Kvalita dat pro využití HPC a AI

Maxim Rebizov

Bakalářská práce

Data Quality for the Utilization of HPC and AI

Anotace:

Tato bakalářská práce se zabývá kvalitou dat v kontextu jejich využití ve vysoce výkonných výpočetních prostředích (HPC) a umělé inteligenci (AI). Cílem práce je analyzovat vliv kvality dat na spolehlivost a výkonnost systémů a navrhnout řešení pro její zlepšení. Teoretická část definuje hlavní dimenze kvality dat, jako jsou přesnost, úplnost, konzistentnost a aktuálnost. Dále se zaměřuje na správu dat (data governance), validaci, čištění dat a nástroje pro jejich automatizované zpracování v prostředí HPC a AI. V praktické části byla realizována případová studie ve spolupráci s podnikem, který využívá HPC a AI při práci se zdravotnickými a ekonomickými daty. Analýza ukázala problémy, jako jsou chybějící hodnoty, nekonzistentní formát nebo nedostatečná metadata. Pomocí datového auditu a automatizovaných nástrojů byla navržena doporučení ke zlepšení: zavedení pravidelné validace, posílení správy dat a technické podpory. Výsledky potvrdily, že nekvalitní data snižují přesnost AI modelů i efektivitu HPC výpočtů. Závěrem práce doporučuje systematicky řídit kvalitu dat, investovat do technologií a školení personálu. Práce tak poskytuje praktický rámec pro zvýšení kvality dat v moderních výpočetních systémech.

Abstract:

This bachelor’s thesis focuses on data quality in the context of their utilization in High-Performance Computing (HPC) environments and Artificial Intelligence (AI). The aim of the thesis is to analyze the impact of data quality on the reliability and performance of systems and to propose solutions for its improvement. The theoretical part defines the main dimensions of data quality, such as accuracy, completeness, consistency, and timeliness. It also addresses proper data governance, data validation, data cleansing, and tools for automated data processing in HPC and AI environments. In the practical part, a case study was conducted in cooperation with a company that uses HPC and AI in working with healthcare and economic data. The analysis revealed issues such as missing values, inconsistency, and poor metadata. Through data auditing and the use of automated tools, recommendations for improvement were proposed: implementation of regular validation, better data management, and improved technical support. The results confirmed that poor data quality reduces the accuracy of AI models and the efficiency of HPC computations. In conclusion, the thesis recommends implementing systematic data quality management, investing in technology, and training personnel. Thus, the thesis provides a practical framework for improving data quality in modern computing systems.

Klíčová slova

Kvalita dat, Vysokovýkonné výpočetní prostředí (HPC), Umělá inteligence (AI), Validace dat, Čištění dat, Data governance, Správa dat, Automatizace, Datové standardy, Metadata, Případová studie, Zdravotnická data, Ekonomická data, Blockchain, Inovace

Keywords

High-Performance Computing (HPC), Artificial Intelligence (AI), Data validation, Data Quality, Data cleansing, Data governance, Data management, Automation, Data standards, Metadata, Case study, Healthcare data, Economic data, Blockchain, Innovation

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 15. 3. 2025

Obhajoba závěrečné práce

• Vedoucí: doc. Ing. Jan Jarolímek, Ph.D.
• Oponent: Michael Anderle, MBA

Česká zemědělská univerzita v Praze

Provozně ekonomická fakulta

Bakalářský studijní program:
Ekonomika a management