Det är dags att fundera på din framtid och därmed också ditt exjobb. Här listar vi några tips på forskargrupper och företag med intressanta förslag på exjobb.
Söker du studenter till din forskargrupp eller företag och vill vara med på denna lista? Kontakta Linda Bresäter, samverkanskoordinator vid institutionen för datavetenskap vid Umeå universitet.
TRAIN Lab – Vårt uppdrag är att utveckla nya AI-modeller som påskyndar övergången till 5P-medicin inom ett brett spektrum av medicinska uppgifter. 8 projektförslag
Observera att texten är översatt- se den engelska versionen för orginaltext.
Förslag 1. Utvärdering och vidareutveckling av X-GeM: En intern multimodal grundmodell för generering av medicinska data
Vid TRAIN Lab (https://sites.google.com/view/trainlab/home-page) strävar vi efter att driva utvecklingen av artificiell intelligens inom medicin, med särskilt fokus på medicinsk bildanalys. Vårt uppdrag är att utveckla nya AI-modeller som påskyndar övergången till 5P-medicin inom ett brett spektrum av medicinska tillämpningar.
För att nå detta mål fokuserar vår forskning på två huvudområden. Å ena sidan utvecklar vi generativa metoder som möter behovet av mer data inom medicin och förbättrar kvaliteten på befintliga data. Å andra sidan utvecklar vi multimodala inlärningsmetoder som extraherar kunskap från olika datatyper, med fokus på rättvisa och transparens.
Bakgrund
Införandet av artificiell intelligens inom medicinsk bildbehandling har stor potential men hindras av utmaningar som databegränsningar, sekretesskrav och behovet av robust multimodal dataintegration. Generativ modellering har framträtt som en lovande lösning genom att möjliggöra syntetisk datagenerering för augmentering och anonymisering. För att möta dessa utmaningar har vi utvecklat XGeM, en multimodal generativ modell med 6,77 miljarder parametrar som kan generera både lungröntgenbilder och radiologiska rapporter. Till skillnad från befintliga unimodala eller enkelriktade metoder möjliggör XGeM any-to-any-syntes mellan olika modaliteter via ett gemensamt latent utrymme och en strategi för Multi-Prompt Training.
Initial validering på MIMIC-CXR-datasetet visade resultat i världsklass, med positiva utfall både i benchmark-mått och i expertutvärderingar av radiologer. Även om dessa resultat är lovande är det avgörande att testa och anpassa XGeM utanför MIMIC-CXR för att säkerställa klinisk robusthet och generaliserbarhet. Denna avhandling kommer därför att fokusera på att validera och anpassa XGeM på externa dataset som täcker olika datatyper och anatomiska områden.
Syfte med projektet
Syftet med denna avhandling är att utvärdera och anpassa XGeM på externa medicinska dataset som omfattar olika datatyper och anatomiska områden, med fokus på att testa generalisering, robusthet och anpassningsförmåga till nya kliniska kontexter. Specifika mål inkluderar:
Benchmarking av XGeM mot externa dataset med lungröntgenbilder och radiologiska rapporter.
Undersökning av strategier för domänanpassning (finjustering, prompt-anpassning, dataharmonisering).
Bedömning av realism och klinisk relevans hos genererade data vid förändringar i datadistribution.
Arbetsbeskrivning
Projektet kommer att bestå av följande uppgifter:
Förberedelse av dataset: Urval och förbearbetning av medicinska dataset.
Modellutvärdering på externa data: Testa XGeMs grundprestanda på nya dataset, analysera begränsningar och prestandagap jämfört med baslinjen.
Domänanpassning: Implementera finjusteringsstrategier för att anpassa XGeM till nya datadistributioner (prompt-anpassning, kontrastiv re-alignering eller lättvikts-transfer learning).
Kvantitativ och kvalitativ validering: Benchmarka modellens utdata med standardiserade utvärderingsmått (t.ex. FID, BLEU, kliniska rapportmått). Genomför expertbedömningar där det är möjligt för att utvärdera klinisk realism.
Dokumentation och rapportering: Dokumentera metodik, anpassningsstrategier och resultat i en slutrapport.
Handledare:
Projektet kommer att handledas av Paolo Soda och Francesco Di Feola. För mer information, kontakta:
paolo.soda@umu.se och francesco.feola@umu.se
Förslag 2. Inbäddning av tid i generativa modeller för temporär medicinsk bildsyntes
Generativ artificiell intelligens (AI) har framträtt som ett kraftfullt verktyg inom medicinsk bildbehandling, med tillämpningar som bildsyntes, översättning mellan modaliteter och dataaugmentering. Utöver bildtagning vid enskilda tidpunkter är en spännande utveckling möjligheten att generera longitudinella sekvenser av medicinska bilder som fångar sjukdomsförlopp eller behandlingsrespons. Sådana modeller kan stödja prognoser, minska databegränsningar och erbjuda nya verktyg för simulering.
På senare tid har diffusionsmodeller och andra generativa ramverk visat anmärkningsvärd förmåga att syntetisera realistiska och kliniskt relevanta bilder. Att utvidga dessa metoder till tidsmedveten modellering, som fångar förändringar mellan på varandra följande undersökningar, öppnar för möjligheten att simulera sjukdomsutveckling över flera tidpunkter. Forskningen inom detta område befinner sig dock fortfarande i ett tidigt skede.
Syfte med projektet
Syftet med denna avhandling är att integrera tidsinformation i generativa AI-modeller för longitudinell medicinsk bildbehandling. Genom att inkludera tid som en explicit komponent i modelleringsprocessen strävar projektet efter att generera realistiska uppföljningsbilder som återspeglar sjukdomsförlopp och behandlingsrespons. Fokus ligger på att utveckla, anpassa och utvärdera tidsmedvetna generativa modeller (t.ex. diffusionsmodeller, konditionella GANs) för att förbättra prediktiv bildbehandling och bredda tillämpningar som prognosstöd, dataaugmentering och virtuell modellering av sjukdomsutveckling.
Arbetsbeskrivning
Avhandlingen kommer att omfatta följande huvuduppgifter:
Litteraturgenomgång: Kartlägga de senaste metoderna inom generativ AI för medicinsk bildbehandling, med fokus på temporal och longitudinell modellering.
Databeredning: Välja och förbearbeta longitudinella bilddataset (t.ex. CT, MRI) som är lämpliga för tidsmedveten generativ modellering.
Modellutveckling: Implementera eller anpassa en generativ modell som explicit integrerar tidsinformation (t.ex. via latent space-konditionering, tidsinbäddningar eller kontrastiv alignering).
Utvärdering: Kvantitativt utvärdera genererade bilder med tekniska mått (PSNR, SSIM, FID, uppgiftsbaserade mått). Kvalitativt bedöma realism och klinisk trovärdighet med input från medicinska experter.
Dokumentation och rapportering: Dokumentera metodik, experiment och resultat i en strukturerad avhandlingsrapport.
Handledare:
Projektet kommer att handledas av Paolo Soda och Francesco Di Feola. För mer information, kontakta:
paolo.soda@umu.se och francesco.feola@umu.se
Förslag 3. Grundmodellens inbäddningar och XAI för interaktiv analys av longitudinella patientförlopp
Longitudinell biomedicinsk bildbehandling, såsom upprepade CT- eller MR-undersökningar, ger viktiga insikter om hur sjukdomar utvecklas under behandling. Att jämföra dessa tidsmässiga förlopp mellan patienter är en utmaning på grund av hög datadimensionalitet och heterogena utvecklingsmönster. Grundmodeller som tränats på storskaliga biomedicinska dataset kan extrahera inbäddningar som fångar relevanta rumsliga och tidsmässiga egenskaper, vilket möjliggör klustring av patienter med liknande förlopp. För att göra dessa analyser kliniskt meningsfulla krävs ett interaktivt gränssnitt mellan människa och maskin (HMI). Ett sådant system bör låta kliniker visualisera förloppen, identifiera patientgrupper med liknande utveckling och använda förklarande AI-metoder (XAI) för att belysa de egenskaper som driver skillnader mellan grupper.
Syfte med projektet
Projektets mål är att utveckla ett interaktivt HMI för analys av longitudinell biomedicinsk bilddata. Målen är:
-Extrahera inbäddningar från grundmodeller tillämpade på longitudinella sekvenser.
-Klustra patienter baserat på sjukdomsutveckling över tid.
-Visualisera förlopp och likheter mellan undergrupper via ett interaktivt gränssnitt.
-Integrera XAI för att förklara vilka bildfunktioner eller tidsmönster som skiljer olika patientgrupper åt.
-Det resulterande systemet kommer att kombinera representationsinlärning, klustring och förklarbarhet i ett användarvänligt verktyg som stödjer klinisk tolkning av longitudinella data.
Arbetsbeskrivning
Projektet kommer att omfatta följande uppgifter:
Litteraturgenomgång: Kartlägga metoder för longitudinell bildbehandling, grundmodeller, klustring och XAI.
Databeredning: Förbearbeta longitudinella biomedicinska bilddataset.
Extraktion av inbäddningar: Generera inbäddningar från grundmodeller vid flera tidpunkter.
Klustring av förlopp: Gruppera patienter baserat på likheter i inbäddningar över tid.
Utveckling av HMI: Implementera ett gränssnitt för visualisering av förlopp, utforskning av undergrupper och interaktiva jämförelser.
Integration av XAI: Tillämpa förklarande metoder för att identifiera egenskaper och tidpunkter som förklarar skillnader mellan undergrupper.
Utvärdering: Testa systemet på verkliga dataset och förbättra det baserat på klinisk feedback.
Rapportering: Dokumentera metoder, design och resultat i avhandlingsrapporten.
Handledare:
Projektet kommer att handledas av Paolo Soda och Filippo Ruffini. För mer information, kontakta:
paolo.soda@umu.se och filippo.ruffini@umu.se
Förslag 4. Test-Time-Adaptation för medicinska beslutsstödsystem
Supervised learning har länge haft svårt att generalisera vid distributionsskiften, där tränings- och testdata kommer från olika fördelningar. Även små skillnader mellan dessa dataset kan leda till att toppmodeller presterar sämre. Detta problem är särskilt framträdande inom medicin, där modeller som tränats på specifika typer av medicinska bilder eller patientdemografi ofta misslyckas när de används på andra populationer eller bildförhållanden. Denna mismatch leder till en betydande prestandaförlust och väcker allvarliga frågor för kliniska tillämpningar där tillförlitlig generalisering är avgörande.
Syfte med projektet
Projektet syftar till att utforska Test-Time-Adaptation (TTA), en teknik som är utformad för att hantera utmaningen med distributionsskiften genom att låta förtränade modeller anpassa sig till ny, oetiketterad data från målområdet innan de gör prediktioner.
Till skillnad från traditionella metoder får TTA tillgång till testdata under testfasen, vilket möjliggör dynamisk anpassning till målpopulationens fördelning. Målet är att gå bortom den statiska, fasta beslutsgräns som vanligtvis används vid testning. Istället strävar projektet efter att sudda ut gränsen mellan träning och testning, med ambitionen att uppnå kontinuerligt lärande och anpassning även efter driftsättning. Detta paradigmskifte har potential att förbättra modellprestanda och robusthet, särskilt inom områden som sjukvård där datavariabiliteten är hög.
Arbetsbeskrivning
Projektet fokuserar på att utveckla och utvärdera TTA-tekniker för att förbättra modellprestanda vid distributionsskiften.
Det huvudsakliga målet är att möjliggöra för förtränade modeller att dynamiskt anpassa sig till ny, tidigare osedd testdata från olika fördelningar utan att kräva ytterligare etiketterad data.
Nyckeluppgifter:
Litteraturgenomgång: Undersöka befintliga metoder för distributionsskiften och test-time-adaptation, särskilt inom medicinsk bildbehandling.
Algoritmutveckling: Utveckla och implementera TTA-metoder som gör det möjligt för befintliga förtränade modeller att justera sig till testdata.
Modellträning och testning: Träna modeller på källdomänens data och utvärdera deras grundprestanda på skiftade måldomäner (för denna uppgift planerar vi att använda publika dataset såsom MedMnist).
