Tips på aktuella exjobb

Exjobb med våra forskargrupper

Forskningen vid Institutionen för datavetenskap spänner över en stor bredd av områden, och många av forskarna har projekt som passar bra att göra examensarbete inom. Du hittar kontakpersonerna under respektive område nedan.

Open Set Learning and Anomaly Detection in Vision Tasks (15 eller 30 hp)

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.

Path Planning and Object Manipulation with Industrial Robotic Arms (30 hp)

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:

• Erfarenhet av ROS (Robot Operating System) för både praktiska och simuleringsmiljöer.
• Bekväm med Python/C++.
• Tidigare kurser i robotik och ett starkt intresse för området är en bonus.

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.

Multimodal Machine Learning, Reasoning, and Compositional Generalization (15 eller 30 hp)

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.

Visualisering och bearbetning av atmosfärsdata (15 eller 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 masterexamensarbeten är:

• Utveckla och utvärdera ett UI för forskare runt existerande visualiseringar,
• GPU och/eller multi-core accelerering av existerande algoritmer och rendering,
• ”On the fly” interpolering, samt
• Rendering av volymetrisk punktmolnsdata.

Inom OpenSpace har vi ett nära samarbete med Visualiseringscenter C i Norrköping. Därför kan ett examensarbete på masternivå göras som ett samarbetsprojekt med dem, vilket kan innebära kortare eller längre vistelser i Norrköping.

För mer information, kontakta:

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 examensarbetesstudenter 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.

Om detta låter som något för dig, vänligen kontakta Tommy Löfstedt för mer information om detta, och andra potentiella projekt.

Högpresterande Riemann-optimering av TTN (30 hp)

Vid maskininlärning är en intressant paradigm att träna modeller baserade på Tree Tensor Networks (TTN) genom Riemann-optimering (se New Journal of Physics: Riemannian geometry and automatic differentiation for optimization problems of quantum physics and quantum technologies).

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.

Här finns mer bakgrund om uppdraget för examensarbetet.

Högpresterande TTN-kontraktion för maskininlärning i realtid (30 hp)

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, till exempel:

• de interna tensorerna kan omformas för att bättre passa hårdvaran
• beräkningen kan parallelliseras på CPU/GPU/TPU över en eller flera kontraktioner eller över multipla datamängder, baserat på problemstorleken och hårdvarans kapacitet
• ordningen i vilken kontraktionerna utförs kan optimeras.

En optimal strategi för snabb inferens är ytterst viktigt i alla ML-scenarion, men särskilt när ML-modeller används i realtids-tillämpningar. Några prominenta applikationsområden är: Objekt-detektering i självkörande fordon, on-line databearbetning i fabriker, finansiell analysis med big data, med flera.

Här finns mer bakgrund om uppdraget för examensarbetet.

Exjobb inom programvaruutveckling eller datorsäkerhet (15 eller 30 hp)

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 och skydda kod från buggar och förebygga attacker. Här är ett exempel på hur vår forskning direkt påverkar system som används i samhället.

Vår forskning är fokuserad på olika ämnen inom programvaruutveckling och datorsäkerhet, till exempel:

• Programvarutestning
• Analys av program
• Analys av skadliga program (malware)
• Reverse engineering
• Hur svagheter i system utnyttjas och förbyggs
• Skyddande av data
• Integritet

Planerar du att göra ditt exjobb, om 15 eller 30 hp, inom programvaruutveckling och/eller datorsäkerhet?

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

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.

Sekretess vid maskininlärning, medicinsk bildbehandling och automatisering (30 hp) 

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 examensarbetesstudenter som är intresserade av dessa frågor.

Människomedveten artificiell intelligens (15 eller 30 hp)

AI fokuserar traditionellt på att optimera prestationskriterier (till exempel att optimera produktiviteten i en fabrik), ofta utan att ta hänsyn till påverkan på mänskliga variabler (som exemeplvis utmattade 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.

