μπορούν και διαχειρίζονται διαλόγους με σχεδόν φυσικό τρόπο ενώ αποτελούν μια ικανοποιητική πηγή γνώσης για στατική πληροφορία. Όταν είναι ζητούμενο να διαχειρίζονται και να απαντάνε με βάση συγκεκριμένα δεδομένα (αρχεία, κείμενα κτλ.) ενσωματώνονται σ αυτά διανυσματικές βάσεις δεδομένων με τα αρχεία αυτά προ-επεξεργασμένα κατάλληλα. Έτσι, κατά την διεπαφή συλλέγονται τα πιο σχετικά τμήματα, κάνοντας similarity search της ερώτησης του χρήστη στην βάση και ενσωματώνονται στην απάντηση των LLMs με διάφορες prompt engineering τεχνικές, όπως ο Retrieval-Augmented Generation (RAG). Αυτή η vector-matching-based προσέγγιση όμως παρά την καλή της απόδοση δεν μπορεί να γενικευτεί και να εφαρμοστεί σε πραγματικά enterprise/ production-ready συστήματα που οι απαντήσεις απαιτούν πιο σύνθετη κατανόηση και επεξεργασία της πληροφορίας απ ότι την εμφάνιση των πιο σχετικών δεδομένων (πχ προκειμένου να απαντήσει σωστά ο βοηθός να χρειάζεται επιπλέον πληροφορίες και μεθόδους για την αξιοποίηση τους στα δεδομένα της βάσης). Στην διπλωματική αυτή θα σχεδιαστεί και θα υλοποιηθεί μια νέα τέτοια διαλογική μέθοδος προκειμένου τα LLMs να μπορούν να αντιλαμβάνονται την ερώτηση του χρήστη, να δημιουργούν ένα πλάνο δράσης (πχ συλλογή επιπλέον πληροφορίας) και να το εκτελούν, προκειμένου να απαντούν με μεγαλύτερη ακρίβεια σε σύνθετες ερωτήσεις.

TH-5

Εφαρμογή τεχνικών αυτοματοποιημένης μηχανικής μάθησης (AutoML) σε ροές μεγάλων δεδομένων (Big Data Streams)

Η αυτοματοποιημένη μηχανική μάθηση (AutoML) έχει τελευταία έντονη παρουσία στον κόσμο της ανάλυσης δεδομένων. Κλασικές διαδικασίες που απαιτούσαν σημαντική ανθρωποπροσπάθεια από ερευνητές, όπως είναι η επιλογή μοντέλου και η εύρεση υπερ-παραμέτρων, πλέον μπορούν να αυτοματοποιηθούν με κατάλληλα AutoML frameworks. Ωστόσο, τα frameworks αυτά προϋποθέτουν ότι το σύνολο των δεδομένων εκπαίδευσης είναι γνωστό εξ αρχής και ότι η κατανομή τους δεν αλλάζει με την πάροδο του χρόνου. Αντιθέτως, τα δεδομένα σήμερα είναι όλο και περισσότερο αυξανόμενα και μεταβαλλόμενα, καθώς συνιστούν ροές δεδομένων οι οποίες ανταποκρίνονται σε πραγματικές μετρήσεις που μπορεί να υποστούν πραγματικές μεταβολές. Σκοπός της διπλωματικής είναι η δημιουργία μιας μεθοδολογίας αυτοματοποιημένης μηχανικής μάθησης η οποία θα μπορεί να εφαρμοστεί σε ροές δεδομένων. Θα δοθεί έμφαση στην διερεύνηση της αλλαγής κατανομής (concept drift) και θα αξιολογηθεί η αποτελεσματικότητας των μεθόδων που μπορούν να προσαρμοστούν σε τέτοιου είδους αλλαγές.