Prestandautvärdering:
i) Genomföra kvantitativa och kvalitativa bedömningar för att mäta hur väl TTA-förstärkta modeller generaliserar till ny data.
ii) Jämföra med traditionella supervised learning-metoder för att belysa förbättringar i generalisering.
Rapportering och dokumentation: Dokumentera alla projektsteg, inklusive metoder, resultat och insikter, och sammanställa en slutrapport.
Handledare:
Projektet kommer att handledas av Paolo Soda och Francesco Di Feola. För mer information, kontakta:
paolo.soda@umu.se och francesco.feola@umu.se
Förslag 5. GenAI möjliggör helkroppsvirtuell skanning
Image-to-image-översättning är en teknik som omvandlar bilder från en domän till en annan och erbjuder stor potential inom medicin för att skapa en Digital Twin – en virtuell kopia av en patient. Denna metod syftar till att generera korrekta bilder över flera modaliteter, vilket minskar behovet av flera undersökningar och minimerar strålningsrisk. Inom medicinsk bildbehandling är målet att utveckla en virtuell skanner som kan producera tillförlitliga, multimodala bilder, vilket underlättar diagnostiska processer och förbättrar patientsäkerheten.
Nuvarande forskning inom medicinsk image-to-image-översättning har främst fokuserat på översättning mellan specifika modaliteter, såsom MRI-till-CT eller PET-till-CT, med lovande resultat. De flesta av dessa insatser är dock begränsade till specifika anatomiska regioner, såsom huvud eller bröstkorg, och adresserar inte den mer komplexa uppgiften att översätta helkroppsbilder. Att utveckla metoder för helkroppsöversättning innebär utmaningar på grund av begränsad tillgång till data och högre beräkningskostnader, vilket gör modellträning mer krävande och resursintensiv. Trots detta representerar forskning kring helkropps image-to-image-översättning ett viktigt steg mot att skapa en fullt fungerande virtuell skanner, vilket kan förbättra diagnostiska möjligheter och minska patientrisker.
Syfte med projektet
Projektet syftar till att utveckla en helkroppsvirtuell skanner genom image-to-image-översättningstekniker baserade på Generative Adversarial Networks (GANs) eller diffusionsmodeller. Genom att fokusera på helkroppsöversättning av medicinska bilder över flera modaliteter strävar projektet efter att skapa en korrekt och effektiv Digital Twin av en patient, vilket minskar behovet av flera undersökningar, minimerar strålningsrisk och förbättrar diagnostisk precision.
Arbetsbeskrivning
Projektet kommer att fokusera på att utveckla en helkroppsvirtuell skanner med hjälp av avancerade image-to-image-översättningstekniker.
Nyckelmål och uppgifter:
Litteraturgenomgång: Undersöka befintliga metoder för medicinsk image-to-image-översättning, med fokus på helkroppsbildbehandling och multimodala tillämpningar, baserat på en urvalslista av tidigare granskade artiklar.
Databeredning: Rensa, segmentera och alignera data för att säkerställa konsistens mellan modaliteter. Vi planerar att använda ett publikt tillgängligt helkropps-PET-CT-dataset med cirka 1 000 patienter. Förbearbetning kommer att underlättas av pågående forskning och befintliga skript kopplade till detta dataset.
Modellutveckling: Implementera ramverket för image-to-image-översättning, utnyttja befintliga arkitekturer som diffusionsmodeller och anpassa dem för att hantera utmaningarna med helkroppsmedicinsk bildbehandling som identifierats i uppgift 1.
Algoritmoptimering: Finjustera översättningsalgoritmen för att förbättra noggrannheten vid multimodal bildgenerering samtidigt som anatomiska detaljer bibehålls. Nya tekniker kommer att utforskas för att minska beräkningskomplexitet och förbättra effektiviteten under träning.
Validering och testning: Utvärdera den virtuella skannerns prestanda med hjälp av håll-out-data från det ursprungliga datasetet (uppgift 2) genom både kvantitativa mått och kvalitativ bedömning. För den kvalitativa bedömningen kan radiologer som samarbetar med vårt team involveras för expertgranskning.
Rapportering och dokumentation: Dokumentera alla projektsteg, inklusive metoder, resultat och insikter, och sammanställa en slutrapport.
Handledare:
Projektet kommer att handledas av Paolo Soda och Francesco Di Feola. För mer information, kontakta:
paolo.soda@umu.se och francesco.feola@umu.se
Förslag 6. Physics-Informed Neural Networks för tumörresponsmodellering: Ett interaktivt visualiseringsramverk för övervakning av strålbehandling
Strålbehandling är en hörnsten i behandlingen av många tumörer och syftar till att minska tumörvolymen och bromsa sjukdomsutvecklingen.
Longitudinell medicinsk bildbehandling gör det möjligt för kliniker att följa dessa förändringar över tid, men att utvinna kvantitativa insikter om tumörrespons är fortfarande en utmaning. Physics-Informed Neural Networks (PINNs) representerar ett nytt paradigm inom beräkningsonkologi genom att integrera bilddata med partiella differentialekvationer som beskriver tumördynamik under strålning. PINNs kan härleda dolda biologiska och fysikaliska parametrar, såsom tumörens nedbrytningshastighet eller faktorer för strålningsrespons, vilket förbättrar tolkbarheten jämfört med rent datadrivna modeller.
För att göra detta tillämpbart i klinisk praxis krävs ett Human-Machine Interface (HMI). Ett sådant gränssnitt bör inte bara visualisera longitudinella bilder utan även integrera PINN-modellens utdata, inklusive uppskattade parametrar för tumörnedsättning, prediktiva tumörförlopp och interaktiva grafer. Denna integration ger kliniker en enhetlig miljö där bildbaserad tumörövervakning och modellbaserade prediktioner sammanförs, vilket stödjer behandlingsuppföljning och personliga beslut.
Syfte med projektet
Projektet syftar till att utveckla ett interaktivt HMI som integrerar Physics-Informed Neural Networks (PINNs) med longitudinell medicinsk bilddata för tumörer under strålbehandling. Målen är att implementera ett PINN-ramverk som kan uppskatta tumörens nedbrytningsfaktorer och förutsäga tumörutveckling under strålning, samt att designa ett HMI som kombinerar visualisering av medicinska bilder med PINN-modellens prediktioner. Detta ger kliniker en plattform för att analysera både bilddata och beräkningsinsikter.
Genom att kombinera fysikbaserade modeller med interaktiv visualisering kommer projektet att förbättra tolkbarheten vid tumörövervakning, främja klinisk användning av PINNs och stödja personaliserad onkologi.
Arbetsbeskrivning
Projektet kommer att omfatta följande uppgifter:
Litteraturgenomgång och kravdefinition: Analysera aktuella metoder för PINNs inom biomedicinska tillämpningar, tumörtillväxtmodellering och visualiseringsverktyg för strålbehandling.
Modellutveckling: Implementera ett PINN-ramverk som integrerar bildbaserade tumörmätningar med differentialekvationer som beskriver strålningsinducerad tumörnedsättning.
Förbearbeta longitudinella medicinska bilddataset och anpassa dem till PINN-modellens indata.
Design och utveckling av HMI: Utforma ett intuitivt gränssnitt som möjliggör:Visualisering av tumörbilder vid olika tidpunkter
Interaktiv utforskning av tumörvolymens utveckling
Grafiska utdata från PINN-modellen, inklusive uppskattade nedbrytningsfaktorer och behandlingsresponsparametrar
Rapportering och dokumentation: Dokumentera metoder, implementation och resultat i en slutrapport som inkluderar både tekniska bidrag och kliniska insikter.
Handledare:
Projektet kommer att handledas av Paolo Soda och Giulia Romoli. För mer information, kontakta:
paolo.soda@umu.se och giulia.romoli@umu.se
Förslag 7. Multi-Agent-prediktion av total överlevnad på intern multicentrisk lungcancerdata
Datortomografi (CT) är central för att bedöma tumörbörda och förutsäga total överlevnad vid lungcancer, men multicentriska dataset uppvisar betydande variationsproblem på grund av skillnader i skannertillverkare, rekonstruktionskärnor, snittjocklek och bruskaraktäristik, vilket introducerar icke-biologisk variabilitet.
Konventionella lösningar tillämpar ofta bildnivåharmonisering, vanligtvis med GAN-baserad stilöverföring, men sådana metoder riskerar att jämna ut kliniskt relevanta detaljer och kan inte fullt ut hantera mångfalden av insamlingsdomäner.
I detta projekt flyttas fokus från explicit harmonisering till nedströms robusthet genom att använda ett multi-agent-inlärningsramverk. Flera specialiserade modeller för överlevnadsprediktion tränas för att hantera olika insamlingssubdomäner, medan en koordinerande modul dynamiskt väljer eller kombinerar experter baserat på metadata eller inlärda domänrepresentationer. Denna strategi behandlar harmonisering som en representationsnivåutmaning snarare än en bildtransformationsuppgift, vilket möjliggör mer tillförlitlig och center-oberoende överlevnadsprediktion över heterogen CT-data.
Syfte med projektet
Att utveckla ett multi-agent-ramverk för överlevnadsprediktion som lär sig hantera insamlingsvariabilitet i multicentrisk CT-data utan explicit bildharmonisering. Systemet ska:
Träna domänspecialiserade modeller för överlevnadsprediktion.
Utveckla en koordinator-/gatingmodul för dynamiskt expertval.
Utvärdera om multi-agent-samarbete förbättrar generalisering mellan olika center och prognostisk noggrannhet.
Arbetsbeskrivning
Projektet kommer att omfatta följande uppgifter:
Litteraturgenomgång: Kartlägga strategier för domängeneralisering, multi-agent-ramverk och djupinlärningsmetoder för överlevnadsprediktion. Identifiera begränsningar i nuvarande metoder för att hantera heterogenitet i CT-insamling.
Datasetanalys och förbearbetning: Karakterisera ett internt multicentriskt CT-dataset, extrahera och klustra insamlingsmetadata (t.ex. kärna, tillverkare), utföra standardförbearbetning och etablera center-medvetna tränings-, validerings- och testuppdelningar.
Utveckling av multi-agent-modell: Implementera flera domänspecialiserade modeller för överlevnadsprediktion och designa en koordinator för hård eller mjuk expert-routing baserat på metadata eller inlärda latenta representationer.
Träningsstrategi: Träna experter och koordinator gemensamt med överlevnadsspecifika mål (t.ex. optimering av C-index), tillämpa regularisering för att förhindra expertkollaps och främja diversitet bland specialiserade modeller.
Validering och utvärdering: Bedöma prognostisk prestanda, robusthet mot nya insamlingsdomäner och modellkalibrering. Genomföra ablationsstudier som jämför enskilda modeller, multi-agent-varianter och metadata-oberoende varianter, kompletterat med kvalitativa analyser av representationsinvarians.
Rapportering och dokumentation: Dokumentera hela metodiken, experimentella resultat och kliniska implikationer i en slutrapport.
Handledare:
Projektet kommer att handledas av Paolo Soda och Francesco Di Feola. För mer information, kontakta:
paolo.soda@umu.se och francesco.feola@umu.se
Förslag 8. Surrogatinbäddning av text för själv-konditionering vid korsmodal generering
Diffusionsmodeller som konditioneras på naturligt språk har blivit det dominerande paradigmet för högkvalitativ, kontrollerbar generering. Många datamodaliteter som används inom vetenskap och medicin – såsom radiologiska bilder, helbildshistopatologi, tabulära patientdata eller sensorsignaler – saknar dock inneboende textbeskrivningar. Denna avsaknad av språklig information hindrar dessa modaliteter från att dra nytta av textkonditionerade diffusionsmodeller, vilket begränsar deras generativa potential och försvårar tillämpningar som dataaugmentering, kontrafaktisk simulering och modalitetssyntes.