Du kan välja att göra ditt examensarbete inom flera olika ämnen. Vilket du än väljer, så kombinerar de en praktisk tillämpning genom att involvera 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:

• Tillämpning av toppmoderna maskininlärningslösningar för att upptäcka förekomster av humor i videor, med tillämpning inom utbildningsforskning
• Tillämpning av toppmoderna LLM-lösningar för att upptäcka olika typer av matematisk resonemang i texter, med tillämpning inom utbildningsforskning
• Utvidgning av automatiserad planering med förmågan att förutse och undvika den ångest det kan orsaka hos användaren
• Tillämpning av toppmodern ämnesmodellering för att automatiskt identifiera maktdynamik/diskriminering i texter/videor/etc.

Metoderna och ämnena kan anpassas och kombineras.

Om handledaren
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.

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.

Jag kan också ge dig stöd för en fortsatt forskarbana, med allt från att få tvärvetenskapliga färdigheter till att skriva artiklar och få 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.

AI-modeller för mänskligt övervägande (15 eller 30 hp)

Den ursprungliga 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.

Den här projektlinjen 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.

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.

Du kan välja att göra ditt examensarbete inom flera olika ämnen. Vilket du än väljer, så kombinerar de en praktisk tillämpning genom att involvera 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 inkluderar till exempel:

• Omvandla klassiska (matematiska) representationer av osäkerhet så att de inkluderar (psykologiska) mänskliga faktorer
• Utveckla realistiska agentbaserade modeller för att simulera upplevelsen och responsen på ångest
• Replikera påverkan av specifika psykosociala faktorer på framväxande sociala dynamiker
• Simulera kreativt tänkande med hjälp av stora språkmodeller.

Metoderna och ämnena kan anpassas och kombineras.

Om handledaren
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.

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.

Jag kan också ge dig stöd för en fortsatt forskarbana, med allt från att få tvärvetenskapliga färdigheter till att skriva artiklar och få 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.

AI-stöd för kunskapsinsamling med hjälp av heterogen dataanalys och federation (15 eller 30 hp)

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 (till exempel känslor, känslor, politisk syn med mera), personlig integritetsanalys och ontologibaserad kunskapsgrafkonstruktion med mera.

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 (exempel är spårning och inferens av Covid-pandemihändelser, medicinsk screening, energiförbrukning och anomaliprognos, genetik och hälso- och sjukvård med mera). Vi vill gärna ha en diskussion med dig om vad som kan vara ett lämpligt examensarbete för just dig.

För mer information, kontakta:

Objektmanipulation med en molnbaserad robotarm

Observera att denna text är översatt från engelska, byt till den engelska sidan för originaltext.

Vi är glada att kunna tillkännage ett nytt MSc-projekt med fokus på objektmanipulation med hjälp av robotarmar. I detta projekt kommer en robotarm utrustad med en gripare att stapla kuber genom att använda objektigenkänningsfunktioner (OD), som utförs på edge- eller molnberäkningsplattformar. Projektet betonar integrationen av avancerad robotstyrning med realtidsdatabehandling och beslutsfattande.

Du kommer att utveckla strategier för robotmanipulation där platsinformation tillhandahålls av olika objektigenkänningsmodeller, som var och en erbjuder olika nivåer av noggrannhet. Projektet innefattar också att utforma metoder för att optimera resurseffektivitet och minimera latens, med hänsyn till de varierande kraven på tjänstekvalitet (QoS). Dessa variationer i QoS leder till avvägningar i resursförbrukning, vilket ger en möjlighet att utforska innovativa lösningar för att balansera prestanda och beräkningsmässig effektivitet.

Vi söker motiverade studenter som är:

• Kunniga i Python-programmering.
• Bekanta med Kubernetes och containeriserade applikationer.
• Erfarna i att finjustera maskininlärningsmodeller för objektigenkänning.

