Προκήρυξη:
Το Τμήμα Πληροφορικής και Τηλεματικής προσφέρει σε νέους ερευνητές τη δυνατότητα να ακολουθήσουν διδακτορικές σπουδές στα πεδία αιχμής της Πληροφορικής και της Τηλεματικής.
ΘΕΣΗ: Μία (1) θέση υποψήφιου/-ας διδάκτορα/-ισσας
ΤΙΤΛΟΣ: AI-Driven Context-Aware Recommendation Systems in 6G Networks (Συστήματα Συστάσεων με Επίγνωση του Περιβάλλοντος Καθοδηγούμενα από Τεχνητή Νοημοσύνη στα Δίκτυα 6G)
ΓΝΩΣΤΙΚΗ ΠΕΡΙΟΧΗ: 6G networks, Artificial Intelligence, Recommendation systems
ΠΕΡΙΓΡΑΦΗ:
Η ταχεία εξέλιξη των ασύρματων επικοινωνιών που οδηγεί στην τρέχουσα ανάπτυξη των δικτύων 6G, αναμένεται να φέρει επανάσταση στον τρόπο που αλληλεπιδρούν οι συσκευές και οι χρήστες με το δίκτυο. Με υψηλές ταχύτητες δεδομένων, εξαιρετικά χαμηλή καθυστέρηση, μαζική συνδεσιμότητα, και προηγμένες δυνατότητες υπολογισμού στα άκρα του δικτύου (edge), τα δίκτυα 6G αναμένεται να υποστηρίξουν ένα ευρύ φάσμα εφαρμογών όπως επαυξημένη πραγματικότητα (Augmented Reality, AR), εικονική πραγματικότητα (Virtual Reality, VR), αυτόνομα οχήματα και έξυπνες πόλεις. Αυτές οι εφαρμογές παράγουν τεράστιες ποσότητες δεδομένων και απαιτούν έξυπνα συστήματα για να εξασφαλίσουν αποδοτικές και εξατομικευμένες εμπειρίες χρήστη. Σε αυτό το πλαίσιο, τα συστήματα συστάσεων (recommendation systems) βασισμένα στην Τεχνητή Νοημοσύνη (Artificial Intelligence, AI) αναδεικνύονται ως ένα κρίσιμο εργαλείο για την παροχή προσαρμοσμένων υπηρεσιών, τη βελτιστοποίηση της κατανομής πόρων και τη βελτίωση της ικανοποίησης των χρηστών. Τα παραδοσιακά συστήματα συστάσεων βασίζονται σε στατικούς και προκαθορισμένους αλγορίθμους για να προτείνουν περιεχόμενο ή υπηρεσίες, παραμελώντας συχνά τη δυναμική φύση των προτιμήσεων των χρηστών και των περιβαλλοντικών παραγόντων. Ωστόσο, συστήματα συστάσεων που λαμβάνουν υπόψη το πλαίσιο και αξιοποιούν δεδομένα σε πραγματικό χρόνο, συμπεριφορές χρηστών και συνθήκες δικτύου, προσφέρουν καινοτόμες δυνατότητες στο περιβάλλον των δικτύων 6G. Με την ενσωμάτωση του AI, τέτοια συστήματα μπορούν να προσαρμόζονται έξυπνα σε μεταβαλλόμενα περιβάλλοντα, όπως η τοποθεσία, ο τύπος συσκευής, η κατάσταση του δικτύου, οι δραστηριότητες των χρηστών και ακόμη και οι περιβάλλουσες συνθήκες, για να παρέχουν εξατομικευμένες συστάσεις που βελτιώνουν τόσο την εμπειρία των χρηστών (Quality of Experience, QoE) όσο και την αποδοτικότητα του δικτύου. Η παρούσα διδακτορική έρευνα θα εξετάσει την ανάπτυξη συστημάτων συστάσεων βασισμένων σε ΑΙ στο πλαίσιο των δικτύων 6G. Με την αξιοποίηση τεχνικών μηχανικής μάθησης, στόχος είναι η δημιουργία συστημάτων που όχι μόνο κατανοούν τις ανάγκες των χρηστών αλλά και προσαρμόζονται σε μεταβαλλόμενες συνθήκες δικτύου σε πραγματικό χρόνο. Συγκεκριμένα, θα διερευνήσει πώς αυτά τα συστήματα μπορούν να βελτιστοποιήσουν την παροχή περιεχομένου, να διαχειριστούν πόρους και να δημιουργήσουν εξατομικευμένες εμπειρίες σε διάφορες περιπτώσεις χρήσης.