I detta projekt föreslår vi att återanvända CLIP-arkitekturen för att lära surrogattextrepresentationer från modaliteter som inte naturligt innehåller text. Metoden tränar en hjälpkodare som mappar en icke-textuell indata till textinbäddningsutrymmet hos en frusen CLIP-textkodare. Dessa inlärda surrogatinbäddningar imiterar språklig konditionering och kan direkt matas in i text-till-X-diffusionsmodeller för att styra generering av samma eller andra modaliteter. Genom att behandla den saknade texten som ett representationsinlärningsproblem, snarare än att förlita sig på manuellt skrivna prompts eller ad-hoc-heuristik, möjliggör denna strategi kontrollerbar diffusionsbaserad generering även i domäner där ingen text finns tillgänglig.
Syfte med projektet
Att utveckla ett CLIP-baserat ramverk som genererar surrogattextinbäddningar från icke-textuell data och använder dem för att konditionera diffusionsmodeller. Systemet ska specifikt:
Träna en modalitetsspecifik kodare som projicerar indata till CLIP:s textinbäddningsutrymme.
Säkerställa semantisk överensstämmelse genom kontrastiva, konsistens- och CLIP-styrda mål.
Integrera de inlärda surrogattextrepresentationerna i en textkonditionerad diffusionsmodell för att möjliggöra kontrollerbar generering, rekonstruktion och kontrafaktisk syntes.
Arbetsbeskrivning
Projektet kommer att omfatta följande uppgifter:
Litteraturgenomgång: Kartlägga CLIP-baserad multimodal alignering, textkonditionering i diffusionsmodeller och tekniker för korsmodal representationsinlärning. Identifiera luckor i nuvarande metoder när text saknas.
Databeredning: Analysera det valda datasetet, definiera förbearbetnings- och augmenteringssteg samt etablera tränings-/valideringsuppdelningar som är lämpliga för kontrastiva och generativa mål.
Modellutveckling: Implementera en modalitetsspecifik kodare med ett projekteringshuvud som mappar indata till CLIP:s textinbäddningsutrymme. Utforska minimala, effektiva arkitekturer anpassade till datamodaliteten.
Träningsstrategi: Träna systemet med ett hybridmål som kombinerar kontrastiv alignering, vy-konsistens och valfri CLIP-styrd regularisering.
Diffusionsintegration: Använd de inlärda surrogattextinbäddningarna för att konditionera en diffusionsmodell och utvärdera rekonstruktionsnoggrannhet, kontrollerbarhet och generativ konsistens.
Utvärdering och rapportering: Bedöm inbäddningskvalitet, generativ noggrannhet och robusthet. Genomför fokuserade ablationsstudier och dokumentera resultaten i slutrapporten.
Handledare:
Projektet kommer att handledas av Paolo Soda och Filippo Ruffini. För mer information, kontakta:
paolo.soda@umu.se och filippo.ruffini@umu.se
Federated Learning är inte så mystiskt eller annorlunda – det är en ny forskningsfront inom AI (30hp)
Federated Learning (FL) är en metod för att träna en gemensam maskininlärningsmodell över flera klienter (t.ex. enheter eller organisationer) utan att flytta rådata från dess ursprung. Istället beräknar varje klient lokala modelluppdateringar som sedan aggregeras centralt, ofta av en koordinator, på ett säkert sätt. Detta möjliggör inlärning under begränsningar gällande integritet, dataskydd och kommunikationskapacitet.
FL framställs ofta som ett nytt och mystiskt paradigm, särskilt på grund av utmaningar som icke-IID-data (icke-oberoende och icke-identiskt fördelad), integritetsrisker, och kommunikationsflaskhalsar, men dessa fenomen är inte unika för FL. Många företeelser (långsammare konvergens, avvägningar vid personalisering, ineffektiv kommunikation) kan förklaras med klassiska ramverk för distribuerad optimering och statistisk inlärning. Här argumenterar vi för att FL inte är mystiskt eller fundamentalt nytt vad gäller optimerings- eller statistikutmaningar. Det är kontexten för dess tillämpning – decentralisering, tillit, och regulatoriska krav – som gör FL unikt.
Motivation: Federated Learning framställs som ett "nytt paradigm", men de flesta av dess utmaningar överlappar med långvariga problem inom distribuerad optimering och integritetsmedveten maskininlärning. Därför kan FL behandlas, uppskattas och utvärderas som en implementeringsarkitektur.
Bidrag: Visa att centrala fenomen inom Federated Learning kan förstås och analyseras med hjälp av etablerade teorier såsom konvex optimering, spelteori och kodningsteori och jämföras med centraliserade inlärningsmetoder.
Kontakta: Feras M. Awaysheh feras.awaysheh@umu.se för mer information
Open Set Learning and Anomaly Detection in Vision Tasks (15/30hp)
Vi tillkännager projekt som fokuserar på open set learning, anomali-detektering och out-of-distribution-detektering. Dessa områden är avgörande för att utveckla robusta och pålitliga algoritmer, särskilt i applikationer där förmågan att hantera oväntade eller nya indata är väsentlig. Genom att utnyttja tekniker för djupinlärning (DL) och maskininlärning (ML) syftar detta projekt till att främja den senaste utvecklingen inom vision-uppgifter, med potentiella tillämpningar inom medicinsk avbildning och robotik.
Till exempel, överväg ett robotikscenario där en autonom robot navigerar genom en dynamisk miljö. Traditionella modeller kan ha svårt med objekt som inte fanns med i träningsdatan, såsom nya möbler eller oväntade hinder. Detta projekt kommer att utforska metoder för att identifiera och hantera sådana fall, vilket säkerställer säkerhet och effektivitet när roboten ställs inför oförutsedda hinder.
Vi söker motiverade studenter som tidigare har tagit kurser i DL och datorsyn, och som ett resultat har erfarenhet av TensorFlow och/eller PyTorch. Intresse för embodied AI (när AI har en “kropp” och därmed interagerar med miljön, på samma sätt som robotar gör) är en bonus. Ideala kandidater bör ha en stark bakgrund inom dessa områden och ett stort intresse för att tillämpa ML på verkliga problem.
För mer info: Polina Kurtser polina.kurtser@umu.se
Path Planning and Object Manipulation with Industrial Robotic Arms (30hp)
Vi tillkännager ett nytt MSc-projekt som fokuserar på banplanering och objektmanipulation med industriella robotarmar. Detta projekt kommer att utnyttja förstärkningsinlärning (RL) för att lära sig sekvenser av uppgifter och potentiellt integrera stora språkmodeller (LLMs) och grundmodeller för att bryta ner stora uppgifter i mindre, hanterbara uppgifter.
Till exempel, överväg ett scenario där målet är att stapla kuber. Kommandot att “stapla kuber” kan brytas ner i mindre uppgifter som att identifiera kuberna, planera vägen för att plocka upp varje kub och placera dem i rätt ordning. Var och en av dessa mindre uppgifter kan tilldelas en poäng baserad på en RL-kostnadsfunktion, som utvärderar effektiviteten och ändamålsenligheten i uppgiftsutförandet.
Vi söker motiverade studenter med följande färdigheter och intressen:
Ideala kandidater bör ha en solid bakgrund inom dessa områden och ett stort intresse för att tillämpa avancerade AI-tekniker på verkliga industriella applikationer. Om du är passionerad för robotik och ivrig att bidra till innovativa lösningar inom industriell automation, uppmuntrar vi dig att ansöka.
För mer info: Polina Kurtser polina.kurtser@umu.se
Multimodal Machine Learning, Reasoning, and Compositional Generalization (15/30hp)
Are you interested in advancing AI systems that can reason effectively across multiple modalities, such as images and text? While current multimodal models like CLIP, LLaVa, and GPT-4v show impressive capabilities, they also suffer from reliability issues. Compositional generalization, or the ability to combine known concepts in novel ways, is one such challenge. For instance, a model should understand that the color of an object often doesn’t dictate its size. Many existing models struggle with such reasoning, relying heavily on the statistical patterns in their training data rather than a true compositional understanding of the world.
This project aims to develop multimodal models (e.g., combining language and vision) that can reason more effectively and generalize better across tasks. You will explore approaches to improve compositional generalization and/or create better evaluation frameworks for assessing these capabilities. Examples of tasks include visual question answering and visual mathematical reasoning, and possible methods to explore include neuro-symbolic methods combining neural networks with e.g. logic reasoning frameworks.
Whether you're excited about implementing new methods, evaluating existing models in novel ways, or approaching this from an interdisciplinary angle (such as cognitive science), this project offers a broad field to explore.
If any of these topics interests you, contact Adam Dahlgren Lindström at dali@cs.umu.se for more information.
Visualisering och bearbetning av atmosfärsdata (15/30 hp)
Forskare inom rymd- och geofysik står inför nya utmaningar då tredimensionellt data från radar och fotogrammetri av atmosfären och jonosfären blir tillgängligt med nya tekniker. Inom forskningsprojektet VisA utvecklas metoder och verktyg för att visualisera och tillgängliggöra denna volymetriska data för både forskare och allmänhet. De stora mängder data som produceras (både i tid och rum) medför krav på nya och effektiva algoritmer samt nya sätt att presentera resultaten. För att visualisera rymdfenomen, så som norrsken, använder vi för allmänheten open source planetarieprogramvaran OpenSpace och för att rikta oss mot forskare utvecklar vi specialiserade verktyg.
Exempel på Kandidat eller Master examensarbeten är:
Inom OpenSpace har vi ett nära samarbete med Visualiseringscenter C i Norrköping. Därför kan ett examensarbete på Master nivå göras som ett samarbetsprojekt med dem som kan inkluderar kortare eller längre vistelser i Norrköping.
För mer information
Om du tycker det verkar intressant kontakta Stefan Johansson, stefanj@cs.umu.se.
Maskininlärningsmodell för medicinsk bildanalys vid äggstockscancer
Maskininlärning har blivit mycket viktigt inom medicinska vetenskaper som verktyg för att automatisera till exempel diagnos och prognos, och att personanpassa behandling. Maskininlärning kan användas vid medicinsk bildanalys och har potentialen att kunna fungera som ett beslutsstöd vid cancerdiagnostik. I samarbete med Institutionen för strålningsvetenskaper, Diagnostisk radiologi, och Norrlands Universitetssjukhus, Bild- och funktionsmedicin, planerar vi att sätta upp en maskininlärningsmodell för standardiserad klassifikation av misstänkt äggstockscancer på magnetresonanstomografi (MR). Vi letar därför efter examensstudenter som är intresserade av att vara delaktiga i att utveckla en sådan modell utifrån lokalt annoterat bildmaterial. Metoden kommer så småningom att valideras på ett nyinsamlat material från en studie där inklusionen är påbörjad och planeras pågå mellan 2023-2027.
För mer information
Om detta låter som något för dig, vänligen kontakta Tommy Löfstedt, universitetslektor vid institutionen för datavetenskap via e-post: tommy@cs.umu.se för mer information om detta, och andra potentiella projekt.
Högpresterande Riemann-optimering av TTN (30hp)
Vid maskininlärning är en intressant paradigm att träna modeller baserade på Tree Tensor Networks (TTN) genom Riemann-optimering (se https://doi.org/10.1088/1367-2630/ac0b02). Med den här tekniken, med ursprung i differentialgeometrin, kan en optimera hela nätverket på en gång, vilket möjliggör en direkt implementation av olika gradient-metoder och stokastiska gradient-metoder. Dessutom kan antalet modellparametrar dynamiskt justeras för att förbättra konvergensen och motverka överanpassning. Från ett teknisk perspektiv handlar Riemann-optimering delvis om datamanipulation i form av att stapla tensorer på varandra, vilket i dag inte fungerar så bra i de flesta programbiblioteken för tensorberäkningar.
Mer info
https://hpac.cs.umu.se/~pauldj/tmp/MS_thesis-TTNRiemann.pdf
Kontakta Paolo Bientinesi pauldj@cs.umu.se
Högpresterande TTN-kontraktion för maskininlärning i realtid (30hp)
Inferens med en maskininlärningsmodell baserad på Tree Tensor Networks (TTN) genomförs via kontraktioner av nätverket med en (tensoriserad) del av datamängden. Den här kontraktionen kan genomföras på många olika sätt och går att parallellisera och effektivisera på annat sätt, t.ex.:
En optimal strategi för snabb inferens är ytterst viktigt i alla ML-scenarion, men särskilt när ML-modeller används i realtids-tillämpningar. Några prominenta applikationsområdena är: Objekt-detektering i självkörande fordon, on-line databearbetning i fabriker, finansiell analysis med big data, etc.