TH-6

Ανάπτυξη και ενσωμάτωση μηχανισμού αυθεντικοποίησης και εξουσιοδότησης χρηστών σε low-code πλατφόρμα για τη δημιουργία end-to-end ασφαλών συνομιλητικών βοηθών

Οι συνομιλητικοί βοηθοί προβλέπεται να φέρουν την επανάσταση στην επικοινωνία ανθρώπου-υπολογιστή, γεγονός που μαρτυρείται από την ραγδαία αύξηση των δυνατοτήτων τους τα τελευταία χρόνια. Πλέον, εκτός από το να προσφέρουν λεκτικές απαντήσεις στους χρήστες, έχουν τη δυνατότητα να αλληλεπιδρούν με το IoT περιβάλλον, εκτελώντας κρίσιμες για το σύστημα διεργασίες, αλλά και να αποθηκεύουν ευαίσθητα δεδομένα. Για να προστατευθούν οι χρήστες και το συνολικό σύστημα, απαιτείται η ενσωμάτωση ισχυρών μηχανισμών ασφαλείας στους συνομιλητικούς βοηθούς. Στόχος αυτής της διπλωματικής είναι η ανάπτυξη και η ενσωμάτωση μηχανισμού αυθεντικοποίησης και εξουσιοδότησης χρηστών σε low-code πλατφόρμα για τη δημιουργία end-to-end ασφαλών συνομιλητικών βοηθών. Θα μελετηθούν διάφοροι τρόποι αυθεντικοποίησης, οι οποίοι στη συνέχεια θα ενσωματωθούν σε υπάρχουσα low-code πλατφόρμα ανάπτυξης συνομιλητικών βοηθών.

  • Επιθυμητές γνώσεις: Ασφάλεια, Python
  • Εμπλεκόμενες Τεχνολογίες – Γνώσεις που θα αποκτηθούν: Cybersecurity, Authentication, NLP, Virtual Assistants, Python, Rasa, Domain Specific Languages
  • Εκτιμώμενος Χρόνος Περάτωσης: 9 Μήνες
  • Συνεργαζόμενος Ερευνητής: Δημοσθένης Νάτσος
  • Σχετικό link: -

TH-7

Μελέτη και ανάπτυξη αποθετηρίου κακόβουλου λογισμικού σε Python

Ένα κοινό πρόβλημα στον τομέα της κυβερνοασφάλειας είναι η έλλειψη πηγαίου κώδικα κακόβουλου λογισμικού, το οποίο να μπορεί να χρησιμοποιηθεί για τη μελέτη και ανάπτυξη νέων εργαλείων ασφαλείας εντοπισμού κακόβουλου λογισμικού.

Στόχος αυτής της διπλωματικής είναι η μελέτη διαφόρων ιών (malware) και η ανάπτυξη δειγμάτων σε Python, με στόχο τη δημιουργία ενός ερευνητικού dataset κακόβουλου λογισμικού. Θα μελετηθούν επίσης τεχνικές συσκότισης κώδικα και θα εξεταστεί η αποτελεσματικότητά τους ενάντια σε γνωστά αντιικά προγράμματα.

  • Επιθυμητές γνώσεις: Ασφάλεια, Python, C++
  • Εμπλεκόμενες Τεχνολογίες – Γνώσεις που θα αποκτηθούν: Cybersecurity, Malware Analysis, Malware Detection
  • Εκτιμώμενος Χρόνος Περάτωσης: 9 Μήνες
  • Συνεργαζόμενος Ερευνητής: Δημοσθένης Νάτσος
  • Σχετικό link: -

