A digitalizáció és az információtechnológiák rohamos fejlődése alapvetően alakítja át a gazdaság és az ipar működését, különös tekintettel a hatékonyság, az automatizálás és a mesterséges intelligenciára épülő megoldások elterjedésére. Az Ipar 4.0–5.0 szemléletben mindez egyre inkább adatvezérelt gondolkodással párosul, ugyanakkor az ipari környezetekben a megfelelő mennyiségű és információtartalmú tanítóadat elérhetősége gyakran korlátozott. A disszertáció a gyártási folyamatok digitalizációjához kapcsolódó kulcstechnológiákat és kutatási irányokat tárgyalja, és olyan mélytanuláson alapuló módszertanokat mutat be, amelyek szintetikus adatgenerálásra építve csökkentik a valós adatgyűjtés költségét és időigényét. A bemutatott megközelítések közé tartozik a képből-kép fordításon alapuló tartományadaptáció ipari alkalmazása, a tervrajzalapú tartománykonverzióval előállított realisztikus adathalmazok létrehozása objektumdetektorok tanításához, valamint egy háromlépcsős, önfigyelésen alapuló beültetéstámogató algoritmus is (SCARA Assembly AI). Az ismertetett eljárások hatékonysága minden esetben valós robottesztekkel szintén alátámasztásra kerül.

Digitalization and the rapid development of information technologies are fundamentally transforming the economy and industry, particularly with regard to the spread of solutions based on efficiency, automation, and artificial intelligence. In the Industry 4.0–5.0 approach, this is increasingly coupled with data-driven thinking, but at the same time, access to training data with sufficient quantity and information content is often limited in industrial environments. The dissertation discusses key technologies and research directions related to the digitization of manufacturing processes and presents deep learning-based methodologies that reduce the cost and time required for real data collection by relying on synthetic data generation. The approaches presented include the industrial application of domain adaptation based on image-to-image translation, the creation of realistic datasets generated by plan-based domain conversion for training object detectors, and a three-step, self-supervised assembly support algorithm (SCARA Assembly AI). The effectiveness of the procedures described is also confirmed in all cases by real robot tests.