Łącząc wykłady z analizy stochastycznej i algebry liniowej na Politechnika Wrocławska — Wydział Informatyki i Telekomunikacji (Katedra Sztucznej Inteligencji) (MSc in Artificial Intelligence & Data Science (CLARIN-PL Polish LLM Creator — PLLuM)) z asynchroniczną pracą badawczą, studenci przekształcają wiedzę teoretyczną w działające systemy wieloagentowe. W naszych zespołach badawczych R&D nie zajmujesz się powierzchownym prompt engineeringiem, lecz implementujesz 100% akademickiej matematyki: wypukłą optymalizację macierzy kowariancji, estymatory Ledoit-Wolfa oraz redukcję semivariancji błędów halucynacji LLM. Twoje dowody twierdzeń, symulacje Monte Carlo i projekty seminaryjne zyskują bezpośrednie przełożenie na kod produkcyjny sterujący klastrami autonomicznych modeli wnioskujących.
Pracuj elastycznie i bezkolizyjnie pomiędzy wykładami, laboratoriami komputerowymi a seriami zadań domowych. Brak sztywnych godzin i spotkań w czasie ćwiczeń na uczelni – rozliczasz się z dowiedzionych własności matematycznych, weryfikacji formalnej i zbieżności algorytmów optymalizacyjnych w Git/GitHub.
Zdalne wynagrodzenie rzędu $20–$45/h USD z bezwzględną ochroną Twoich wyników akademickich. Podczas kolokwiów śródsemestralnych oraz sesji egzaminacyjnej aktywujesz redukcję do 0 h/tydzień bez utraty miejsca w podzie badawczym ani obniżenia Twojego statusu w projektach grantowych.
Prowadź badania o bezpośredniej zbieżności z Twoją pracą licencjacką, inżynierską lub magisterską oraz projektami seminaryjnymi. Współtwórz recenzowane preprinty z zakresu kowariancji zespołów agentowych, korzystając z pełnego dostępu do 39-godzinnej biblioteki badawczej CPE dostępnej pod adresem {preprints_url}.
| Przedmiot Akademicki | Aparat Matematyczny / Twierdzenie | Pod Badawczy R&D | Wdrożenie Produkcyjne w Multi-Agent AI |
|---|---|---|---|
| Optymalizacja Wypukła i Programowanie Kwadratowe | \min_w w^T \Sigma w \quad \text{s.t.} \quad w^T \mu \ge \mu^*, \; \mathbf{1}^T w = 1, \; w \ge 0 |
POD-01 (Optymalizacja Przydziału Mocy Obliczeniowej) | Wyznaczanie optymalnych wag w heterogenicznych klastrach wnioskujących: minimalizacja wariancji kosztu i błędów w zespole modeli LLM oraz deterministycznych weryfikatorów formalnych przy zadanym progu dokładności logicznej μ*. |
| Rachunek Prawdopodobieństwa i Zmienne Skorelowane | N_{\text{eff}} = \frac{N}{1 + (N - 1)\bar{\rho}} |
POD-01 (Statystyczna Ortogonalizacja Zespołów Agentowych) | Matematyczny dowód zjawiska pozornej dywersyfikacji: 50 skorelowanych wywołań promptów przy \bar{\rho} = 0,70 dostarcza zaledwie N_eff ≈ 1,42 niezależnego eksperta. Konstrukcja ortogonalnych dekompozycji i zróżnicowanych przestrzeni ukrytych w celu redukcji współczynnika korelacji reszt. |
| Statystyka Wielowymiarowa i Ekonometria (N > T) | \hat{\Sigma}_{\text{LW}} = (1 - \delta^*)S + \delta^* F |
POD-02 (Regularyzacja Kowariancji i Teoria Macierzy Losowych) | Ściąganie macierzy kowariancji Ledoit-Wolfa oraz odszumianie widmowe rozkładem Marčenko-Pastura na krótkich próbach ewaluacyjnych (gdzie wymiar agentów N przewyższa liczbę benchmarków T), eliminujące osobliwości macierzy błędu. |
| Matematyka Ubezpieczeniowa i Teoria Wartości Ekstremalnych | \Sigma^-_{ij} = \mathbb{E}[\min(R_i - \tau, 0)\min(R_j - \tau, 0)], \quad \text{CVaR}_{99\%}(L_w) \le M_{\text{audit}} |
POD-02 (Zarządzanie Ryzykiem Ogonowym i Semiwariancją) | Zastosowanie asymetrycznej semiwariancji Markowitza (1959) oraz miary warunkowej wartości zagrożonej (CVaR wg Rockafellara-Uryaseva) do penalizacji wyłącznie negatywnych odchyleń (halucynacje, luki w zabezpieczeniach), z rygorystycznym ograniczeniem ryzyka ogonowego audytu. |
| Ekonomia Matematyczna i Rachunek Stochastyczny | w_{\text{tan}} \propto \Sigma^{-1}(\mu - c\mathbf{1}), \quad \text{SR}(w) = \frac{w^T(\mu - c\mathbf{1})}{\sqrt{w^T \Sigma w}} |
POD-03 (Twierdzenie o Separacji Tobina w Systemach AI) | Rozszerzenie twierdzenia o separacji funduszy Tobina: deterministyczne kompilatory i statyczne analizatory kodu stanowią aktywo wolne od ryzyka (σ_0 = 0), łączone z portfelem stycznym modeli generatywnych w celu maksymalizacji wskaźnika Sharpe'a jakości wnioskowania. |
| Sekwencyjna Weryfikacja Hipotez i Teoria Decyzji | \mathbb{P}(\text{Błąd I Rodzaju}) \le \alpha \quad (\text{Kaskada Neymana-Pearsona / FrugalGPT}) |
POD-04 (Kaskadowy Routing Decyzyjny i Prace Badawcze) | Wieloszczeblowy routing sekwencyjny optymalizujący kompromis koszt-efektywność przy kontrolowanym poziomie istotności α; dostęp do 39-godzinnej bazy wiedzy preprintów badawczych pod adresem {preprints_url}. |
1. Biuro Karier UW / PW / SGH & Koła Naukowe: Aplikacje z Politechnika Wrocławska — Wydział Informatyki i Telekomunikacji (Katedra Sztucznej Inteligencji) przyjmowane są priorytetowo za pośrednictwem uczelnianego portalu karier (Biuro Karier UW / PW / SGH & Koła Naukowe). Po zalogowaniu do systemu karier wybierz profil badawczy R&D Markowitz Systems, dołącz transkrypcję ocen (lub wykaz zaliczonych przedmiotów ścisłych) oraz odnośnik do profilu GitHub/GitLab z próbką kodu algorytmicznego. (RSS/XML Job Feed · iCal Open Office Hours · Google Classroom)
2. Python Seminar & Thesis Kit (/uni/pl-wroc-aw-university-of-science-and-technology/lab.py): Pakiet seminaryjny (Seminar Lab Kit) zawiera w pełni odtwarzalny skrypt w języku Python (oparty na NumPy, SciPy i cvxpy), który w 5 minut przeprowadza symulację wyznaczania efektywnej liczby niezależnych ekspertów N_eff oraz regularyzację empirycznej macierzy kowariancji za pomocą estymatora kurczenia Ledoit-Wolfa (Σ̂_LW). Skrypt generuje syntetyczne wektory błędów agentów, demonstrując zjawisko koncentracji miary oraz przewagę portfela o minimalnej wariancji nad prostym uśrednianiem (majority voting).