TH-8

Ανάπτυξη Συστήματος Εντοπισμού Συναισθήματος σε Βιντεοσκοπημένο Περιεχόμενο

Στη σύγχρονη εποχή, οι πλατφόρμες κοινωνικής δικτύωσης αποτελούν σημαντική πηγή πληροφόρησης και επικοινωνίας για δισεκατομμύρια ανθρώπους παγκοσμίως. Το βιντεοσκοπημένο υλικό είναι μια από τις συνηθέστερες και δημοφιλέστερες μορφές επικοινωνίας στις συγκεκριμένης πλατφόρμες. Από την εκπαίδευση και τη διασκέδαση μέχρι την επικοινωνία και το μάρκετινγκ, τα βίντεο είναι χρησιμοποιούνται ολοένα και περισσότερο και συχνά φέρουν μια βαθύτερη σημασία ή συναίσθημα. Η αναγνώριση των συναισθημάτων σε βιντεοσκοπημένο περιεχόμενο μπορεί να είναι χρήσιμη για διάφορους λόγους, όπως η βελτίωση της προσωποποιημένης διαφήμισης, η κατανόηση της ανθρώπινης αντίδρασης σε διάφορα ερεθίσματα, ή η ενίσχυση της κοινωνικής και ψυχολογικής έρευνας. Για την επίλυση αυτού του προβλήματος, εφαρμόζονται διάφορες τεχνικές βαθιάς μηχανικής μάθησης, όπως γλωσσικά μοντέλα και αλγόριθμοι αναγνώρισης εικόνας, οι οποίοι επιτρέπουν την ανάλυση και ερμηνεία των συναισθημάτων που εκφράζονται μέσω του οπτικού και ηχητικού περιεχομένου των βίντεο. Στο πλαίσιο της παρούσας διπλωματικής εργασίας, θα διερευνήσουμε και θα επεκτείνουμε αυτές τις τεχνικές, με στόχο τη δημιουργία ενός συστήματος που θα είναι ικανό να αναγνωρίζει και να εντοπίζει τα συναισθήματα στα βίντεο. Το σύστημα αυτό θα χρησιμοποιεί προηγμένα μοντέλα βαθιάς μάθησης κατάλληλα για επεξεργασία εικόνας, ήχου και φυσικής γλώσσας, για να προσφέρει μια πιο ολοκληρωμένη και ακριβή ανάλυση των συναισθηματικών εκφράσεων σε βιντεοσκοπημένο περιεχόμενο.

  • Επιθυμητές γνώσεις: Deep Learning, Python
  • Εμπλεκόμενες Τεχνολογίες – Γνώσεις που θα αποκτηθούν: Επεξεργασία Φυσικής Γλώσσας, Language Models, Computer Vision, Deep Learning
  • Εκτιμώμενος Χρόνος Περάτωσης: 9 Μήνες
  • Συνεργαζόμενος Ερευνητής: Νάστος Δημήτριος
  • Σχετικό link:

TH-9

Ανάπτυξη Συστήματος Ουδέτερης Καταγραφής Ειδήσεων με Τεχνικές Τεχνητής Νοημοσύνης

Στον κόσμο της ψηφιακής πληροφορίας, όπου η πρόσβαση σε ειδήσεις και πληροφορίες είναι πιο εύκολη από ποτέ, υπάρχει μια σημαντική πρόκληση που ανακύπτει: η παρουσίαση της πληροφορίας συχνά φέρει το βάρος της υποκειμενικότητας και του επιπρόσθετου σχολιασμού, γεγονός το οποίο καθιστά δυσκολότερη την αντικειμενική ενημέρωση του κοινού. Η ανάγκη για μια πιο ξεκάθαρη και ανεπηρέαστη ενημέρωση είναι βασική, καθώς είναι σημαντικό τα γεγονότα να είναι διακριτά από τις προσωπικές απόψεις. Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη ενός συστήματος που προσπαθεί να αφαιρέσει το σχολιασμό από τις ειδήσεις, προσφέροντας μια πιο αντικειμενική και καθαρή εκδοχή της πληροφορίας. Το σύστημα μέσω της χρήσης Μεγάλων Γλωσσικών Μοντέλων (LLMs) αναλύει ειδησεογραφικό περιεχόμενο που συλλέγεται από διάφορες πηγές, αφαιρώντας το συναισθηματικό φορτίο και τις προσωπικές απόψεις των συντακτών, παρέχοντας έτσι μια πιο ουδέτερη απεικόνιση των γεγονότων. Επιπροσθέτως, το σύστημα θα προσπαθεί να καταγράφει τα κυριότερα επιχειρήματα κάθε πλευράς σε θέματα για τα οποία υπάρχουν διαφορετικές οπτικές.

  • Επιθυμητές γνώσεις: Deep Learning, Python
  • Εμπλεκόμενες Τεχνολογίες – Γνώσεις που θα αποκτηθούν: Επεξεργασία Φυσικής Γλώσσας, Language Models, Deep Learning
  • Εκτιμώμενος Χρόνος Περάτωσης: 9 Μήνες
  • Συνεργαζόμενος Ερευνητής: Νάστος Δημήτριος
  • Σχετικό link: -

TH-10

Ανάπτυξη συστήματος συνεχούς έμμεσου έλεγχου ταυτότητας σε διαλογικά περιβάλλοντα

