Το Internet of Things Laboratory (IoT-Lab) του Τμήματος Μηχανικών Η/Υ και Πληροφορικής, προκηρύσσει:

• 3 θέσεις αμειβόμενου Υποψήφιου Διδάκτορα

για απασχόληση σε Έργα Έρευνας και Ανάπτυξης, τα οποία χρηματοδοτούνται από την Ευρωπαϊκή Ένωση, το Ελληνικό Κράτος, και τον Ιδιωτικό Τομέα, όπως το Κέντρο Ψηφιακής Καινοτομίας (Center of Digital Innovation – CDI) της Pfizer.

Λίγα λόγια για το IoT Lab

Το Ερευνητικό Εργαστήριο IoT–Lab εστιάζει στην ανάπτυξη μη τετριμμένων, πραγματικών εφαρμογών μέσω έρευνας αιχμής κατά τον σχεδιασμό, την ανάλυση και την υλοποίηση  αποδοτικών αλγορίθμων και συστημάτων  για ασύρματα δίκτυα μικροαισθητήρων (WSN), το Διαδίκτυο των Πραγμάτων (IoT) και την αποτελεσματική σύζευξή τους με την Τεχνητή Νοημοσύνη (AIoT). Η έρευνα που διεξάγεται στο ΙοΤ-Lab  έχει συμβάλλει καίρια στην ανάπτυξη νέων σημαντικών ζητημάτων και πεδίων της διεθνούς βιβλιογραφίας (όπως τα θεωρητικά ζητήματα δικτύων αισθητήρων με έμφαση στην βελτιστοποίηση ενέργειας, τα θεμελιώδη και αλγοριθμικά θέματα κατά την ασύρματη μεταφορά ενέργειας σε δίκτυα επικοινωνιών, το ζήτημα του προσαρμοστικού ελέγχου της ηλεκτρομαγνητικής ακτινοβολίας σε ασύρματες επικοινωνίες). Τα τελευταία χρόνια, το IoT-Lab συντόνισε και συμμετείχε σε πολλά εθνικά, ευρωπαϊκά και ιδιωτικά έργα Ε&Α μεγάλης κλίμακας που σχετίζονται με την Τεχνητή Νοημοσύνη και το Internet of Things (IoT): Voice-Based Diagnostics (VBD) για διάγνωση αναπνευστικών ασθενειών μέσω φωνής με τη χρήση του μικροφώνου της κινητής συσκευής, EU SynAir-G και Personal Allergy Tracer (PAT) για εφαρμογές Ψηφιακής Υγείας (επιπτώσεις της ποιότητας αέρα στην υγεία, εντοπισμός αλλεργικών συμπτωμάτων κ.λπ,), EU SAFESTRIP για  «συγχωρητικούς» αυτοκινητοδρόμους σε έξυπνες μεταφορές, EU IοTLAB και EU SAINT για μεθόδους πληθοπορισμού και πληθαίσθησης, EU ZDMP για έλεγχο ποιότητας σε ψηφιακά εργοστάσια, SmartPV για ευφυή παρακολούθηση και προληπτική συντήρηση φωτοβολταϊκών πάρκων.

Θέση Διδακτορικής Διατριβής 1 – Πολυτροπική Ανάλυση EyeAI

Σχετικά με τη θέση

Προσφέρεται θέση υποψήφιου διδάκτορα στον τομέα της τεχνητής νοημοσύνης, της ιατρικής απεικόνισης και της ανάλυσης κλινικών δεδομένων, με στόχο την ανάπτυξη μη επεμβατικών ψηφιακών βιοδεικτών μέσω πολυτροπικών δεδομένων. Η θέση εντάσσεται στο ερευνητικό έργο EyeAI και περιλαμβάνει στενή συνεργασία μεταξύ ερευνητών πληροφορικής και ιατρών.

Ο/Η υποψήφιος/α θα δραστηριοποιηθεί σε ένα διεπιστημονικό περιβάλλον, συμβάλλοντας στον σχεδιασμό, την ανάλυση και την κλινική επικύρωση μεθόδων βασισμένων σε τεχνητή νοημοσύνη. Καθ’ όλη τη διάρκεια της διατριβής θα πραγματοποιείται συνεχής συλλογή και αξιολόγηση δεδομένων, σε στενή συνεργασία με κλινικούς συνεργάτες.