Mer info
https://hpac.cs.umu.se/~pauldj/tmp/MS_thesis-TTNContraction.pdf
Kontakta Paolo Bientinesi pauldj@cs.umu.se
Exjobb inom programvaruutveckling eller datorsäkerhet? (15/30hp)
I forskningsgruppen för programvaruutveckling och datorsäkerhet försöker vi förbättra kvalitén på mjukvara genom att identifiera och eliminera svagheter genom hela livscykeln - från design och implementation till leverans och drift. Vi utvecklar verktyg och metoder för att analysera, testa och förstå mjukvara, men även för att hitta/skydda kod från buggar och förebygga attacker. Vår forskning påverkar direkt system som används i samhället: Covid-tester kan läcka personuppgifter
Vår forskning är fokusera på olika ämnen inom programvaruutveckling och datorsäkerhet, t.ex.:
Planerar du att göra ditt xjobb, både 15hp och 30hp, inom programvaruutveckling och/eller datorsäkerhet? Kontakta då Prof. Alexandre Bartel: alexandre.bartel@cs.umu.se or 072 208 73 56.
Intelligent Robotics Research Group vid Umeå universitet utvecklar formella och informella metoder för intelligent robotbeteende – exempelvis visuell uppfattning och naturlig språkanvändning. Vi är intresserade av algoritmutveckling, interaktions- och designstudier och söker dig som vill arbeta inom robotik/AI, är en fena på att kommunicera och trivs med att arbeta i grupp.
För mer information
Vänligen kontakta Thomas Hällström, professor vid institutionen för datavetenskap, via e-post: thomash@cs.umu.se så diskuterar vi ett passande avhandlingsarbete (30hp).
Maskininlärning har blivit mycket viktigt inom medicinska vetenskaper som verktyg att automatisera till exempel diagnos och prognos, och att personanpassa medicin och behandlingar. Maskininlärning används till exempel vid medicinsk bildbehandling för att automatisera delar av strålbehandlingsplaneringen efter en cancerdiagnos. Vår forskargrupp är nyfikna på vad som som exakt lärs om specifika patienter när man bygger djupa faltningsnätverk för medicinska bildtillämpningar. Eftersom modeller som tränats på patientdata ofta delas fritt online finns det potentiella integritetsfrågor som vi för närvarande inte helt förstår. Vi letar därför efter examensstudenter som är intresserade av dessa frågor.
För mer information
Om detta låter som något för dig, vänligen kontakta Tommy Löfstedt, universitetslektor vid institutionen för datavetenskap via e-post: tommy@cs.umu.se för mer information om detta, och andra potentiella projekt.
AI fokuserar traditionellt på att optimera prestationskriterier (t.ex. optimera produktiviteten i en fabrik), ofta utan att ta hänsyn till påverkan på mänskliga variabler (t.ex. utbrända fabriksarbetare), eftersom dessa är svårare att kvantifiera. Som svar på detta strävar området människomedveten AI efter att utveckla AI-teknologier som kan anpassa sina beslut till mänskliga faktorer. Detta examensarbete är avsett att ge dig en möjlighet att vara en del av denna framväxande trend.
Metoder: Jag har en bred teknologisk bakgrund och kan erbjuda handledning inom en rad metoder, inklusive LLM & NLP, ML, RL, automatiserad planering, kognitiv modellering, multi-agent system, logik och argumentation. Vänligen kontakta mig om det finns en annan metod du vill använda.
Specifika ämnen: Jag har en uppsättning examensarbeten som var och en kombinerar en praktisk tillämpning genom en forskare från en annan disciplin som dina resultat kommer att vara viktiga för, och en möjlighet att omvandla ditt examensarbete till ett konkret vetenskapligt bidrag. Ämnena utvecklas från år till år, men de inkluderar till exempel:
Anpassning: Metoder och ämnen kan anpassas och kombineras. Även om det inte är obligatoriskt, erbjuder jag bästa möjliga stöd för att följa upp en forskarbana (från tvärvetenskapliga färdigheter, till stöd för att skriva artiklar och kontakter med möjliga rekryterare för en doktorandtjänst). Inom detta program har många av mina studenter utvecklat sitt examensarbete till en artikel, några i i topprankade tidskrifter, och haft möjligheter att ansöka om sommarjobb och/eller doktorandtjänst i slutet av sitt examensarbete.
Handledare: Jag är en erfaren handledare för över 50 studenter, med ett särskilt intresse för design av AI-system med hög social påverkan. Jag har särskild expertis inom integration av tvärvetenskapliga mänskliga faktorer, till exempel genom min samledningsroll inom TAIGA, Umeås centrum för tvärvetenskaplig AI och mitt forskningsprojekt om ångestkänslig AI.
Kontakta Loïs Vanhée
AI-modeller för mänskligt övervägande (15/30 högskolepoäng)
Den grundläggande uppgiften för AI var att använda beräkningsmetoder för att bättre förstå fenomenet intelligens. Även om denna strävan delvis överskuggades av framväxten av högprofilerade AI-applikationer, är långsiktig tillväxt av vår förståelse för de många sätt som artificiella former av intelligens kan utformas endast möjlig genom fokuserad forskning i denna riktning. Denna projektlinje är dedikerad till utvecklingen av grundläggande beräkningsmodeller för hur människor gör överväganden, med inspiration från psykologisk och social litteratur. Tillämpningar involverar både modeller som försöker bete sig som människor och modeller som kan förstå den psykologiska eller sociala kontexten hos de människor som är involverade.
Metoder: De primära aktiviteterna för de människoliknande agenterna involverar undersökning av psykologisk litteratur och utveckling av innovativa beslutsmodeller, främst genom exempelvis agentbaserad modellering och social simulering, för att replikera övervägandemönster som observerats hos människor. Naturligtvis ska andra AI-teknologier användas beroende på sammanhanget, inklusive LLM & NLP, ML, RL, automatiserad planering, kognitiv modellering, multi-agent system, logik och argumentation.
Specifika ämnen: Jag har en uppsättning avhandlingsämnen, var och en av dem anpassar en praktisk tillämpning, en forskare från en annan disciplin som dina resultat kommer att vara viktiga för, och en möjlighet att strömlinjeforma din avhandling till ett konkret vetenskapligt bidrag. Ämnena utvecklas från år till år, men inkluderar till exempel:
Anpassning: Metoderna och ämnena kan anpassas och kombineras. Även om det inte är obligatoriskt, erbjuder jag möjligheter som bäst möjliggör en uppföljning inom en forskningsbana (från tvärgående färdigheter, till stöd för att skriva artiklar till kontakter med möjliga rekryterare för en doktorandtjänst). Inom detta program har många av mina studenter utvecklat sitt examensarbete till en artikel, några i i topprankade tidskrifter, och haft möjligheter att ansöka om sommarjobb och/eller doktorandtjänst i slutet av sin avhandling.
Handledare: Jag är en erfaren handledare för över 50 studenter, med ett särskilt intresse för design av AI-system med hög social påverkan. Jag har särskild expertis inom integration av tvärvetenskapliga mänskliga faktorer genom exempelvis min samledningsroll inom TAIGA, Umeås centrum för tvärvetenskaplig AI, min organisation av Special Interest Group on Modelling Human Decisions, och mitt forskningsprojekt om ångestkänslig AI.
Kontakta Loïs Vanhée
Deep Data Mining Group har arbetat med multimodal heterogen dataanalys och datafederation genom att tillämpa teknikerna för textanalys, informationshämtning, naturlig språkbehandling, maskininlärning och differentiell integritet. Det huvudsakliga forskningsämnet är datadrivet och applikationsorienterat såsom enhetsbaserad social nätverksanalys (t.ex. känslor, känslor, politisk syn etc.), personlig integritetsanalys och ontologibaserad kunskapsgrafkonstruktion etc. Dessutom har gruppen flera kopplingar till industrin och den akademiska världen som är intresserade av att samhandleda masteruppsatsprojekt, där vi kan genomföra intressant AI-tvärvetenskaplig forskning (t.ex. spårning och inferens av Covid-pandemihändelser, medicinsk screening, energiförbrukning och anomaliprognos, genetik & hälso- och sjukvård etc.). Vi vill gärna ha en diskussion med dig om vad som kan vara ett lämpligt examensarbete för just dig.
För mer information
Om du är intresserad är du välkommen att kontakta Lili Jiang, docent vid institutionen för datavetenskap via e-post: lili.jiang@cs.umu.se om ett lämpligt examensarbete.
Autonomous Distributed Systems Lab: Gruppens huvudfokus är nya moln/edge-teknologier med förbättrad prestanda med hjälp av AI för den databehandling som krävs för att stödja framtida hyperdistribuerade applikationer. Baserat på ett sådant moln/edge undersöker vi datamarknader och dataekonomi; vi letar därför efter studenter som vill göra sitt examensarbete (30 hp) i vår grupp. Mer specifikt har vi flera öppningar inom:
a) Datamarknader som gör det möjligt att upptäcka datatillgångar, effektivt och rättvist prissatta och delas / handlas på ett kompatibelt sätt.
b) Skalbar och AI-driven datahantering för datainvändbarhet i olika sammanhang, som täcker data provenens, datakvalitetshantering, förbättrad datakompatibilitet och metadatahantering.
För mer information
Kontakta Antonio Seo, eunil.seo@cs.umu.se, för att diskutera/definiera ett examensarbete.
Vid träning av djupa neuronnätsmodeller i maskininlärning så använder man ofta olika varianter av stokastiska gradientmetoden. En hypotes om varför djupa neuronnät kan generalisera så väl som de gör, trots att de typiskt har många gånger fler parametrar än träningsdata, är just användningen stokastiska gradientmetoden. Hypotesen säger att med stokastiska gradientmetoden föredras vida lokala minima över smala lokala minima, att stokastiska gradientmetoden har förmågan att "skaka sig ur" lokala minimima om de är för smala.
Målet med detta projekt är att undersöka olika sätt som stokastiska gradientmetoden kan fungera som en form av regularisering av modellen, dvs. hur den kan motverka modellens tendens att överanpassa till träningsdatat. Det finns flera olika sätt att testa detta, och projektet innebär implementation och testning av ett antal olika varianter och jämföra teoretiska och praktiska resultat.
För mer information
Om detta låter intressant, kontakta Tommy Löfstedt, universitetslektor vid Institutionen för datavetenskap, via e-post: tommy@cs.umu.se för mer information om detta, och andra potentiella projekt.
Högpresterande kärnor för tensorberäkningar (30hp)
I en tidigare undersökning så identifierade vi att samma arbete utfördes på flera platser. Trots betydelsen av tensorer, och den stora användningen, så saknas ett bibliotek motsvarade BLAS. Med detta projekt så vill vi skapa ett konkret förslag för en uppsättning av högpresterande kärnor som kan användas i de områden där beräkningar sker med hjälp av tensorer. Exempel på områden finns från maskininlärning, data science till computational chemistry och computational mechanics.
Artikel refererad ovan "The landscape of software for tensor computations"
För mer information
Kontakta Paolo Bientinesi, pauldj@cs.umu.se, 0720 856 180 för mer information.
MatchC: ett C/C++ bibliotek för mönstermatchning (30hp)
Mathematica (Wolfram) erbjuder den mest avancerade mönstermatchningen i något programspråk. Ett motsvarade bibliotek i C/C++ skulle, även om det vore begränsat i egenskaper och funktionalitet, vara ett extremt användbart byggblock för ett stor mängd applikationer. Målet med detta projekt är att utveckla ett högpresterande bibliotek för mönstermatchning, med associativa och kommutativa operatorer med begränsningar, såväl som enstaka och multipla matchningar (liknande ./+/* i reguljära uttryck) samt parallelism i delat minne.