Οι ψηφιακοί βοηθοί και τα μεγάλα γλωσσικά μοντέλα έχουν αρχίσει να ενσωματώνονται στην καθημερινότητα μας και συνεχώς αναπτύσσονται νέες υπηρεσίες βασιζόμενες σ αυτά. Έτσι, οι χρήστες μπορούν πολύ πιο εύκολα και γρήγορα να κάνουν τις καθημερινές τους δράσεις, όπως αναζητήσεις, αγορές, αποστολές μηνυμάτων κ.α. Τα συστήματα αυτά, όμως, συνήθως έχουν ένα επίπεδο αυθεντικοποίησης, το οποίο αν παραβιαστεί, ο εισβολέας αποκτά πρόσβαση σε όλη την λειτουργικότητα του διαλογικού συστήματος. Για παράδειγμα, το chatGPT έχει ένα κλασσικό login form χωρίς άλλο έλεγχο. Ενώ η Alexa και ο Google Assistant, ένα wake-word and user-identification component, όπου λίγα (αν όχι όλα) τα σενάρια τους διαχωρίζονται ανά χρήστη. Πλέον μέσω deepfake τεχνολογιών αυτά μπορούν να παραβιαστούν και οι εισβολείς να αποκτήσουν πρόσβαση στους βοηθούς. Ωστόσο, ο τρόπος που ο καθένας επικοινωνεί με αυτά τα συστήματα παραμένει μοναδικός. Δηλαδή, πώς διατυπώνει ερωτήσεις, ποιά σενάρια τρέχει καθημερινά και με ποιά σειρά κτλ. Ζητούμενο αυτής την διπλωματικής είναι να αναπτυχθεί ένα σύστημα το οποίο εκπαιδεύεται πάνω στις διεπαφές του χρήστη με ένα διαλογικό σύστημα και μπορεί και τον αναγνωρίζει, προκειμένου να επιτευχθεί συνεχής αυθεντικοποίηση της ταυτότητας του καθ’ όλη την διάδραση χρήστη-συστήματος.

  • Επιθυμητές γνώσεις: NLP, NLU, Machine Learning, Python, Software Engineering
  • Εμπλεκόμενες Τεχνολογίες – Γνώσεις που θα αποκτηθούν: Deep learning, Continuous and Implicit Authentication, NLP, Virtual Assistants, Python
  • Εκτιμώμενος Χρόνος Περάτωσης: 9 Μήνες
  • Συνεργαζόμενος Ερευνητής: Νικόλας Μάλαμας
  • Σχετικό link: -

TH-11

Ανάλυση και αποτίμηση κινδύνου των δημοφιλών generative AI μοντέλων σύνθεσης εικόνων

Στόχος της παρούσας διπλωματικής είναι η αξιολόγηση του κινδύνου που ενέχουν οι σύγχρονες τεχνολογίες σύνθεσης περιεχομένου (generative AI) μέσα από την ανάλυση της πληροφορίας (δεδομένων και μέτα-δεδομένων) σχετικών open-source αποθετηρίων. Χωρίς περιορισμό της γενικότητας, η διπλωματική θα επικεντρωθεί σε τεχνικές σύνθεσης εικόνων, είτε μίας κατηγορίας (πχ diffusion models) είτε περισσοτέρων (GANs, Diffusion, NeRF, etc.). Επιμέρους στόχοι της διπλωματικής είναι η ανάπτυξη μιας ημί-αυτοματοποιημένης διαδικασίας για την επιλογή των κατάλληλων αποθετηρίων, η δημιουργία ενός επεκτάσιμου σχετικού dataset, ο καθορισμός διάφορων δεικτών που θα αποτυπώνουν τον κίνδυνο που ενέχει ένα μοντέλο/αποθετήριο και ο υπολογισμός των τιμών/αποτίμηση του σχετικού κινδύνου. Ενδεικτικοί δείκτες θα μπορούσαν να είναι το πόσο ready-to-run είναι μια μέθοδος, αν αυτή συμπεριλαμβάνει προεκπαιδευμένα μοντέλα ή απαιτεί εκπαίδευση, αν η ποιότητα των παραγόμενων εικόνων είναι επαρκώς ρεαλιστική, μετρικές ποιότητας κώδικα, ή/και μετρικές των αποθετηρίων (δημοφιλές αποθετήριο (stars/forks), σχόλια χρηστών/bugs/issues κλπ).