Σχετικά με το έργο

Το έργο στοχεύει στην ανάπτυξη ενός αξιόπιστου και κλινικά επικυρωμένου πλαισίου αξιοποίησης πολυτροπικών ιατρικών δεδομένων, συνδυάζοντας οφθαλμικές εικόνες σκληρού χιτώνα με εργαστηριακές και κλινικές μεταβλητές.

Σε πρώτο στάδιο, θα πραγματοποιηθεί συστηματική αξιολόγηση της ποιότητας των δεδομένων, καθώς και διαδικασίες καθαρισμού, εναρμόνισης και επισημείωσης (annotation), με ιδιαίτερη έμφαση σε εφαρμογές υπολογιστικής όρασης. Παράλληλα, θα διερευνηθούν οι σχέσεις μεταξύ βιοδεικτών, συγχυτικών παραγόντων και διαγνωστικών κατηγοριών, με στόχο την εξαγωγή στατιστικά τεκμηριωμένων και κλινικά χρήσιμων συμπερασμάτων.

Στη συνέχεια, το έργο εστιάζει στον εντοπισμό φαινοτύπων ασθενών υψηλού κινδύνου μέσω τεχνικών ομαδοποίησης και πολυπαραγοντικής ανάλυσης.

Τέλος, θα διερευνηθεί η δυνατότητα εκτίμησης βιοχημικών δεικτών (π.χ. χολερυθρίνη) από χαρακτηριστικά εικόνας, μέσω ερμηνεύσιμων μοντέλων μηχανικής μάθησης, με στόχο την αξιολόγηση της ακρίβειας και της κλινικής χρησιμότητας μη επεμβατικών μεθόδων.

Η προσέγγιση είναι σταδιακή και βασίζεται σε κλινικά επικυρωμένες συσχετίσεις, διασφαλίζοντας την αξιοπιστία των αναπτυσσόμενων μοντέλων.

Καθήκοντα θέσης

• Συνεχής συλλογή και εμπλουτισμός πολυτροπικών δεδομένων σε συνεργασία με ιατρούς
• Καθαρισμός, εναρμόνιση και επισημείωση δεδομένων (ιδίως για προβλήματα υπολογιστικής όρασης)
• Στατιστική ανάλυση και διερεύνηση σχέσεων μεταξύ βιοδεικτών και νόσων
• Ανάπτυξη μοντέλων μηχανικής και βαθιάς μάθησης για πολυτροπικά δεδομένα
• Σχεδιασμός ερμηνεύσιμων μοντέλων τεχνητής νοημοσύνης
• Ανάλυση και εντοπισμός φαινοτύπων ασθενών
• Αξιολόγηση μοντέλων πρόβλεψης βιοχημικών δεικτών
• Συνεργασία με κλινικούς για την επικύρωση αποτελεσμάτων
• Συγγραφή επιστημονικών δημοσιεύσεων και συμμετοχή σε συνέδρια
• Εκπόνηση και υποστήριξη διδακτορικής διατριβής

Απαιτούμενα προσόντα

• Μεταπτυχιακό (ή MSci) δίπλωμα σε Τεχνητή Νοημοσύνη, Μηχανική Υπολογιστών, Επιστήμη Δεδομένων, Βιοϊατρική Μηχανική ή συναφή τομέα
• Ισχυρό υπόβαθρο σε μηχανική μάθηση και στατιστική ανάλυση
• Προγραμματιστική εμπειρία σε Python και σχετικά frameworks
• Εμπειρία σε επεξεργασία και ανάλυση δεδομένων
• Άριστη γνώση Αγγλικής γλώσσας

Επιθυμητά προσόντα

• Εμπειρία σε υπολογιστική όραση ή ιατρική απεικόνιση
• Γνώση πολυτροπικής μάθησης και συγχώνευσης δεδομένων
• Εμπειρία σε ανάλυση βιοϊατρικών δεδομένων
• Ερευνητική εμπειρία ή δημοσιεύσεις

Προσωπικά χαρακτηριστικά

• Αναλυτική σκέψη και ικανότητα επίλυσης προβλημάτων
• Ικανότητα αυτόνομης και ομαδικής εργασίας
• Προσοχή στη λεπτομέρεια, ιδιαίτερα στη διαχείριση δεδομένων
• Ενδιαφέρον για εφαρμογές AI στην υγεία
• Ικανότητα συνεργασίας με διεπιστημονικές ομάδες

Θέση Διδακτορικής Διατριβής 2 – Πολυτροπική Ανάλυση Αναπνευστικών Νοσημάτων

Σχετικά με τη θέση

Προσφέρεται θέση υποψήφιου διδάκτορα στον τομέα της ανάλυσης βιοϊατρικών σημάτων, της ιατρικής απεικόνισης και της τεχνητής νοημοσύνης, με αντικείμενο τη μελέτη λοιμώξεων του αναπνευστικού συστήματος μέσω πολυτροπικών δεδομένων.

