A mobilkommunikációs technológiák (lásd 5G), felhő szolgáltatások és a mobil eszközök képességeinek rohamos fejlődésével egyre nagyobb mértékben kerülnek előtérbe korábban futurisztikusnak tekintett augmentált valóság (AR) alkalmazások. Egy felhő-alapú, centralizált AR alkalmazás viszont nagy terhet ró a kiszolgáló háttér-komponenseire a felhasználói élmény biztosítása érdekében. Egy ilyen AR komponens megvalósíthat pl. egy játékszervert vagy egy vizuális-inerciális SLAM alkalmazást, amely képes szimultán követni egy ágens pozícióját és feltérképezni annak környezetét a beérkező képi és szenzor adatokból. Ezen komponensek teljesítményeinek on-line követésére és predikálására adnak új lehetőséget a klasszikus gépi tanulás (ML) és neurális háló (NN) módszerek. A hallgató feladata az irodalomban fellelhető ML és NN technikák alkalmazhatóságának vizsgálata egy AR komponens teljesítményének, pl. válaszidejének vagy pontosságának predikálására, figyelembe véve a beérkező képi és szenzor adatokat, felhő erőforrásokat, hálózati metrikákat, stb. A hallgató célja összehasonlítani több elérhető modellt, megvizsgálni és kiértékelni a rendelkezésre álló adatok előfeldolgozásának lehetőségeit és kialakítani egy tesztkörnyezetet a modellek betanítására, tuningolására és összehasonlítására.