Vi har tidigare utvecklat MatchPy som är ett Python-bibliotek för mönstermatchning. MatchPy utgör en naturlig startpunkten och referens för detta projekt. Se även "Efficient Pattern Matching in Python"
För mer information
Kontakta Paolo Bientinesi, pauldj@cs.umu.se, 0720 856 180 för mer information.
Cybersecurity + Distributed/Tiny/Machine Learning + Computer Systems (15 ECTS/30 ECTS)
Se den engelska sidan för mer info
Sandvik Coromant – Förbättrad beräkning av bearbetningstid med hjälp av AI och digital prototypning
Observera att denna text är översatt till svenska, se den engelska sidan för orginaltext.
Är teknik, AI och digital innovation din passion? Bli en del av Sandvik Coromant och hjälp oss att revolutionera hur bearbetningstider beräknas – en nyckelfaktor för effektiv tillverkning. Detta är din chans att arbeta med banbrytande teknologier och bidra till industriella lösningar i verkligheten! Sandvik Coromant är en global ledare inom verktyg och lösningar för metallbearbetningsindustrin. Vi driver innovation genom avancerad forskning och utveckling och samarbetar med ledande aktörer inom fordons-, flyg- och energisektorerna. Våra digitala bearbetningstjänster, såsom CoroPlus® Tool Guide, Tool Library och Tool Path, hjälper kunder att optimera prestanda med den senaste tekniken.
Bakgrund och projektets omfattning
Noggrann beräkning av bearbetningstid är avgörande för planering, kostnadskontroll och produktionseffektivitet. Traditionella tidsstudier är ofta manuella, långsamma och inte tillräckligt detaljerade. Befintliga lösningar ger visst stöd men saknar ofta flexibilitet och standardisering.
För att lösa dessa problem syftar detta examensarbete att undersöka kraven för mer exakta och effektiva beräkningar av tidsstudier. Det innefattar insamling av användarinput, analys av nuvarande metoder och befintliga lösningar samt identifiering av brister. En prototyp baserad på den föreslagna lösningen kommer att utvecklas för att validera resultaten.
Projektets omfattning är begränsad till att definiera och testa algoritmer för utvalda operationstyper, utveckla en prototyp för att demonstrera genomförbarheten samt sammanfatta resultat, utmaningar och rekommenderade lösningsvägar. Resultaten kommer att presenteras både skriftligt och muntligt.
Syfte
Syftet är att undersöka och utveckla analytiska och AI-stödda metoder för att förbättra noggrannheten och effektiviteten vid beräkning av bearbetningstid inom tillverkning. Examensarbetet syftar till att definiera nödvändiga datakrav, utforma lämpliga algoritmer och skapa en prototyp för att validera den föreslagna metoden.
För mer information om examensarbetet, kontakta:
Mosharraf Hossain
Martin Helgoson
Examensarbete hos Quicke, en del av JOST World
Är du intresserad av att använda innovativ teknik för att bidra till framtidens jordbruk och transport? Då är ett examensarbete hos Quicke, en del av JOST World, något för dig.
Quickes produkter främjar hållbarhet, produktivitet och säkerhet och bidrar till att säkra lokal produktion av prisvärd mat – globalt. Låt oss tänja på gränserna ännu mer!
Mjukvara & Elektronik
• Artificiell intelligens – Prediktivt maskinunderhåll baserat på Edge Machine Learning
• Visionsbaserad objektklassificering (YOLO-modell) tränad med syntetisk data som modellerar slitage
• Lokalisering av objekt baserat på monokulär vision – metodval och utvärdering i verklig miljö
• Deterministiskt testframework för virtuell CAN-simulering i ett distribuerat system med flera noder
• Design av elektronik (inkl. inbyggd mjukvara) för CAN-baserat knappsats med RGB LED-indikator för varje knapp
• Design av elektronik (inkl. inbyggd mjukvara) för CAN-baserad I/O-modul med högt skydd mot inträngning
Hydraulik
• Optimering av passiv lastarsuspension genom simulering – modellkonstruktion, justering och validering
• Aktiv lastarsuspension – konceptdesign, prototypframtagning och utvärdering (hydraulik + styrsystem)
• Modellering av hydraulik för traktorfrontlastare och modellevaluering i co-simulering
Maskinkonstruktion
• Konceptframtagning och design av kapsling för elektronik i krävande miljöer med formsprutning
Fysik, simulering och styrning
• ”Extended kinematics-compensation” för styrning av sluten frontlastare (2-länksarm)
• Självlärande kontinuerlig positionsstyrning av frontlastare, liknande ”crane tip control”
• Design och prototypframtagning av ”adaptive-gain human machine interface” med modellbaserad design
• Visualisering av HIL-simulering (hardware-in-the-loop) för traktorfrontlastare med 3D-spelmotor och integration av verkligt HMI (human machine interface)
För mer information, kontakta:
För maskinkonstruktion: Aron Lidgren – aron.lidgren@jost-world.com
För övriga områden: Jakob Andrén – jakob.andren@jost-world.com
Gör ditt examensarbete hos Knightec Group!
Få praktisk erfarenhet, arbeta med verkliga projekt och utveckla dina färdigheter i en stödjande och innovativ miljö! 3 ämnen
Hos Knightec Group blir du en del av en entreprenöriell kultur som drivs av innovation och samarbete. Vår ambition är att vara den självklara mötesplatsen för yrkesverksamma som vill arbeta i framkant av produkt- och digital tjänsteutveckling.
Se nedan för en kort, översatt version nedan, full version och ansökan hittar du via via länkarna:
AI-based and simulation-driven path planning for autonomous surface vessels
AI-baserad och simuleringsdriven ruttplanering för autonoma ytfartyg.
Obemannade ytfartyg måste kunna navigera säkert och förutsägbart i kustnära vatten där möten, korsande trafik och smala farleder är vanliga. För att undvika kollisioner tillämpas de internationella sjövägsreglerna (COLREGs), men att översätta dessa regler till robusta beslutsstrategier under varierande trafik- och sensorförhållanden är en utmaning.
Machine Learning for Segmentation and Volume Analysis of 3D Point Clouds
Maskininlärning för segmentering och volymanalyser av 3D-punktmoln.
Laserskanning av industriella miljöer genererar mycket stora punktmoln, ofta med tiotals miljoner punkter. I en malmkvarn fångar rådatan inte bara malmmassan utan även väggar, utrustning, personal och omgivning, vilket gör indata både brusig och komplex.
Real-time detection of wear debris in hydraulic motors
Realtidsdetektion av slitagepartiklar i hydraulmotorer.
Hydraulmotorer genererar metalliskt slitage som måste fångas upp för att säkerställa driftsäkerhet och lång livslängd. Idag sker dagliga kontroller av magnetpluggen visuellt, vilket är subjektivt och svårt att jämföra över tid. Målet är att ersätta detta med en mätbar och repeterbar metod som uppskattar mängd, partikelstorlek och bildningstakt – utan att behöva stoppa driften.
Examensarbeten hos Clear Street – Modernizing the Brokerage Industry. 9 ämnen, deadline 10 oktober
Clear Street är ett innovativt fintechbolag med målet att modernisera hela infrastrukturen för mäklartjänster. Genom att bygga en molnbaserad plattform från grunden erbjuder Clear Street en effektiv, säker och användarvänlig lösning för kapitalmarknader. Företaget tillhandahåller tjänster inom clearing, handel och prime brokerage för institutionella och professionella aktörer. Clear Street strävar efter att skapa en mer tillgänglig och transparent marknad genom teknikdriven innovation och kundfokuserad service.
Clear Street erbjuder examensarbeten inom flera områden, se kortfattad beskrivning nedan och full version via denna länk. Egna idéer eller förslag på relaterade ämnen är också välkomna.
Hur ansöker jag?
Vad? CV och betyg
Var? student_swe@clearstreet.io
När? Sista ansökningsdag är 10 oktober
Examensarbeten Observera att följande är översatt från engelska se den engelska sidan för orginalspråk:
Effekten av mikrofrontend-arkitektur i finansiella webbportaler
Undersök hur mikrofrontends påverkar prestanda, skalbarhet och tillförlitlighet i datatunga applikationer. Fokus på responsivitet, oberoende driftsättning och användarupplevelse.
Jämförande analys av realtidsprotokoll för moderna webbapplikationer
Jämför WebSockets, SSE och WebTransport avseende latens, genomströmning och integrationskomplexitet. Syftet är att ta fram ett datadrivet beslutsunderlag för realtidslösningar.
Kalibrering av Monte Carlo-modeller för prissättning av konvertibla obligationer
Utveckla en multifaktor Hull–White-modell för prissättning av konvertibla obligationer. Kalibrera mot marknadsdata (swaps, CDS) och analysera hur olika riskfaktorer påverkar värderingen.
Volatilitetsmodellering i illikvida marknader
Skapa volatilitetsytor för tillgångar med låg likviditet genom historisk dataanalys och proxy-modellering. Definiera kriterier för effektiva proxies och tillämpa statistiska metoder för förbättrad prissättning.
Prediktiv felpropagering i molnbaserade distribuerade system
Använd beroendegrafer och maskininlärning för att förutsäga felpropagering i mikrotjänstarkitekturer. Utforska automatiserade åtgärdsstrategier för att minska driftstörningar.
Just-in-time-gränssnitt för handel
Designa kontextmedvetna, minimala handelsgränssnitt som genereras dynamiskt av AI. Fokus på användbarhet och snabb interaktion i tidkritiska situationer.
Jämförelse mellan ORM-ramverk och native SQL
Utvärdera Hibernate i förhållande till andra ORM-verktyg och direkt SQL. Analysera prestanda, abstraktionsnivå och anpassningsförmåga för olika arbetsbelastningar.
Robust strömbehandling: hantering av Kafka-failover, offset och konsistens
Studera metoder för att säkerställa failover, korrekt offset-hantering och konsistens i Kafka-baserade strömningssystem. Hantera utmaningar vid ombalansering och sena händelser.
Loggfiltrering och kostnadsoptimering i storskaliga observabilitetssystem
Designa en agent för loggfiltrering, deduplicering och routing på värdnivå. Målet är att minska kostnader för logghantering samtidigt som diagnostisk precision bibehålls.
Tietoevry – Validering av rättvisa i stora språkmodeller vid rekrytering
Observera att följande text är översatt från engelska, se den engelska sidan för orginaltext
Bakgrund och motivation
Stora språkmodeller (Large Language Models, LLMs) används i allt högre grad inom rekryteringssystem för att granska CV:n, rangordna kandidater och stödja intervjuprocesser. Även om dessa modeller kan öka effektiviteten, väcker de också oro kring algoritmisk partiskhet och rättvisa.
Oavsiktliga bias i träningsdata, modellens utformning eller instruktioner i promptar kan leda till diskriminerande resultat mot vissa demografiska grupper. Rättvisa i rekrytering är dock inte enbart en statistisk fråga – den speglar även mänskliga värderingar och organisatoriska normer.
För att utveckla tillförlitliga AI-verktyg måste rättvisa definieras både matematiskt och kontextuellt, baserat på hur HR-specialister tolkar rättvisa beslut i rekrytering. Detta examensarbete syftar till att kombinera dessa perspektiv för att validera och förbättra rättvisa i rekryteringsprocesser som stöds av LLM.
Forskningsfrågor
Konceptuell: Hur definierar och tolkar HR-specialister begreppet rättvisa i rekrytering och urval, och hur överförs denna kunskap till AI-verktyg?
Analytisk: I vilken utsträckning uppvisar stora språkmodeller bias vid utvärdering eller rangordning av kandidater?
Metodologisk: Vilka rättvisemått fångar bäst relevanta bias i rekryteringsuppgifter som involverar LLM?
Praktisk: Vilka strategier för att motverka bias (t.ex. promptdesign, databalansering eller efterbearbetning) är mest effektiva för att förbättra rättvisa utan att försämra prestanda?
Syften
Undersöka hur HR-specialister konceptualiserar rättvisa i rekryteringsbeslut.
Utveckla ett ramverk för att validera rättvisa i LLM som används vid kandidaturval.
Mäta bias genom kontrafaktisk testning (t.ex. byte av namn eller kön).
