Hoppa direkt till innehållet
printicon
Huvudmenyn dold.

Aktuella exjobb - institutionen för datavetenskap

Det är dags att fundera på din framtid och därmed också ditt exjobb. Här listar vi några tips på forskargrupper och företag som kan vara intressanta!

Samarbeta med oss

Söker du studenter till din forskargrupp eller företag och vill vara med på denna lista? Kontakta Jan-Erik Moström, studirektor vid institutionen för datavetenskap vid Umeå universitet. 

Exjobb – forskargrupper

Är du en snabb problemlösare som gillar att arbeta i team och vill arbeta inom robotik/AI? (30hp)

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).

 

Vill du motverka cyberattacker, jobba med datasekretess eller skydda användarnas privata data? (30hp)

Autonomous Distributed Systems Lab arbetar med säkerhet och integritet, distribuerad maskininlärning och pålitlig maskininlärning. Vi strävar efter att bygga intelligenta, anpassningsbara, säkra och motståndskraftiga system som fungerar i komplexa och verkliga miljöer. Nu söker vi masterstudenter som vill göra sitt examensarbete (30P) inom vår forskningsgrupp. Framförallt söker vi dig som:

  • Vill undersöka hur man upptäcker nya cyberattacker
  • Hur man maximerar upptäcktsförmågan hos djupa maskininlärningsalgortimer samtidigt som man upprätthåller datasekretess med en minsta mängd resurser
  • Hur man säkerställer dataosäkerhet tillsammans med integritet i federerat lärande
  • Hur man optimerar prestanda för maskininlärningskluster via schemaläggnings- och sprintpolicyer
  • Hur man lär sig av små data
  • Hur skyddar jag användarnas privata data under inlärning "on the edge"?

För mer information
Om detta verkar vara intressant, kontakta Monowar Bhyan, biträdande universitetslektor vid institutionen för datavetenskap via e-post: monowar@cs.umu.se så diskuterar vi ett passande mastersarbete.

Sekretess vid maskininlärning, medicinsk bildbehandling och automatisering (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.

 

Vill du arbeta med ansvarsfull AI-design och humancentrerad AI? 

The Responsible Artificial Intelligence Group är särskilt intresserade av att studera den etiska och samhälleliga effekten av AI och utveckla verktyg och metoder för att mildra negativa effekter, liksom agenter som bättre kan interagera till människor och samhällen. Vi är öppna för en mängd olika förslag, alltifrån etiska bedömningar, till att använda våra designmetoder och verktyg för konkreta tillämpningar; från hård programvara för demonstrationer till vetenskaplig verksamhet. Exempelvis utvecklar vi en kognitiv komponent för att hantera ångest och hur man kan undvika detta, och här strävar vi nu efter att göra en tilltalande demo. Vad händer t ex om vi skulle utöka ett videospel med en orolig karaktär? Eller om man gör ett häftigt VR-spel där spelaren kan hantera den stressnivå som hen troligen kommer att möta, istället för "svårighetsgrad" i spelet?

För mer information
Vänligen kontakta Loïs Vanhée universitetslektor vid institutionen för datavetenskap via e-post: lois.vanhee@umu.se så pratar vi vidare.

AI-stöd för kunskapsinsamling mha heterogen dataanalys och federation

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.

Moln/edge + AI + hyperdistribuerade applikationer (30hp)

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.

Förbättrad förståelse för träningens betydelse för djupa neuronnät

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.

Exjobb – externa partners 

Utveckla nya features för internationella Evity?

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

Intresserad av öppen källkodssamling baserad på toppmoderna djupinlärningsmodeller och metoder för medicinsk avbildning? (30hp)

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

 

Djupinlärningsmodeller för medicinsk bildbehandling

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