Συνολικά, η διδακτορική έρευνα στοχεύει να γεφυρώσει το χάσμα μεταξύ τεχνητής νοημοσύνης, συστημάτων συστάσεων και δικτύων επόμενης γενιάς, αντιμετωπίζοντας βασικές προκλήσεις όπως η επεξεργασία δεδομένων σε πραγματικό χρόνο, η επεκτασιμότητα και η απρόσκοπτη ενσωμάτωση μοντέλων AI σε κατανεμημένα περιβάλλοντα δικτύου.
Κάποιες πτυχές που θα μελετηθούν αφορούν (“AI for networks”):
- Τεχνικές, αλγόριθμοι και συστήματα συστάσεων για την δυναμική ανάθεση φασματικών πόρων, λαμβάνοντας υπόψη τις απαιτήσεις των χρηστών και το φόρτο του δικτύου (ανάπτυξη λογισμικού).
- Πλαίσιο πρόβλεψης του φόρτου και της κατανομής της δικτυακής κίνησης, και πρόταση στρατηγικών βέλτιστης κατανομής φόρτου (load balancing) μεταξύ ετερογενών κόμβων του 6G δικτύου (π.χ. path planning) με χρήση ΑΙ.
- Χρήση Federated Learning με στόχο το διαμοιρασμό γνώσης μεταξύ των κατανεμημένων κόμβων του 6G δικτύου.
- Δημιουργία συστήματος συστάσεων με επίγνωση του περιβάλλοντος (context-awareness) με δυνατότητες πρόβλεψης και προσαρμογής της παροχής υπηρεσιών (όπως bandwidth, latency, κλπ.) σε ένα δίκτυο 6G βάσει πληροφοριών πραγματικού χρόνου (τοποθεσία, τύπος συσκευής, χρήση εφαρμογής, κτλ.).
- Πρόβλεψη και έγκαιρη ανίχνευση σφαλμάτων ή ανωμαλιών στο δίκτυο, καθώς και σύσταση λύσεων αυτόματης διόρθωσής τους.
- Πρόβλεψη QoE των χρηστών διαφόρων Over-The-Top εφαρμογών, υπό συγκεκριμένο πλαίσιο.
- Σχεδιασμός συστημάτων συστάσεων για edge computing, εξασφαλίζοντας βέλτιστη παροχή πόρων και εξαιρετικά χαμηλή καθυστέρηση για real-time AI εφαρμογές όπως AR/VR, αυτόνομα οχήματα, τηλεϊατρική, κτλ.
- Ανάπτυξη συστημάτων συστάσεων για τη βελτιστοποίηση πολυμεσικών ροών σε πραγματικό χρόνο, με βάση την ανάλυση των προτιμήσεων των χρηστών, την ποιότητα σύνδεσης και τους διαθέσιμους πόρους του δικτύου.
Τέλος, θα γίνει μελέτη αρχιτεκτονικών και μεθόδων, με τις οποίες τα προηγμένα δίκτυα παρέχουν την απαραίτητη υποδομή για να υποστηρίξουν τις αυξημένες ανάγκες των εφαρμογών ΑΙ, όπως επεξεργασία δεδομένων πραγματικού-χρόνου, μετάδοση δεδομένων μεγάλης κλίμακας, και κατανεμημένη-συνεργατική μάθηση μεταξύ συσκευών edge, cloud και data centers (distributed AI models). Αυτή η πτυχή αφορά πιο συγκεκριμένα την ερευνητική κατεύθυνση “networks for AI”.
ΒΙΒΛΙΟΓΡΑΦΙΑ
[1] M. O. Ayemowa, R. Ibrahim and M. M. Khan, "Analysis of Recommender System Using Generative Artificial Intelligence: A Systematic Literature Review," in IEEE Access, vol. 12, pp. 87742-87766, 2024.
[2] M. Wasilewska et al., "Artificial Intelligence for Radio Communication ContextAwareness," in IEEE Access, vol. 9, pp. 144820-144856, 2021.