Utvärdera strategier för att motverka bias och föreslå praktiska designrekommendationer för rättvis AI-användning i rekrytering.
Metod
Kvalitativ fas: Genomför 4–6 semistrukturerade intervjuer med HR-specialister för att förstå hur de definierar rättvisa och identifierar subtila former av bias i rekrytering. Tematisk analys används för att extrahera centrala rättvisedimensioner.
Kvantitativ fas: Använd syntetiska eller anonymiserade CV-dataset för att testa LLM-beteende. Generera kontrafaktiska exempel där skyddade attribut varierar medan kvalifikationer hålls konstanta.
Utvärdering: Mät skillnader mellan grupper med hjälp av mått som demografisk paritet och equalized odds, med verktyg som Fairlearn eller AIF360.
Biasreducering: Experimentera med promptjusteringar och efterbearbetning för att förbättra rättvisa, vägledda av de kvalitativa resultaten.
Etiska överväganden: Följ GDPR och EU:s AI-förordning. Endast anonymiserad eller syntetisk data kommer att användas.
Förväntade resultat
En konceptuell modell för rättvisa i rekrytering baserad på HR-expertis.
En empirisk bedömning av bias i LLM-baserad kandidatutvärdering.
Ett reproducerbart granskningsramverk för att validera rättvisa i rekryterings-AI.
Rekommendationer till utvecklare och HR-praktiker för etiskt förankrad AI-användning.
Tidsplan (6 månader)
Månatliga milstolpar
1.Litteraturgenomgång, etikgodkännande, planering av intervjuer
2.Genomför HR-intervjuer, tematisk analys
3.Datapreparering och kontrafaktisk design
4.LLM-experiment och rättviseutvärdering
5.Biasreduceringsexperiment och integration av kvalitativa insikter
6.Analys, rapportskrivning och slutrapport
Nyckelord
Rättvisa • Bias • Stora språkmodeller • Rekrytering • HR-etik • EU AI-förordning
Tietoevry – Från specifikation till patch: Generering av uppgifter med LLM och tillämpning med Copilot
Observera att följande text är översatt från engelska, se den engelska sidan för orginaltext
Utvärdera om LLM:er kan automatiskt bryta ned en funktionsspecifikation till körbara uppgifter, och om en kodassistent (Copilot) kan genomföra dessa uppgifter för att implementera funktionen (givet de filer som påverkas).
Kort sammanfattning:
Detta projekt bygger och utvärderar en end-to-end-pipeline: en planeringsmodell (LLM) genererar en uppgiftsnedbrytning (issues, TODOs, tester, acceptanskriterier) utifrån ett funktionsdokument och relevanta filer; en exekverande modell (kodassistent/Copilot) försöker implementera varje uppgift genom att producera kodändringar (patchar/PR:ar). Examensarbetet jämför LLM-genererade planer med mänskliga planer, mäter hur många av planeringsmodellens uppgifter som Copilot kan implementera korrekt (testgodkända, granskade), och analyserar feltyper, uppgiftsgranularitet och förankringsstrategier. Arbetet betonar reproducerbara experiment över flera kodbaser samt en empirisk analys av framgångsfaktorer.
Primär forskningsfråga:
- Hur väl kan LLM:er generera genomförbara uppgiftsnedbrytningar från ett funktionsdokument + berörda filer jämfört med mänskliga utvecklare?
Sekundära forskningsfrågor:
- Hur stor andel av LLM-genererade uppgifter kan en kodassistent implementera till korrekta, testgodkända commits utan mänsklig inblandning?
- Vilken uppgiftsgranularitet (grov vs. fin) maximerar framgången för automatiserad exekvering?
- Hur mycket förbättras uppgiftsrelevans och genomförbarhet när berörda filer tillhandahålls (jämfört med enbart funktionsdokument)?
- Vilka typer av funktioner (UI, API, tester, refaktoreringar) lämpar sig bäst för end-to-end-automatisering?
- Vilka är vanliga feltyper (hallucinationer, förbisedda edge cases) och vilka praktiska åtgärder kan minska dessa?
Kontakt:
Tobias Sundqvist
Tobias.sundqvist@tietoevry.com
Tietoevry, Agentförstärkt RAG-integrerad IDE-tillägg för funktionsimplementering
Observera att följande text är översatt från engelska, se den engelska sidan för orginaltext
Bygg ett tillägg till en utvecklingsmiljö (IDE) som använder Retrieval-Augmented Generation (RAG) för att omvandla funktionsspecifikationer till en adaptiv checklista, övervaka en utvecklares kodgren i realtid och använda agentbaserade språkmodeller (LLM-agenter) för att vägleda utvecklaren mot en snabbare och mer felfri implementation av funktioner.
Kort sammanfattning:
Många utvecklare förlorar tid på att hantera otydliga krav, bristfälliga specifikationer och inkonsekventa arbetsflöden vid implementering av nya funktioner. Detta projekt utvecklar ett grenmedvetet IDE-tillägg som:
-Läser in funktionsdokumentation och projektartefakter som kunskapsbas.
-Genererar en adaptiv checklista och handlingsinriktad vägledning med hjälp av en RAG-agent.
-Övervakar kodändringar (commits/diffs) för att ge riktade och tidsanpassade påminnelser samt förslag på åtgärder.
Examensarbetet undersöker både den tekniska utformningen (uppbyggnad av kunskapsbas, strategier för informationshämtning, övervakning av kodgrenar) och den mänskliga påverkan (produktivitet, kvalitet och tillit). Arbetet inkluderar implementation, kontrollerad utvärdering samt analys av felmönster och användaracceptans.
Primär forskningsfråga:
Hur påverkar ett RAG-baserat IDE-tillägg utvecklares produktivitet vid implementation av en specificerad funktion?
Sekundära forskningsfrågor:
-Minskar en adaptiv checklista antalet missade krav och defekter jämfört med statisk dokumentation?
-Hur träffsäkra och användbara är RAG-genererade rekommendationer vid funktionsutveckling?
-Hur påverkar grenmedveten övervakning utvecklares tillit till och användning av assistenten?
-Vilken struktur på kunskapsbasen (t.ex. tester, specifikationer, exempel) maximerar kvaliteten på rekommendationerna?
-Vilka avvägningar finns mellan integritet och säkerhet vid användning av lokal kontra molnbaserad RAG för privata kodbaser?
Kontakt:
Tobias Sundqvist
Tobias.sundqvist@tietoevry.com
Simuleringsmodell för pressens hydraulsystem (30 hp)
Ursviken Technology grundades redan 1885, vilket ger företaget över 135 års erfarenhet av maskintillverkning och ett gediget kunnande i att skapa avancerade lösningar för sina kunder. Idag har företaget kunder i över 100 länder och ett starkt fokus på att alltid sätta kunden i centrum. Ursviken tillverkar högteknologiska kantpressar med en presskraft på upp till 10 000 ton och arbetar kontinuerligt med att utveckla nya innovationer och lösningar. År 2021 levererade Ursviken stolt världens längsta kantpress till USA – en helt kundanpassad maskin med ett stort antal innovativa funktioner. Ursviken Technology har en omsättning på cirka 200 miljoner kronor, varav 75 % utgörs av export. Företaget har omkring 70 anställda och är beläget i Ursviken utanför Skellefteå.
Sedan januari 2025 är Ursviken Technology en del av finska Vaski Group Oy, som då förvärvade företaget. Vaski Group är ett snabbväxande företag som tillverkar andra typer av maskiner under varumärkena Pivatic och Vaski. Vaski Groups omsättning beräknas uppgå till cirka 50 miljoner euro under 2025 och koncernen har över 230 anställda.
Om uppdraget
Som examensarbetare hos Ursviken Technology kommer du främst att arbeta med att skapa en simuleringsmodell för pressens hydraulsystem.
Pressen används i bockningsprocesser, och modellen kommer att inkludera sluten styrning av position och kraft, samt motståndet från materialet.
Med hjälp av simuleringsmodellen kan olika systemvariabler studeras, såsom position, kraft, tryck, temperatur och volymflöde över tid.
Modellen används som stöd i maskinkonstruktion, för att bedöma styrbarhet och för att verifiera mjukvara.
Din profil
Vi söker dig som studerar automation, produktionsautomation eller mekanik. Din utbildningsbakgrund kan vara inom maskinteknik, elektroteknik, mekatronik eller produktionsteknik.
Du behöver ha grundläggande kunskaper i Matlab med Simulink samt förståelse för slutna styrsystem (closed-loop control).
Vi förväntar oss att du har goda kunskaper i både svenska och engelska, i tal och skrift.
Vi erbjuder
Ursviken är ett spännande och utvecklande företag som designar och tillverkar sina egna produkter. Designavdelningen består av 16 konstruktörer som alla har en viktig och central roll i organisationen. Vi är ett medelstort företag med korta beslutsvägar, vilket främjar både medarbetarnas utveckling och företagets framgång.
Om Skellefteå
Skellefteå är en växande stad med lång tradition av entreprenörskap och industriell utveckling. Här finns ett brett utbud av karriärmöjligheter inom teknik- och innovationssektorn, samt goda möjligheter till ett rikt liv utanför arbetet. Staden präglas av öppenhet för förändring, kreativa idéer och nya människor – en kombination som gör Skellefteå till ett allt starkare alternativ för både individer och familjer i olika livsskeden.
Läs mer om platsen på www.skelleftea.se
Ansökan
Har du frågor är du varmt välkommen att kontakta Oskar Vestermark på oskar.vestermark@ursviken.com.
När du har visat ditt intresse matchar vi din ansökan med aktuella möjligheter och återkommer till dig via e-post eller telefon med återkoppling.
Vi ser fram emot din ansökan!
Digital tvillingplattform för mjukvaruverifiering med Visual Components (30 hp)
Ursviken Technology grundades redan 1885, vilket ger företaget över 135 års erfarenhet av maskintillverkning och ett gediget kunnande i att skapa avancerade lösningar för sina kunder. Idag har företaget kunder i över 100 länder och ett starkt fokus på att alltid sätta kunden i centrum. Ursviken tillverkar högteknologiska kantpressar med en presskraft på upp till 10 000 ton och arbetar kontinuerligt med att utveckla nya innovationer och lösningar. År 2021 levererade Ursviken stolt världens längsta kantpress till USA – en helt kundanpassad maskin med ett stort antal innovativa funktioner. Ursviken Technology har en omsättning på cirka 200 miljoner kronor, varav 75 % utgörs av export. Företaget har omkring 70 anställda och är beläget i Ursviken utanför Skellefteå.
Sedan januari 2025 är Ursviken Technology en del av finska Vaski Group Oy, som då förvärvade företaget. Vaski Group är ett snabbväxande företag som tillverkar andra typer av maskiner under varumärkena Pivatic och Vaski. Vaski Groups omsättning beräknas uppgå till cirka 50 miljoner euro under 2025 och koncernen har över 230 anställda.
Om uppdraget
Som examensarbetare hos Ursviken Technology kommer du främst att arbeta med att skapa en digital tvillingplattform för mjukvaruverifiering med hjälp av Visual Components. Simuleringsmodellen ska även inkludera en koppling till PLC via OPC-UA-gränssnitt, vilket gör det möjligt att styra modellen via PLC.
Modellen används för att verifiera mjukvara, analysera flaskhalsar och optimera produktionssystem.
Din profil
Vi söker dig som studerar automation, produktionsautomation eller mekanik. Din utbildningsbakgrund kan vara inom maskinteknik, mekatronik eller produktionsteknik.
Du bör ha grundläggande kunskaper i Visual Components eller liknande simuleringsprogram. Erfarenhet av 3D CAD-program som CREO eller SolidWorks är meriterande.
Vi förväntar oss att du har goda kunskaper i både svenska och engelska, i tal och skrift.
Vi erbjuder
Ursviken är ett spännande och utvecklande företag som designar och tillverkar sina egna produkter. Designavdelningen består av 16 konstruktörer som alla har en viktig och central roll i organisationen. Vi är ett medelstort företag med korta beslutsvägar, vilket främjar både medarbetarnas utveckling och företagets framgång.
