Umeå universitet, Institutionen för datavetenskap

Umeå universitet är ett av Sveriges största lärosäten med över 37 000 studenter och cirka 4 700 anställda. Vid universitetet finns en mångfald av utbildningar av hög kvalitet och världsledande forskning inom flera vetenskapsområden, och här gjordes den banbrytande upptäckten av gensaxen CRISPR-Cas9 som tilldelats Nobelpriset i kemi. Vid Umeå universitet är allt nära. Våra sammanhållna campus gör det lätt att mötas, samarbeta och utbyta kunskap, något som gynnar en dynamisk och öppen kultur.

Den samhällsomvandling och de stora gröna investeringar vi ser i norra Sverige skapar enorma möjligheter och komplexa utmaningar. För Umeå universitet handlar det om att bedriva forskning om – och mitt i – ett samhälle i omvandling. Men också om att leverera utbildningar för regioner som behöver expandera fort och hållbart. Det är helt enkelt här framtiden skapas.

Är du intresserad av att veta mer? Läs mer om Umeå universitet som arbetsplats.

 

Institutionen för datavetenskap vid Umeå universitet (http://www.cs.umu.se) söker en postdoktor med fokus på robust maskininlärning och datacenterad optimering med fokus på knappa data och icke standardardiserade modeller. Sista ansökningsdatum är 10/8 2020

WASP

Projektet är en del av Wallenberg AI, Autonomous Systems and Software Program (WASP), Sveriges största enskilda forskningsprogram någonsin! WASP är ett nationellt initiativ för strategisk grundforskning, utbildning och rekrytering. Programmet har initierats och finansieras av Knut och Alice Wallenbergs stiftelse (KAW). WASP:s vision är forskningsexcellens och kompetens inom artificiell intelligens, autonoma system och mjukvara, till gagn för såväl samhälle som industri. För mer information om forskning och andra aktiviteter se http://wasp-sweden.org/ .

Projektbeskrivning och arbetsuppgifter

Den snabba tillväxten av autonoma system inom olika tillämpningar innebär utmaningar såväl när det gäller att hantera knappa data som att hantera petabytes av data i olika sammanhang. Maskininlärning har nått stora framgångar med standardantagandet att stora datamängder finns tillgängliga. Men det återstår stora utmaningar inom de områden där detta inte är sant. Datats storlek och heterogena karaktär gör att maskininlärningsmodellerna blir större och mer komplexa. Klassiska centraliserade metoder för träning, inlärning och slutsatsdragande drabbas av problem med knappa data, icke standardiserade modellinställningar, datacentrerad optimering (centraliserad och distribuerad), kommunikation, beräkningar, synkronisering med mera. Detta projekt fokuserar på design och implementation av algoritmer för robust maskininlärning och datacentrerad optimering för icke standardiserade modeller och datamängder i hela spannet från knappa data till petabytes, som är idealiska för omgivningar med bivillkor och edge-infrastrukturer.

Syftet med detta projekt är att designa och implementera robusta, datacentriska inlärnings- och optimeringstekniker för att förbättra state-of-the-art maskininlärningsalgoritmer som använder geografiskt distribuerade, känsliga och knappa data. Robusta inlärningsalgoritmer och datacentrerade optimeringsalgoritmer förbättrar modellerna genom flernivåträning (lokalt, globalt och hybrid), inlärning, och inferens med datacentrerad optimering för knappa data och icke-standardiserade modeller.

Genom att skapa unika funktioner (t.ex. decentraliserad träning, inlärning och inferens, feltolerans mot fel och attacker, datacentrerad optimering, robusthet), hanterar detta projekt utmaningarna inom följande områden: robust inlärning; inlärning med knappa data och icke standardiserade modeller; avsaknad av teoretisk kunskap för att manuellt bygga modeller; beräkningseffektiv inlärning och optimering för att erhålla mer noggranna och robusta modeller med tillämpning i kontexter med bivillkor (t ex industriellt Internet of Things, (IIoT) och hälsovårdssystem) och edge-infrastrukturer.