Η θέση περιλαμβάνει στενή συνεργασία με ιατρούς και βασίζεται σε εκτεταμένη συλλογή δεδομένων από πραγματικές κλινικές συνθήκες.

Σχετικά με το έργο

Το έργο στοχεύει στην ανάπτυξη ενός ολοκληρωμένου πλαισίου ανάλυσης και κατανόησης αναπνευστικών νοσημάτων μέσω της συνδυαστικής αξιοποίησης κλινικών, εργαστηριακών, απεικονιστικών και ακουστικών δεδομένων.

Τα δεδομένα θα περιλαμβάνουν δημογραφικά στοιχεία, εξετάσεις αίματος, ακτινογραφίες και αξονικές τομογραφίες, καθώς και ηχογραφήσεις αναπνευστικών ήχων από πολλαπλά ανατομικά σημεία, σύμφωνα με τυποποιημένα πρωτόκολλα. Θα πραγματοποιούνται επαναλαμβανόμενες καταγραφές κατά τη διάρκεια της νοσηλείας, επιτρέποντας τη μελέτη της εξέλιξης της νόσου.

Ιδιαίτερη έμφαση θα δοθεί σε διαδικασίες καθαρισμού, επισημείωσης και ποιοτικής αξιολόγησης των δεδομένων, καθώς και στην εξαγωγή χαρακτηριστικών από ηχητικά σήματα και ιατρικές εικόνες.

Στη συνέχεια, θα διερευνηθούν οι συσχετίσεις μεταξύ αναπνευστικών ήχων, απεικονιστικών ευρημάτων και βιοδεικτών, ενώ θα εφαρμοστούν τεχνικές μηχανικής και βαθιάς μάθησης για ανίχνευση προτύπων, ταξινόμηση και εκτίμηση της βαρύτητας της νόσου.

Το έργο αποσκοπεί στη δημιουργία ενός επεκτάσιμου και κλινικά χρήσιμου πλαισίου για την υποστήριξη της διάγνωσης και της παρακολούθησης ασθενών.

Καθήκοντα θέσης

• Συλλογή και διαχείριση πολυτροπικών κλινικών δεδομένων
• Επισημείωση και αξιολόγηση ποιότητας ηχογραφήσεων αναπνευστικών ήχων
• Προεπεξεργασία και εξαγωγή χαρακτηριστικών από δεδομένα ήχου και εικόνας
• Ανάπτυξη αλγορίθμων ανίχνευσης και διαχωρισμού αναπνευστικών ήχων
• Ενοποίηση πολυτροπικών δεδομένων (κλινικά, απεικονιστικά, ακουστικά)
• Στατιστική ανάλυση και οπτικοποίηση δεδομένων
• Ανάπτυξη μοντέλων μηχανικής και βαθιάς μάθησης
• Συνεργασία με ιατρούς για την ερμηνεία των αποτελεσμάτων
• Δημοσίευση ερευνητικών αποτελεσμάτων
• Εκπόνηση διδακτορικής διατριβής

Απαιτούμενα προσόντα

• Μεταπτυχιακό (ή MSci) δίπλωμα σε Τεχνητή Νοημοσύνη, Επεξεργασία Σήματος, Μηχανική Υπολογιστών, Βιοϊατρική Μηχανική ή συναφή τομέα
• Ισχυρό υπόβαθρο σε επεξεργασία σήματος ή/και μηχανική μάθηση
• Προγραμματιστική εμπειρία σε Python
• Εμπειρία σε ανάλυση δεδομένων
• Άριστη γνώση Αγγλικής γλώσσας

Επιθυμητά προσόντα

• Εμπειρία σε ανάλυση ακουστικών σημάτων ή βιοϊατρικών δεδομένων
• Γνώση βαθιάς μάθησης
• Εμπειρία σε ιατρική απεικόνιση
• Εμπειρία σε πολυτροπικά δεδομένα
• Ερευνητική δραστηριότητα ή δημοσιεύσεις