Om Skellefteå
Skellefteå är en växande stad med lång tradition av entreprenörskap och industriell utveckling. Här finns ett brett utbud av karriärmöjligheter inom teknik- och innovationssektorn, samt goda möjligheter till ett rikt liv utanför arbetet. Staden präglas av öppenhet för förändring, kreativa idéer och nya människor – en kombination som gör Skellefteå till ett allt starkare alternativ för både individer och familjer i olika livsskeden.
Läs mer om platsen på www.skelleftea.se
Ansökan
Har du frågor är du varmt välkommen att kontakta Oskar Vestermark på oskar.vestermark@ursviken.com.
När du har visat ditt intresse matchar vi din ansökan med aktuella möjligheter och återkommer till dig via e-post eller telefon med återkoppling.
Vi ser fram emot din ansökan!
Vinkelmätsystem – tillämpning för kantpress (30 hp)
Ursviken Technology grundades redan 1885, vilket ger företaget över 135 års erfarenhet av maskintillverkning och ett gediget kunnande i att skapa avancerade lösningar för sina kunder. Idag har företaget kunder i över 100 länder och ett starkt fokus på att alltid sätta kunden i centrum. Ursviken tillverkar högteknologiska kantpressar med en presskraft på upp till 10 000 ton och arbetar kontinuerligt med att utveckla nya innovationer och lösningar. År 2021 levererade Ursviken stolt världens längsta kantpress till USA – en helt kundanpassad maskin med ett stort antal innovativa funktioner. Ursviken Technology har en omsättning på cirka 200 miljoner kronor, varav 75 % utgörs av export. Företaget har omkring 70 anställda och är beläget i Ursviken utanför Skellefteå.
Sedan januari 2025 är Ursviken Technology en del av finska Vaski Group Oy, som då förvärvade företaget. Vaski Group är ett snabbväxande företag som tillverkar andra typer av maskiner under varumärkena Pivatic och Vaski. Vaski Groups omsättning beräknas uppgå till cirka 50 miljoner euro under 2025 och koncernen har över 230 anställda.
Om uppdraget
Som examensarbetare hos Ursviken Technology kommer du att arbeta med ett vinkelmätarsystem för att skapa återkopplingsvärden för vinklingskompensation längs hela bockningslängden.
Mätarsystemet implementeras på den bockade delen under själva bockningsprocessen, och de uppmätta värdena används för att kompensera och uppnå högkvalitativa bockningar – oavsett material, tjocklek eller längd.
Se gärna en kort film om tekniken här: YouTube-video
Din profil
Vi söker dig som studerar automation, mjukvara eller sensorteknik. Din utbildningsbakgrund kan vara inom elektroteknik, mekatronik eller mjukvaruteknik.
Du bör ha grundläggande kunskaper i lasermätteknik eller maskinseende (machine vision).
Erfarenhet av signal- eller databehandling, simulering och programmering är meriterande.
Vi förväntar oss att du har goda kunskaper i både svenska och engelska, i tal och skrift.
Vi erbjuder
Ursviken är ett spännande och utvecklande företag som designar och tillverkar sina egna produkter. Designavdelningen består av 16 konstruktörer som alla har en viktig och central roll i organisationen. Vi är ett medelstort företag med korta beslutsvägar, vilket främjar både medarbetarnas utveckling och företagets framgång.
Om Skellefteå
Skellefteå är en växande stad med lång tradition av entreprenörskap och industriell utveckling. Här finns ett brett utbud av karriärmöjligheter inom teknik- och innovationssektorn, samt goda möjligheter till ett rikt liv utanför arbetet. Staden präglas av öppenhet för förändring, kreativa idéer och nya människor – en kombination som gör Skellefteå till ett allt starkare alternativ för både individer och familjer i olika livsskeden.
Läs mer om platsen på www.skelleftea.se
Ansökan
Har du frågor är du varmt välkommen att kontakta Oskar Vestermark på oskar.vestermark@ursviken.com.
När du har visat ditt intresse matchar vi din ansökan med aktuella möjligheter och återkommer till dig via e-post eller telefon med återkoppling.
Vi ser fram emot din ansökan!
AI-baserad prognos av bränsleförbrukning vid mekaniserad avverkning, baserat på platsförhållanden (30 hp)
Bakgrund och syfte
Skogssektorn är fortfarande starkt beroende av fossila bränslen för drift av maskiner, vilket utgör en betydande utmaning för att uppnå en klimatneutral virkesförsörjning. Ett av de största hindren för övergången till förnybara eller utsläppssnåla bränslealternativ är bristen på en decentraliserad och flexibel energiförsörjningsinfrastruktur. För att kunna planera sådana system krävs tillförlitlig information om platsberoende bränsleförbrukning, vilken i sin tur påverkas av en rad externa och operativa faktorer – såsom terränglutning, markfuktighet, ytstruktur, väderförhållanden och säsongsvariationer.
Detta examensarbete syftar till att utnyttja kraften i djupinlärning och geospatial dataintegration för att förutsäga energianvändning och utsläpp i skogsbruket. Genom att utveckla en modell som kan generalisera över olika avverkningsplatser med varierande förhållanden, bidrar arbetet till mer informerad planering och utvärdering av hållbara skogsförvaltningsmetoder – särskilt i regioner som norra Sverige där terrängen ofta är utmanande. Vi rekommenderar detta som ett examensarbete på 30 högskolepoäng, med tanke på uppgiftens komplexitet och tekniska djup. Examensarbetet genomförs på engelska.
Dina uppgifter
Du kommer att utveckla och träna en djupinlärningsmodell som förutsäger energiförbrukning (och eventuellt utsläpp) baserat på en uppsättning geospatiala och operativa parametrar insamlade från verkliga avverkningsplatser. Centrala moment i arbetet inkluderar:
- Förbehandling av data och feature engineering från befintliga dataset (t.ex. lutning, ytstruktur, stenighet, markfuktighet, maskintyp och väderdata).
- Modellträning och validering med hjälp av ramverk för djupinlärning (t.ex. PyTorch, med eventuell användning av TorchGeo för geospatial datahantering).
- Utvärdering av modellens prestanda på nya avverkningsytor och analys av generaliserbarhet.
- Bidra till ett internt verktyg för benchmarking av maskinprestanda under varierande fältförhållanden.
Din profil
Du bör ha:
- Ett starkt intresse för AI, djupinlärning eller geospatial dataanalys.
- Programmeringsvana, gärna i Python, samt kunskap om bibliotek som PyTorch eller TensorFlow.
- Erfarenhet av eller vilja att lära dig mer om skogsbruk och terrängmodellering.
- Nyfikenhet att arbeta i gränslandet mellan maskininlärning, hållbarhet och fältdata från skogsbruket.
- Förmåga att arbeta självständigt och hantera verkliga, ibland ofullständiga, dataset.
Vi erbjuder
Ett relevant forskningsprojekt som stödjer energiomställningen inom svenskt skogsbruk.
Möjlighet att bidra till institutionens vetenskapliga forskning – resultaten från examensarbetet kommer att integreras i en vetenskaplig publikation där studenten självklart kan bli medförfattare.
För mer information om projektet, kontakta: Justin Herdegen
E-post: justin.herdegen@slu.se
Telefon: +46 722 392 528
Anyfin söker studenter som vill jobba inom Fintech redan till hösten 2025 (15/30 hp)
Har du en spännande idé till ditt examensarbete och vill göra skillnad?
Anyfin är en Fintech-scaleup med STORA ambitioner. Vi brinner för att förändra finansindustrin. Höga räntor, orättvisa villkor och dolda avgifter måste bli ett minne blott. Så snart som möjligt.
På Anyfin letar vi alltid efter nyfikna och ambitiösa studenter som vill utforska innovativa ämnen som ligger i linje med vårt uppdrag. Har du en stark akademisk bakgrund och en idé du brinner för? Då vill vi gärna höra från dig!
Vi söker studenter som påbörjar sitt examensarbete i augusti 2025. Vi är intresserade av studenter som läser:
Vi blir alltid glada av att få höra nya perspektiv och originella förslag på examensarbeten. För att ge dig en uppfattning om vilka typer av ämnen som kan passa bra hos oss på Anyfin, kommer här några exempel vi tycker är särskilt intressanta:
Modellering av kundrisk genom transaktionsbeteende
Bygg statistiska eller maskininlärningsmodeller för att identifiera mönster i banktransaktioner som indikerar finansiell risk, vilket möjliggör smartare kreditbedömningar.
Dynamisk prissättning
Skapa en prismodell för att optimera kundens livstidsvärde.
Avancerad, förklaringsbar kreditriskmodellering
Använd avancerad maskininlärning för att förutsäga kunders risk för betalningsinställelse, med fokus på både stark prediktiv förmåga och transparens för att möjliggöra tydlig kreditbedömning.
Vi granskar ansökningar löpande och försöker ge återkoppling så snart som möjligt. Besök gärna vår webbplats för att ansöka!
Vidareutveckling av Android-applikation som diagnostiserar hörselnedsättningar (15/30hp)
Vill du bidra till ett spännande projekt som hjälper människor att testa sin hörsel hemma utan att behöva besöka en hörselklinik?
Vi har utvecklat en kliniskt validerad Android-applikation som har potential att ersätta standard kliniska diagnostikmetoder. Din huvudsakliga roll skulle vara att säkerställa att användaren förstår hur testet utförs och att komma på innovativa sätt att rapportera resultaten till både användaren och medicinsk personal.
Vem är du? Vi söker en motiverad student med goda kunskaper i objektorienterad programmering, särskilt i Java, och med viss kunskap eller intresse för interaktionsdesign (ID). Det är meriterande om du har tidigare erfarenhet av prototypframtagning för Android-applikationer.
Vad får du ut av detta? Du kommer att utveckla en mobilapplikation som potentiellt kommer att introduceras av Region Västerbotten för att minska väntetiden för personer som behöver besöka en audionom för att bedöma sin hörsel.
Projektet genomförs i samarbete med Uminova och andra företag.
Om du är intresserad, vänligen kontakta amin.saremi@umu.se
Utveckling av Videoanalysmodell för Kvarnövervakning i Gruvindustrin (30hp)
Är du intresserad av att arbeta med avancerad teknik och bidra till effektivisering inom gruvindustrin? ABB söker nu en driven student för ett unikt examensarbete som syftar till att utveckla en videoanalysmodell för att underlätta bedömningen av överfyllnad i en kvarn. Arbetet kommer inkludera ett nära samarbete med vår samarbetspartner Boliden, där du som student får möjlighet att bredda ditt nätverk i näringslivet samt chansen att testa ditt arbete med material från verklig processmiljö.
Om projektet:
Arbetet innebär att utvärdera olika metoder och träna en videoanalysmodell med målet att optimera inmatningen till en kvarn för att maximera produktionen utan att riskera överfyllnad. För närvarande saknas ett sätt att kontrollera överfyllnad, vilket leder till konservativ drift och outnyttjad kapacitet.
Dina uppgifter kommer att inkludera:
Förberedelse:
Modell:
Vi söker dig som:
Vad vi erbjuder:
Låter detta som ett examensarbete för dig? Tveka inte att skicka in ditt cv och personliga brev till oss. Berätta även dina erfarenheter inom detta område från tillexempel tidigare jobb/projekt eller kurser du läst samt hur du tror att du skulle kunna angripa detta problem.
Kontakt: Jenni Sandgren, application engineer, jenni.sandgren@se.abb.com
Elastisys söker dig som är intresserad av molnteknik
Elastisys är en pionjär inom molntjänster som hjälper företag att utveckla viktig mjukvara snabbare, utan att tumma på säkerhet och regelefterlevnad i applikationer eller datalagring. Vi utvecklar och tillhandahåller produkter och tjänster för robusta, högpresterande och kostnadseffektiva molnapplikationer inom DevOps, Kubernetes och bidrar aktivt till Open source Communityt.
Företaget grundades år 2011 av forskare från Institutionen för datavetenskap och UMIT Research Lab vid Umeå universitet. Vi är ett internationellt företag som har kontor i Umeå och Lund. Hos oss arbetar både juniora ingenjörer varav många skrivit exjobb hos oss, men också seniora ingenjörer där flera har doktorsexamen i molnteknik.