[3] J. Huang et al., "Incentive Mechanism Design of Federated Learning for Recommendation Systems in MEC," in IEEE Transactions on Consumer Electronics, vol. 70, no. 1, pp. 2596-2607, Feb. 2024.
[4] S. Wang, M. A. Qureshi, L. Miralles-Pechuán, T. Huynh-The, T. R. Gadekallu and M. Liyanage, "Explainable AI for 6G Use Cases: Technical Aspects and Research Challenges," in IEEE Open Journal of the Communications Society, vol. 5, pp. 2490- 2540, 2024.
ΥΠΕΥΘΥΝΟΣ ΚΑΘΗΓΗΤΗΣ: Δρ. Ειρήνη Λιώτου, Επίκουρη Καθηγήτρια, eliotou@hua.gr
ΒΑΣΙΚΑ ΠΡΟΣΟΝΤΑ: Όπως περιγράφονται στον κανονισμό Διδακτορικών Σπουδών (εδώ)
ΕΞΕΙΔΙΚΕΥΜΕΝΑ ΠΡΟΣΟΝΤΑ: Επιθυμητή η εργασιακή ή ερευνητική εμπειρία σχετική με το αντικείμενο της διατριβής.
ΚΑΤΑΛΗΚΤΙΚΗ ΗΜΕΡΟΜΗΝΙΑ ΥΠΟΒΟΛΗΣ ΑΙΤΗΣΕΩΝ: 22 Νοεμβρίου 2024
ΔΙΚΑΙΟΛΟΓΗΤΙΚΑ
- Αίτηση στην οποία προσδιορίζεται το αντικείμενο της Διδακτορικής Διατριβής που θα εκπονηθεί.
- Αναλυτικό βιογραφικό σημείωμα
- Σύντομο κείμενο με το υπόβαθρο, τις επιδιώξεις, τους στόχους, και τα κίνητρα του υποψηφίου σε σχέση με το γνωστικό αντικείμενο της θέσης.
- Ευκρινή αντίγραφα των προπτυχιακών και μεταπτυχιακών τίτλων σπουδών τους, με τον αντίστοιχο γενικό βαθμό, καθώς επίσης της βαθμολογίας σε κάθε μάθημα των προπτυχιακών και μεταπτυχιακών σπουδών και της επίδοσης στην πτυχιακή ή διπλωματική εργασία, όπου προβλέπεται αυτή σε προπτυχιακό ή μεταπτυχιακό επίπεδο. Στις περιπτώσεις πτυχιούχων πανεπιστημίων της αλλοδαπής συνυποβάλλεται πιστοποιητικό αναγνώρισης από αρμόδια αρχή.
- Αποδεικτικά στοιχεία για την πολύ καλή γνώση τουλάχιστον της αγγλικής γλώσσας και οι αλλοδαποί, επιπλέον, για την πολύ καλή γνώση της ελληνικής γλώσσας. Τα απαραίτητα δικαιολογητικά είναι τα ίδια που ισχύουν και στα δικαιολογητικά της αίτησης για το Π.Μ.Σ.
- Συστατικές Επιστολές (με το ονοματεπώνυμο, τον τίτλο, τη θέση, τη δ/νση, το τηλέφωνο και την διεύθυνση ηλεκτρονικού ταχυδρομείου του συντάξαντος).
- Βεβαιώσεις για την επαγγελματική τους εμπειρία σε πεδία συναφή με το προτεινόμενο αντικείμενο της διδακτορικής διατριβής.
- Αποδεικτικά στοιχεία για ερευνητική δραστηριότητα, αν υπάρχει.
- Αποδεικτικά στοιχεία για την ύπαρξη, από διάφορους φορείς, υποτροφίας ή οικονομικής κάλυψης της διδακτορικής διατριβής.
- Δήλωση του Ν. 1599/86 ότι δεν είναι εγγεγραμμένοι ως Υποψήφιο Διδάκτορες άλλου Τμήματος.
Για περισσότερες πληροφορίες μπορείτε να απευθυνθείτε στη Γραμματεία του Τμήματος (τηλ. 210-9549440, itphdsec@hua.gr) όπου θα υποβάλετε την αίτηση με τα δικαιολογητικά, καθώς και στον/στην Υπεύθυνο/η Καθηγητή/τρια σχετικά με το αντικείμενο της συγκεκριμένης θέσης.