Ang Destinus ay isang kompanyang Europeo sa aerospace at depensa na bumubuo ng mga autonomous na sistema ng paglipad para sa mga sibilyan at pandepensang aplikasyon. Itinatag noong 2021, nagdidisenyo at gumagawa ang kompanya ng mga teknolohiya sa paglipad na sumasaklaw sa iba’t ibang antas ng bilis, kabilang ang mga hypersonic na platapormang para sa hinaharap. Pinagsasama ng multidisciplinary na gawain nito ang inhinyeriya ng airframe, turbojet propulsion, flight software, artificial intelligence, at kumpletong disenyo ng sistema. Habang pinalalawak ng Destinus ang koponan nito, nag-aalok ito ng mga pagkakataong makapag-ambag sa pagbuo ng mga autonomous, episyente, at mabilis na sistema ng sasakyang panghimpapawid.
Mananaliksik sa Machine Learning, Sertipikasyon sa Kaligtasan ng Abyasyon
Magsaliksik ng mga matematikal na garantiya sa kaligtasan para sa AI ng awtonomong paglipad sa Destinus at Daedalean. Pag-ugnayin ang teorya ng estadistikal na pagkatuto at mga balangkas ng sertipikasyon sa abyasyon ng EASA.
Paglalarawan
- Suriin at bumuo ng mga estratehiya sa sertipikasyon para sa supervised machine learning.
- Itugma ang mga matematikal na garantiya, teknikal na argumento, at pagsusuri ng modelo sa proseso ng sertipikasyon ng AI na hugis-W ng EASA.
- Saliksikin ang teorya ng estadistikal na pagkatuto, mga hangganan ng generalization, at mga garantiya para sa malalalim na neural network sa nagbabagong mga kondisyon sa totoong mundo.
- Gamitin ang estadistika at mga stochastic na proseso upang imodelo ang kawalang-katiyakan sa kapaligiran at ingay ng sensor, at tasahin ang antas ng kumpiyansa sa mga sukatan ng performance.
- Suriin ang literatura sa pananaliksik, mga patunay na matematikal, at mga palagay sa inhinyeriya nang may higpit ng peer review.
- Bumuo ng mga teknikal na katwiran at lohikal na argumento para sa mga audit sa kaligtasan at mga balangkas ng sertipikasyon.
- Sumulat ng reproducible na Python code upang subukan ang mga hypothesis, patunayan ang mga pamamaraan ng sertipikasyon, at ihambing ang mga balangkas ng kaligtasan ng modelo.
Mga Kinakailangan
- May malalim na pag-unawa sa teorya ng estadistikal na pagkatuto, mga hangganan ng generalization, at matematikal na pundasyon ng malalalim na neural network.
- May matibay na pundasyon sa advanced na probability, estadistikal na pagmomodelo, at mga stochastic na proseso.
- Sanay sa Python at kayang sumulat ng malinaw at reproducible na code; maaaring matutuhan sa trabaho ang mga batayang kasanayan sa coding kung matibay ang pundasyong teoretikal.
- Kayang magsagawa ng masusing pagsusuri ng literatura, tukuyin ang mga puwang sa kasalukuyang pananaliksik sa AI, at isalin ang mga konseptong akademiko sa mga balangkas ng inhinyeriya; maaari itong matutuhan kung matibay ang pundasyong kwantitatibo.
- May karanasan o kakayahan sa peer review, kabilang ang kritikal na pagtatasa ng mga patunay na matematikal, palagay sa algorithm, at mga papel-pananaliksik.
- Kasalukuyang kumukuha o kamakailan lamang nagtapos ng Master's o PhD sa Computer Science, Matematika, Theoretical Statistics, Electrical Engineering, Physics, o kaugnay na larangan ng kwantitatibong pananaliksik.
- May kritikal na pag-iisip at nagpapanatili ng malusog na pagdududa sa mga palagay ng machine learning at katumpakang empirikal.
- Napakahusay bumuo ng matibay na lohikal na argumento at teknikal na katwiran.
- Motibadong harapin ang mga problemang matematikal na sumasaklaw sa teoretikal na computer science, inhinyeriya sa kaligtasan, at mga operasyon ng paglipad sa totoong mundo.