Doktorand i datavetenskap med inriktning mot distribuerad djupinlärning - Befattningen är under tillsättning eller redan tillsatt, och det är inte längre möjligt att lämna in en ansökan

Umeå universitet söker en doktorand i datavetenskap med inriktning mot distribuerad djupinlärning för anomalidetektion i distribuerade datormoln och Internet of Things (IoT). Anställningen är placerad vid institutionen för datavetenskap. Forskarutbildningen omfattar fyra års heltidsstudier. Sista ansökningsdag är den 20/2 2020.

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). WASPs 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/ .

Forskarskolan inom WASP erbjuder grunder, nya perspektiv och spetskunskap inom olika vetenskaper med undervisning av ledande forskare. Genom ett ambitiöst program med forskningsbesök, partneruniversitet och besökande föreläsare stödjer forskarskolan aktivt byggandet av ett starkt tvärvetenskapligt och internationellt professionellt nätverk mellan doktorander, forskare och industrin. Den erbjuder ett mervärde utöver universitetens existerande doktorandprogram och en unik möjlighet för studenter som lockas av internationell forskning i världsklass med hög industriell relevans.

Projektbeskrivning
Huvudmålet är att utveckla metoder, främst distribuerade djupinlärningsalgoritmer, för anomalidetektion, prediktion och diagnos i distribuerade datormoln och IoT genom att använda flerskiktad molnarkitektur från edge till centralt datacenter. På grund av större och större datamängder ställs de centraliserade modellerna för snabbt och exakt lärande från en stor volym heterogena data (dvs video, röst, bild, sensordata) inför allt större utmaningar gällande automatisering, beräkningar och effektiv detektering. Distribuerad djupinlärning kommer att ta itu med dessa problem genom att utveckla metoder som kombinerar lokal (klient-noden) och global (central kontrollenhet)  inlärning och inferens för upptäckt av anomalier. Inledande beslut tas på klientenheten och slutliga beslut på den centrala kontrollenheten sedan data uppdaterats. Användningen av flerskiktade beräkningsnoder (från edge till datacenter) kommer att öka tillförlitligheten och robustheten hos inlärningsmodellerna.

Anomalidetektion, prediktion och diagnostik är avgörande för att säkerställa prestanda och säkerhet hos distribuerade moln och IoT. De öppna problemen har fokus på att öka tillförlitligheten och robustheten hos inlärningsalgoritmer när beräkningarna decentraliseras, alltifrån edge till avlägsna datormoln. Vi avser att utveckla distribuerade djupa inlärningsmetoder för säkerhets- och prestandaanomalidetektion i distribuerade moln och IoT.

Anställningen är avsedd för forskarstudier i datavetenskap inom forskargruppen Distribuerade system, men samarbete med forskare i t.ex. maskininlärning, matematisk statistik, optimering, djupinlärning, eller artificiell intelligens förväntas. (För mer information se www.cloudresearch.org).

Kvalifikationer
De grundläggande behörighetskraven för att bli antagen till utbildning på forskarnivå är avlagd examen på avancerad nivå, eller slutförda kurser om minst 240 högskolepoäng, varav minst 60 högskolepoäng på avancerad nivå, eller motsvarande utländsk utbildning, eller motsvarande kvalifikationer.

De särskilda behörighetskraven för att antas till utbildning på forskarnivå i datavetenskap är slutförda kurser på avancerad nivå om minst 60 högskolepoäng i datavetenskap eller i ett annat ämne som bedöms vara direkt relevant för den aktuella forskningsinriktningen.

Dokumenterad kunskap om och en solid bakgrund inom maskininlärning och/eller distribuerade system är ett krav. Forskningen är till stor del tvärvetenskaplig och en bred kompetensprofil och erfarenhet från andra relevanta områden (såsom maskininlärning, distribuerat lärande, IoT, diskret optimering och statistiska metoder) är en merit.

Viktiga personliga egenskaper är, förutom kreativitet och nyfikenhet, förmågan att arbeta både självständigt och i grupp och erfarenhet av vetenskapliga interaktionen med forskare från andra discipliner och i andra länder. Förmåga att både tala och skriva engelska flytande är ett krav.

Om anställningen
Anställningen är avsedd för forskarstudier syftande till en doktorsexamen och är tidsbegränsad till fyra år heltid eller upp till fem år vid undervisning deltid (max 20%). Deltagande i WASP’s forskarskola ingår i studierna.  Tillträde snarast möjligt eller enligt överenskommelse.

Ansökan
En fullständig ansökan ska innehålla:

• Ett personligt brev med kort beskrivning av dina forskningsintressen och en motivering varför du söker, samt din kontaktinformation
• En meritförteckning (CV)
• I förekommande fall kopior av kandidat- och masteruppsatser, samt andra vetenskapliga publikationer
• Betygskopior, examensbevis, samt dokumentation över avslutade akademiska kurser
• Kontaktinformation för två tillfrågade kontaktpersoner
• Dokumentation av andra relevanta erfarenheter och kompetenser, såsom mjukvaruutveckling eller arbete inom eller med industrin.

Ansökan ska vara skriven på svenska eller engelska. Bifogade dokument ska vara i Word eller pdf-format. Ansökan ska göras via Umeå universitets e-rekryteringssystem och vara inkommen senast 2020-02-20.

Institutionen värdesätter de kvaliteter som en jämn könsfördelning tillför verksamheten. Vi ser därför gärna kvinnor som sökande till befattningen.

Enligt Högskoleförordningen (12 kap, 2§) kan beslutet om anställning inte överklagas.

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

Välkommen med din ansökan!