  • Επιθυμητές γνώσεις: Image processing, Machine Learning, Python, Software Engineering
  • Εμπλεκόμενες Τεχνολογίες – Γνώσεις που θα αποκτηθούν: Generative AI/Deep learning, Python, Data/information Quantity assessment
  • Εκτιμώμενος Χρόνος Περάτωσης: 6-9 Μήνες
  • Συνεργαζόμενος Ερευνητής: Συμεών (Άκης) Παπαδόπουλος, Ερευνητής Β, ΙΠΤΗΛ/ΕΚΕΤΑ, Μάνος Σχοινάς, Βοηθός Ερευνητή, ΙΠΤΗΛ/ΕΚΕΤΑ
  • Σχετικό link: -

TH-12

Ανάπτυξη Γλώσσας Εικονικής Μηχανής για Απλοποιημένη Σύνθεση Προγραμμάτων

Η αυτόματη συγγραφή πηγαίου κώδικα πλέον συνίσταται είτε στο μετασχηματισμό λεκτικών περιγραφών σε κώδικα από μεγάλα γλωσσικά μοντέλα (Large Language Models - LLMs), είτε στην εφαρμογή εξελικτικού προγραμματισμού (genetic programming) εντός καλά ορισμένων πεδιακών γλωσσών για την ανακάλυψη προτύπων σε ακατέργαστα δεδομένα [1]. Παρόλα αυτά, τα LLMs συχνά αποτυγχάνουν να παράξουν πολύπλοκες λύσεις όταν δεν επαναχρησιμοποιούν βιβλιοθήκες ή κώδικα, ενώ η πολυπλοκότητα του εξελικτικού προγραμματισμού τον περιορίζει σε απλές πεδιακές γλώσσες και προγράμματα.

Αυτή η διπλωματική στηρίζεται στην παρατήρηση ότι οι παραπάνω περιορισμοί οφείλονται στη συνειδητή προσπάθεια των υπαρχόντων γλωσσών προγραμματισμού να ερμηνεύουν σύνταξη παρόμοια με αυτή της φυσικής (ανθρώπινης) γλώσσας και συναρτησιακής ή αντικειμενοστραφούς κατανόησης του πραγματικού κόσμου. Έτσι, επιβάλλεται μια μη-ακολουθιακή κατανόηση του πηγαίου κώδικα όλο και αυξανόμενης πολυπλοκότητας. Για την επίλυση αυτού του προβλήματος, προτείνεται η δημιουργία νέων γλωσσών μηχανής για εικονικές μηχανικές (Virtual Machines) με τα ακόλουθα χαρακτηριστικά:

  1. Μεταφράζονται από και σε κάποια γλώσσα προγραμματισμού.
  2. Παρέχουν γραμμική σύνθεση μπλοκ κώδικα (αντί για εντολές goto/jump κτλ), ώστε να επιτρέπουν τόσο τον έλεγχο της αλγοριθμικής πολυπλοκότητας υπολογίζοντάς την από τον τύπο και το βαθμό εμφώλευσης των μπλοκ, όσο και την ακολουθιακή κατανόηση των εντολών.
  3. Διερμηνεύουν οποιοδήποτε αποδεκτό τους πρόγραμμα χωρίς να “κρεμάνε”, ώστε να πραγματοποιηθεί σύνθεση αξιολογήσιμου κώδικα απευθείας σε αυτές.

Στόχος αυτής της διπλωματικής είναι ορισμός μιας απλής γλώσσας προγραμματισμού και συνοδευόμενης γλώσσας εικονικής μηχανής που πληροί τα παραπάνω χαρακτηριστικά. Για την ακρίβεια, θα υλοποιηθεί τόσο ο μεταφραστής μεταξύ των δύο γλωσσών, όσο και η εικονική μηχανή που θα διερμηνεύει τη αντίστοιχη γλώσσα (οι υλοποιήσεις σε Python ή C++). Τέλος, και ανάλογα με το ερευνητικό ενδιαφέρον, θα διερευνηθούν χρησιμότητες των παραγόμενων συστημάτων σε σχέση με υπάρχουσες πρακτικές για τη σύνθεση προγραμμάτων γενικής φύσης στη δημιουργούμενη γλώσσα από εμπορικά LLMs (π.χ. ChatGPT), τεχνικές μηχανικής μάθησης, και γενετικό προγραμματισμό.