Vi söker dig som är intresserad av molnteknik och nyfiken på att utforska det området tillsammans med oss. På Elastisys får du möjlighet att växa och arbeta med passionerade människor som bryr sig om dig.
Ansök genom att skicka ditt CV och ett kort personligt brev till Student@elastisys.com innehållande:
- En kort text om dina framtida yrkesplaner eller mål.
- Om du planerar att stanna i Umeå efter dina studier eller flytta.
- Vi har flera relevanta ämnesförslag, men ser gärna att du kommer med egna idéer kring din masteruppsats – dessa kan vi i så fall utforma i dialog tillsammans med dig.
Har du frågor eller funderingar så hör av dig till Student@elastisys.com
Identifiering av duplikat av problemrapporter - Uttnyttjande av maskininlärning för effektiv ärendehantering
I stora system som radio access nätverket genereras mängder av rapporter när problem uppstår.
Många av dessa rapporter kan ha samma grundorsak, vilket resulterar i många dubbletter som kräver onödig analys.
Målet med denna avhandling är att utveckla en algoritm för maskininlärning (ML) som kan lära sig av tidigare rapporter och avgöra om en ny rapport sannolikt är en kopia av ett tidigare.
Genom hela denna avhandling kommer du att samarbeta nära med andra experter inom AI/ML för att utforma en lösning som syftar till att förbättra den nuvarande rapporthanteringsverktyget.
För mer info kontakta Tobias Sundqvist tobias.sundqvist@tietoevry.com
+46 70 323 64 15
Utveckling av programvarusystem för bioinformatik
Se den engelska versionen av denna sida för detaljerad info
För- och nackdelar med att använda Microsoft Orleans istället för ett grid-baserat monolitiskt system (30hp)
Det finns många utmaningar med att utveckla komplexa distribuerade system: skalbarhet, concurrency, tillförlitlighet, prestanda och feltolerans. En “virtual actor model” kan potentiellt lösa alla alla dessa utmaningar.
Målet med detta projekt är att undersöka fördelarna och begränsningarna med att gå från ett delvis grid-baserat monolitiskt system till ett system som använder Microsoft Orleans.
En fungerande prototyp kommer att implementeras baserat på de verkliga utmaningarna med ett komplext distribuerat system med höga krav på hastighet, miljontals uppdateringar varje minut, och tusentals kunder över hela världen.
Om detta låter intresasant, kontakta Simon Renström, grundare av RebelBetting på simon@rebelbetting.com.
Bildbehandling och djup maskininlärning på tomografidata av fosforinnehållande askor
Övergången till ett hållbart samhälle kräver effektiv användning av material och energi, där återvinning av näringsämnen är en viktig del. Fosfor är ett viktigt näringsämne som idag endast återvinns i små mängder. Detta skulle kunna förbättras genom resursåtervinning från restfraktioner som aska eller biokol som bildas vid termisk omvandling av samhälleliga avfallsströmmar. Det övergripande syftet med vår forskning är att förbättra kunskapen om askans kemiska och fysikaliska egenskaper som mikrostruktur, porositet och ytarea och studera hur dessa kan påverka tillgången på näringsämnen om askan används som gödningsmedel.
Projektet syftar därför till att ta fram verktyg för att analysera tomografidata med så kallad ”deep learning”. Datortomografi ger en 3D-avbildning av ett prov och med hjälp av avancerad bildbehandling kan detaljerade egenskaper hos provet fås fram. För detta kan djup maskininlärning spela en viktig roll för att effektivisera och förbättra prestandan i datautvärderingen. Målet med projektet är att ta fram en interaktiv segmentering och utvärdera dess prestanda, genom jämförelse med manuell segmentering och tillämpbarhet på olika prover.
För mer information
Om detta låter intressant, kontakta Anna Strangberg, vid Institutionen för tillämpad fysik och elektronik, via e-post: anna.strandberg@umu.se för mer information.
Användning av maskininlärningsmetoder för att identifiera mönster av plantor som svar på torkabehandling med hjälp av time-lapse-bilder
Målet med det föreslagna projektet är att använda ML-verktyg för att lära sig förutsägande mönster av respons på torka i tallplantor som exponeras för torka med hjälp av tidsförloppsbilder. Maskininlärning (ML) metoder som djupinlärning, elastiskt nät och lasso har testats för att träna modeller för organismer och objektigenkänning. Fokus inom detta projekt är att träna ML-modeller för att identifiera mönster för förändringar av tallfröplantor som svar på torka. Modellträning kommer att göras på bilder som erhållits genom time-lapse-avbildning under processen med torkabehandling.
För mer information
Om detta låter intressant, kontakta Rosario Garcia Gil, vid Institutionen för fysiologisk botanik, via e-post: m.rosario.garcia@slu.se för mer information.
Träning av maskininlärningsmetoder för tolkning av genetiska effekter på trädegenskaper
Utveckling av kostnadseffektiv DNA-sekvenseringsteknologi erbjuder möjligheten att generera genomdata för tusentals individer, vilket öppnar möjligheten att tillämpa maskininlärningsmetoder för att skapa prediktiva relationer mellan en organisms genotyp och fenotyp. I en nyligen genomförd studie på jäst, ris och vete fann man att nästan alla standardmetoder för maskininlärning överträffade metoderna från klassisk statistisk genetik. Målet med det föreslagna projektet är att utveckla en effektiv maskininlärningsmetod för att lära sig prediktiva samband mellan exomets genomdata (genomisk DNA-information) och granars tillväxt och vedegenskaper.
För mer information
Om detta låter intressant, kontakta Rosario Garcia Gil, vid Institutionen för fysiologisk botanik, via e-post: m.rosario.garcia@slu.se för mer information.
Vill du arbeta tvärvetenskapligt med medicinsk teknik på Region Västerbotten? (15/30 HP)
MT-FoU bedriver forskning, utveckling och utbildning i nära samarbete med sjukvården. Ett flertal forskningsprojekt pågår där du kan göra ett examensarbete om 15 eller 30hp. Medicinteknik är ett tvärvetenskapligt område och examensarbeten är möjliga inom exempelvis fysik, elektronik, datavetenskap, interaktion och design, fysioterapi och medicin. Exjobb baseras på kliniska behov och aktuella frågeställningar inom pågående forskningsprojekt. Arbetet inkluderar ofta utveckling av hård- och mjukvara för att mäta, analysera eller simulera fysiologiska signaler.
För mer information
Vänligen kontakta Helena Grip, Sjukhusingenjör, docent i medicinsk teknik och adjungerad universitetslektor, inriktning mot medicinsk teknik och rörelseanalys, via e-post: helena.grip@regionvasterbotten.se eller telefon: 090-785 40 29
Evity är en startup från Umeå som utvecklar ett HR-verktyg för små och medelstora företag. Vi använder automation och formulärverktyg för att skapa nyckeltal och processer i verktyget. Nu söker vi en student som vill arbeta i .net inom Azure där vi kan hitta ett samarbete för att utveckla nya features eller förbättra befintliga. Vi är ett internationellt team med co-founder och CTO från Nya Zeeland. Läs mer om oss på www.evity.hr.
För mer information
Vänligen kontakta VD Tommy Eriksson, Evity på telefon: 070-696 70 22 eller e-mail: tommy@evity.hr
NONPI Medical AB utvecklar och implementerar programvaruverktyg för medicinsk bildanalys. Det föreslagna projektet fokuserar på djupinlärningsmetoder för medicinsk bildbehandling, t.ex. tumörsegmentering, superupplösning eller snedvridningskorrigering.
Det finns många olika ramverk att välja mellan för implementering av djupinlärningsmodeller, vilket är bra för utveckling och forskning, men detta delar samtidigt också upp fältet och publicerad kod i fraktioner, beroende på vilket ramverk som användes. Resultatet blir att fältet är uppdelat och resultaten blir svåra att reproducera mellan användare av olika ramverk. En öppen källkodstandard för maskininlärningsmodeller har upprättats (ONNX), men detta är ännu inte ett vanligt använt format och speciellt inte inom forskning och utveckling av medicinsk bildbehandling.
För att hjälpa till att sprida utvecklade modeller och ONNX-formatet letar vi för närvarande efter magisteruppsatsstudent(er) (30hp) som vill skapa en öppen källkodssamling med toppmoderna djupinlärningsmodeller och metoder för användning inom medicinsk bildanalys. Vi tänker främst på sådana som vunnit större tävlingar, toppmoderna modeller och modeller från välciterade forskningsartiklar.
Projektet består i att samla in och kategorisera förtränade djupinlärningsmodeller, konvertera dem från flertalet olika format till ONNX-formatet och testa dem på medicinska bilddata i MICE Toolkit, en mjukvara för medicinsk bildanalys som utvecklas av NONPI Medical AB.
För mer information
Om du är intresserad av att lära dig mer om projektet eller hur vi använder avancerade djupinlärningsmodeller, vänligen kontakta: attila@nonpimedical.com
NONPI Medical AB utvecklar och implementerar programvaruverktyg för medicinsk bildanalys. Det föreslagna projektet fokuserar på utveckling av verktyg för att designa, förändra och träna djupinlärningsmodeller samt hela maskininlärningspipelines för medicinsk bildbehandling, såsom t.ex. för tumörsegmentering, superupplösning eller snedvridningskorrigering.
Det finns ett stort intresse inom t.ex. strålbehandling att använda djupa maskininlärningsmodeller, men många inom detta fält saknar rätt bakgrund för att göra ingående förändringar i befintliga modeller, eller för att utveckla egna modeller från grunden. Med detta som bakgrund har NONPI Medical AB utvecklat ett grafiskt verktyg för att definiera arkitekturen till djupinlärningsmodeller. Det befintliga verktyget är däremot byggt ovanpå Python, vilket tillför ett extra lager av komplexitet då det övriga programmet är skrivet i C#, samt problem när det underliggande djupinlärningsramverket förändras.
I detta projekt är målet att utvärdera olika metoder för att bygga djupinlärningsmodeller i C#, samt att hitta effektiva grafalgoritmer för att exekvera olika steg i en maskininlärningskedja på tillgängliga hårdvaruresurser.
Målet med dessa utvecklingar är att hjälpa till att möjliggöra användningen av befintliga djupinlärningsmodeller, samt att göra det möjligt för fler att kunna utveckla egna samt förändra och förbättra befintliga modeller och hela maskininlärningspipelines. NONPI Medical AB letar därför för närvarande efter magisteruppsatsstudent(er) (30hp) som vill utveckla sådana verktyg för användning inom medicinsk bildanalys.
För mer information
Om du är intresserad av att lära dig mer om projektet eller hur vi använder avancerade djupinlärningsmodeller, vänligen kontakta: attila@nonpimedical.com
AI för att förstå storskalig biologisk data
MIMS har med Johan Henrikssons forskargrupp etablerat ett nytt lab för att skapa single-cell data. Med denna metod så kan tusentals (rentav miljontals) celler mätas, en i taget. Den enorma datan gör det möjligt att ta ett nytt grepp för att förstå biologin där AI används för att bryta ner mätningarna till begripliga bestånsdelar.
Detta kommer med datalogiska utmaningar, från "hur kan vi med AI hitta en komprimerad datarepresentation?" till "hur hanterar vi effektivt flera terabyte med gles data?". Precis som partikelacceleratorn i CERN kräver biologin nu att vi löser avancerade datalogiska problem innan vi ens kan fundera på de biologiska frågorna.
Vi söker exjobbare på alla nivåer, från de som vill ta skapligt avgränsade problem till de som vågar försöka ge sig på helheten. Det är bra om du vill lära dig lite biologi. Python är numer vårt standardspråk, men vi använder även R, Java och C/C++ när situationen kräver det.
För mer information
Vänligen kontakta Johan Henriksson, forskare vid MIMS. Se även vår hemsida, www.henlab.org
Ericsson Internship/masteruppsats: Automatisk segmentering för semantisk SLAM-dataset
Läs mer på den engelska sidan.