Προσωπικά χαρακτηριστικά

• Ικανότητα διαχείρισης σύνθετων δεδομένων
• Αναλυτική σκέψη και συστηματική προσέγγιση
• Ικανότητα συνεργασίας σε διεπιστημονικές ομάδες
• Ενδιαφέρον για εφαρμογές τεχνητής νοημοσύνης στην ιατρική
• Οργανωτικότητα και υπευθυνότητα

Θέση Διδακτορικής Διατριβής 3 – PHOTOMIX: Πολυτροπική Ανάλυση και Αιτιοκρατική Μοντελοποίηση για Βιοαποικοδόμηση Πολυμερών

Σχετικά με τη θέση

Προσφέρεται θέση υποψήφιου διδάκτορα στο πλαίσιο του ερευνητικού έργου PHOTOMIX, με αντικείμενο την ανάπτυξη προηγμένων μεθόδων τεχνητής νοημοσύνης και πολυτροπικής ανάλυσης για τη μελέτη διεργασιών βιοαποικοδόμησης πολυμερών σε υδάτινα περιβάλλοντα.

Η θέση εντάσσεται σε ένα διεπιστημονικό πλαίσιο που συνδυάζει φασματοσκοπία, ανάλυση υλικών, περιβαλλοντική επιστήμη και μηχανική μάθηση. Ο/Η υποψήφιος/α θα συνεργάζεται στενά με ειδικούς διαφορετικών πεδίων (χημεία, περιβαλλοντική μηχανική, επιστήμη δεδομένων), συμβάλλοντας στην ανάπτυξη ενός ολοκληρωμένου AI framework.

Σχετικά με το έργο

Το έργο επικεντρώνεται στην ανάπτυξη ενός ολοκληρωμένου συστήματος παρακολούθησης της βιοαποικοδόμησης πολυμερών μέσω συνδυασμού προηγμένων φασματοσκοπικών τεχνικών και τεχνητής νοημοσύνης.

Στο πειραματικό σκέλος, θα αξιοποιηθούν τεχνικές φωτοθερμικής φασματοσκοπίας για την in-situ παρακολούθηση της παραγωγής CO₂ από ισοτοπικά επισημασμένα πολυμερή, επιτρέποντας τον διαχωρισμό μεταξύ βιοαποικοδόμησης και υποβάθρου. Παράλληλα, θα χρησιμοποιηθεί μικρο-φασματοσκοπία Raman για τον χαρακτηρισμό των πολυμερών πριν, κατά τη διάρκεια και μετά τη βιολογική επώαση, παρέχοντας πληροφορίες για τη γήρανση και την υδρόλυση των υλικών.

Η ανάλυση θα εστιάσει στη συσχέτιση των φασματοσκοπικών χαρακτηριστικών με τη δυναμική της βιοαποικοδόμησης, ιδιαίτερα κατά την αρχική φάση (lag phase), όπου λαμβάνουν χώρα επιφανειακές διεργασίες χωρίς άμεση μετατροπή σε CO₂.

Σε επίπεδο υπολογιστικής ανάλυσης, το PHOTOMIX AI Platform βασίζεται σε ένα πολυεπίπεδο πλαίσιο μηχανικής μάθησης, συνδυάζοντας πολυτροπικά δεδομένα (π.χ. Raman, FTIR, SRS, VIS) για την ανάπτυξη ισχυρών προβλεπτικών μοντέλων. Πέρα από την πρόβλεψη, το έργο εισάγει αιτιοκρατικές μεθόδους (causal inference) και τεχνικές εξηγησιμότητας (XAI), επιτρέποντας την κατανόηση της συνεισφοράς κάθε αισθητηριακής πηγής στο τελικό αποτέλεσμα.

Το σύστημα θα υλοποιηθεί σε περιβάλλον MLOps, επιτρέποντας αυτοματοποιημένη διαχείριση δεδομένων, εκπαίδευση μοντέλων και ανάπτυξη εφαρμογών μέσω διαδραστικών εργαλείων.

