Bolsa de PD em Ciência de Dados e Instrumentação

Post-Doctoral Fellowship in Data Science and Instrumentation

Nº: 4432

Área de conhecimento: Engenharia

Field of knowledge: Engineering

Nº do processo FAPESP: 2020/15230-5

FAPESP process: 2020/15230-5

Título do projeto: Pré-processamento de Borda para aprendizado de máquina na nuvem

Project title: Edge Preprocessing for Machine Learning in the Cloud

Área de atuação: Ciência de Dados e Instrumentação para investigar o Comportamento dos Gases de Efeito Estufa – Grupo E3

Working area: Data Science and Instrumentation to investigate Greenhouse Gases Behavior – Group E3

Quantidade de vagas: 1

Number of places: 1

Pesquisador responsável: Julio Romano Meneghini

Principal investigator: Julio Romano Meneghini

Unidade/Instituição: RCGI / PME, Poli-USP

Unit/Instituition: RCGI / PME, Poli-USP

Data limite para inscrições: 31/01/2022

Deadline for submissions: 2022-01-31

Publicado em: 04/08/2021

Publishing date: 2021-08-04

Localização: Av. Prof. Mello Moraes, 2231 – Departamento de Engenharia Mecatrônica e de Sistemas Mecânicos (PMR), São Paulo

Locale: Av. Prof. Mello Moraes, 2231 – Departamento de Engenharia Mecatrônica e de Sistemas Mecânicos (PMR), São Paulo

E-mail para inscrições: rcgi.opportunities@usp.br

E-mail for proposal submission: rcgi.opportunities@usp.br

  • Resumo Summary

    Nesta proposta, uma combinação de estrutura de borda e nuvem será adotada, implementada e testada no contexto de coleta e análise de dados de emissões de GEE.

    A questão crítica da arquitetura de nuvem de borda proposta investigada neste projeto é que ela deve fornecer uma discussão sobre a divisão de tarefas que devem ser executadas na nuvem e as tarefas implementadas perto do usuário ou fonte de dados na borda da rede.

    O planejador proposto emprega um esquema de otimização com horizonte decrescente: em um ambiente on-line o caminho a ser percorrido deve otimizar a busca observando grandezas de interesse como por exemplo trilhas, temperatura, poluição, desmatamento computadas, etc. para encontrar a melhor rota, a qualidade dos quais é determinado pela quantidade de espaço não mapeado que pode ser explorado, levando-se em consideração as restrições de autonomia da aeronave.

    Este projeto é adequado para um candidato altamente motivado e requer conhecimento de projeto de aeronaves, sistemas autônomos, sistemas embarcados, redes neurais profundas, aprendizado de máquina, linguagens de programação C/C++ e Python. O candidato deve ser doutor em Engenharia.

    Bolsa FAPESP (Fundação de Amparo à Pesquisa do Estado de São Paulo) no valor de R$ 7.373,10/mês. Informações e registro: https://www.rcgi.poli.usp.br/opportunities

    Após, acessar o código da vaga REF 21PDR127

    In this proposal, a combination of edge and cloud framework will be adopted, implemented and tested in the context of GHG emissions data collection and analysis. The critical issue of the proposed edge cloud architecture investigated in this project is that it should provide a discussion of the division of tasks that must be performed in the cloud and the tasks implemented close to the user or data source at the edge of the network.

    The proposed planner employs an optimization scheme with a decreasing horizon: in an online environment, the path to be taken must optimize the search, observing quantities of interest such as computed trails, temperature, pollution, deforestation, etc. to find the best route, the quality of which is determined by the amount of unmapped space that can be explored, taking into account the aircraft range restrictions.

    This project is suitable for a highly motivated candidate and requires knowledge of aircraft design, autonomous systems, embedded systems, deep neural network, machine learning, C/C++ and Python computer languages. The candidate must have a PhD in Engineering.

    FAPESP fellowship (The São Paulo Research Foundation) in the amount of R$ 7.373,10/month.

    Information and registration: please visit https://www.rcgi.poli.usp.br/opportunities/ and access the position (REF 21PDR127).