Befattningen är placerad vid institutionen för datavetenskap. Innehavaren förväntas bidra till den lokala forskningsmiljön genom att aktivt delta i institutionens och forskargruppers aktiviteter som workshops, seminarier etc. Främst förutses samarbete med forskningsgruppen inom autonoma distribuerade system, men samarbete med forskare i t.ex. maskininlärning, matematisk statistik, optimering, djupinlärning, pålitligt lärande och artificiell intelligens förväntas. (För mer information se www.cloudresearch.org).

Om anställningen

Anställningen omfattar heltid (100 %) under två år. Postdoktorer erbjuds vanligtvis möjligheten att få undervisningserfarenhet på lämpliga grundutbildningskurser. Förväntat startdatum är 1/10 2020 eller enligt överenskommelse.

Kvalifikationer

Behörig för att anställas som postdoktor är den som har avlagt doktorsexamen eller utländsk examen som bedöms motsvara doktorsexamen i artificiell intelligens, maskininlärning, datavetenskap eller annat relevant ämnesområde. Examen ska vara avlagd högst tre år före ansökningstidens utgång om inte särskilda skäl föreligger.

Sökande ska ha mycket goda kunskaper i maskininlärnings- och optimeringstekniker. Dokumenterad kunskap om databearbetning och inlärning i decentraliserad kontexter är ett krav. Erfarenhet inom något av områdena robust inlärning, feltolerant inlärning och datacentrerad optimering när data är geografiskt distribuerat, känsligt, och knappt är en merit.

Eftersom forskningen bedrivs i en internationell forskningsmiljö krävs förmåga till såväl självständigt arbete som att samarbeta och bidra till lagarbete. Mycket goda kunskaper i talad och skriven engelska krävs.

Eftersom vi strävar efter en mer balanserad könsfördelning inom institutionen uppmuntrar vi kvinnor som sökande.

Ansökan

En fullständig ansökan ska innehålla:

  • Ett följebrev med en kort (cirka 2 sidor) beskrivning av dina forskningsintressen relaterade till ovan beskrivna ämnen, och hur din expertis passar utlysningen,
  • Curriculum Vitae (CV), med en komplett publikationslista
  • Kopior av doktorsexamensbevis och andra relevanta examensbevis samt studieutdrag inklusive kurser med betyg,
  • En kopia av din doktorsavhandling, samt kopior av högst fem relevanta vetenskapliga publikationer, numrerade enligt publikationslistan,
  • Kontaktinformation till tre referenspersoner
  • Annan information som är relevant för din ansökan, t ex en beskrivning av dina erfarenheter av mjukvaruutveckling, eller erfarenheter från industrin.

Ansökan ska vara skriven på engelska eller svenska. Dokument måste vara i Word- eller pdf-format. Ansökan ska lämnas elektroniskt genom e-rekryteringssystemet vid Umeå universitet. Sista ansökningsdag är den 10/8 2020. Referensnummer: AN 2.2.1-938-20.

För ytterligare information kontakta biträdande lektor Monowar Bhuyan, monowar@cs.umu.se, eller professor Erik Elmroth; elmroth@cs.umu.se

Institutionen för datavetenskap är en dynamisk institution med ca 120 anställda från drygt 20 länder. Vi bedriver utbildning och forskning inom ett brett spektrum av det datavetenskapliga området. Forskargruppen Autonoma distribuerade system har sitt fokus på design, utveckling och användning av distribuerade inlärningsalgoritmer för (autonom) resurs- och applikationshantering inom olika typer av IoT, datormoln och distribuerade system.

 Välkommen med din ansökan!

Anställningsform Tidsbegränsad anställning
Anställningens omfattning Heltid
Tillträde 20-09-01 eller enligt överenskommelse
Löneform Månadslön
Antal lediga befattningar 1
Sysselsättningsgrad 100
Ort Umeå
Län Västerbottens län
Land Sverige
Referensnummer AN 2.2.1-938-20
Kontakt
  • Monowar Bhuyan, 090-786 67 05
  • Erik Elmroth, 090-786 69 86
Facklig företrädare
  • SACO, 090-786 53 65
  • SEKO, 090-786 52 96
  • ST, 090-786 54 31
Publicerat 2020-06-17
Sista ansökningsdag 2020-08-10

Tillbaka till lediga jobb