Καθήκοντα θέσης

• Συμμετοχή στον σχεδιασμό και την ανάλυση πειραμάτων βιοαποικοδόμησης πολυμερών
• Επεξεργασία και ανάλυση φασματοσκοπικών δεδομένων (Raman, FTIR, κ.ά.)
• Ανάπτυξη μεθόδων πολυτροπικής συγχώνευσης δεδομένων
• Σχεδιασμός και υλοποίηση μοντέλων μηχανικής και βαθιάς μάθησης
• Ανάπτυξη αιτιοκρατικών μοντέλων (causal inference) και μεθόδων εξηγησιμότητας
• Ανάλυση δυναμικών διεργασιών (π.χ. κινητική βιοαποικοδόμησης)
• Συμμετοχή στην ανάπτυξη MLOps pipeline και cloud-based υποδομών
• Συνεργασία με διεπιστημονικές ομάδες για την ερμηνεία των αποτελεσμάτων
• Δημοσίευση ερευνητικών αποτελεσμάτων και παρουσίαση σε συνέδρια
• Εκπόνηση και υποστήριξη διδακτορικής διατριβής

Απαιτούμενα προσόντα

• Μεταπτυχιακό (ή MSci) δίπλωμα σε Τεχνητή Νοημοσύνη, Επιστήμη Δεδομένων, Μηχανική Υπολογιστών, Πληροφορική ή συναφή τομέα
• Ισχυρό υπόβαθρο σε μηχανική μάθηση και ανάλυση δεδομένων
• Προγραμματιστική εμπειρία σε Python
• Κατανόηση στατιστικής ανάλυσης και μοντελοποίησης
• Άριστη γνώση Αγγλικής γλώσσας

Επιθυμητά προσόντα

• Εμπειρία σε πολυτροπική μάθηση ή data fusion
• Γνώση causal inference και explainable AI (XAI)
• Εμπειρία σε φασματοσκοπικά δεδομένα ή ανάλυση σημάτων
• Εμπειρία με MLOps ή cloud-based συστήματα
• Ερευνητική εμπειρία ή δημοσιεύσεις

Προσωπικά χαρακτηριστικά

• Ικανότητα εργασίας σε διεπιστημονικό περιβάλλον
• Αναλυτική και κριτική σκέψη
• Ικανότητα επίλυσης σύνθετων προβλημάτων
• Οργανωτικότητα και προσοχή στη λεπτομέρεια
• Ενδιαφέρον για εφαρμογές AI σε περιβαλλοντικά και υλικά συστήματα

Παροχές

• Ικανοποιητική αμοιβή
• Ασφάλιση
• Πρόσβαση σε τεχνολογία και εργαλεία αιχμής, παροχή αναβαθμισμένου τεχνολογικού εξοπλισμού.
• Δυνατότητα ταξιδιών, για διάχυση αποτελεσμάτων σε διεθνή επιστημονικά συνέδρια, όπως και συμμετοχή σε συναντήσεις ερευνητικών έργων
• Ελκυστικό και συνεργατικό περιβάλλον εργασίας
• Ευκαιρίες επαγγελματικής ανάπτυξης και εξέλιξης

Υπάρχει επίσης η δυνατότητα εκπόνησης διδακτορικής διατριβής και πέραν των ανωτέρω προτεινόμενων θεματικών, εφόσον ο/η ενδιαφερόμενος/η διαθέτει μια σαφώς διαμορφωμένη ερευνητική ιδέα ή κατεύθυνση. Σε αυτή την περίπτωση, ενθαρρύνεται η επικοινωνία και συζήτηση με τον/την επιβλέποντα/ουσα, προκειμένου να αξιολογηθεί η επιστημονική συνάφεια, η εφικτότητα και η δυνατότητα ένταξης της πρότασης στο ευρύτερο ερευνητικό πλαίσιο και τις τρέχουσες δραστηριότητες της ομάδας. Ιδιαίτερη έμφαση δίνεται σε προτάσεις που συνδυάζουν καινοτομία, διεπιστημονικότητα και σαφή προσανατολισμό σε πραγματικά προβλήματα, ενώ η τελική διαμόρφωση του θέματος πραγματοποιείται σε συνεργασία με τον/την επιβλέποντα/ουσα.

Υποβολή Ενδιαφέροντος

Οι ενδιαφερόμενοι καλούνται να αποστείλουν το βιογραφικό τους μαζί με ένα cover letter, με κοινοποίηση στα ακόλουθα emails:

• nikole@ceid.upatras.gr
• tzamalis@ceid.upatras.gr

αναφέροντας και τη θέση για την οποία υποβάλουν αίτημα ενδιαφέροντος.

References:

• https://www.cti.gr/RD1/nikole/
• https://tzamalisp.github.io/
• https://iotlab.ceid.upatras.gr/
• https://github.com/AIoT-Group-UoP
• Google Scholar – Sotiris Nikoletseas
• Google Scholar – Pantelis Tzamalis