Detta projekt ger en utmärkt möjlighet att arbeta med banbrytande teknik i skärningspunkten mellan robotik, molnberäkning och maskininlärning. Gör ditt exjobb med oss för att bidra till utvecklingen av skalbara, effektiva och intelligenta molnrobotiksystem!

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, det vill säga 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 att jämföra teoretiska och praktiska resultat.

Högpresterande kärnor för tensorberäkningar (30 hp)

I en tidigare undersökning, The landscape of software for tensor computations, 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 är allt från maskininlärning och data science till computational chemistry och computational mechanics.

MatchC: ett C/C++ bibliotek för mönstermatchning (30 hp)

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 en 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 startpunkt och referens för detta projekt. Se även Efficient Pattern Matching in Python.

Cybersecurity + Distributed/Tiny/Machine Learning + Computer Systems (15 eller 30 hp)

Växla den här sidan till engelska för att läsa om projektet.

 

Exjobb med externa parter

Vidareutveckling av Android-applikation som diagnostiserar hörselnedsättningar (15 eller 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 kliniska diagnostiska standardmetoder. 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. 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 Innovation och andra företag.

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.

Utveckling av videoanalysmodell för kvarnövervakning i gruvindustrin (30 hp)

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.

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 följande delar.

Förberedelser:

• Problemformulering
• Definiera faktorer som påverkar kvarnens körning i dagsläget
• Samla in och extrahera data.

Arbete med modellen:

• Förbehandla och utvärdera olika metoder
• Testa modellen på träningsdata och utvärdera hur väl den presterar
• Finjustera parametrar efter utvärderingsresultat
• Implementera: använd modellen och analysera skarp bildström.

Vi söker dig som:

• Studerar en civilingenjörsutbildning med examensarbete på 30 hp
• Har kunskap och intresse inom videoanalys, maskininlärning, AI
• Är analytisk, noggrann och har ett intresse för processoptimering.

Vad vi erbjuder:

• Möjlighet att arbeta med avancerad teknik och innovativa lösningar
• En lärorik miljö med erfarna kollegor
• Skapa kontakter med vår samarbetspartner Boliden
• En chans att bidra till en mer effektiv och hållbar gruvindustri.

Låter detta som ett examensarbete för dig? Tveka inte att skicka in ditt cv och personliga brev till oss. Berätta även om dina erfarenheter inom detta område från till exempel tidigare jobb, projekt eller kurser du läst, samt hur du tror att du skulle kunna angripa detta problem.

För mer information, kontakta:
Jenni Sandgren, application engineer
jenni.sandgren@se.abb.com

Exjobb inom Cloud Computing

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.

Ansökan och för mer information
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.
• Förslag på ämne till din masteruppsats (valfritt).

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 uppsats 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 en tidigare. Genom hela examensarbetet kommer du att samarbeta nära med andra experter inom AI/ML för att utforma en lösning som syftar till att förbättra det nuvarande rapporthanteringsverktyget.

För mer information, kontakta:
Tobias Sundqvist
tobias.sundqvist@tietoevry.com
070-323 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 (30 hp)

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.

För mer information, kontakta:
Simon Renström, grundare av RebelBetting
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. Det 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 tillgängligheten av 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.

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 maskininlärningsverktyg för att lära sig förutsäga mönster av respons på torka i tallplantor som exponeras för torka, med hjälp av tidsförloppsbilder. Metoder för maskininlärning (ML) 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, kontakta:
Rosario Garcia Gil, Umeå Plant Science Centre
m.rosario.garcia@slu.se

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, kontakta:
Rosario Garcia Gil, Umeå Plant Science Centre
m.rosario.garcia@slu.se

Vill du arbeta tvärvetenskapligt med medicinsk teknik på Region Västerbotten? (15 eller 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 30 hp. 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.

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, kontakta:
Tommy Eriksson, VD på Evity
070-696 70 22
tommy@evity.hr

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

NONPI Medical AB utvecklar och implementerar programvaruverktyg för medicinsk bildanalys. Det föreslagna projektet fokuserar på djupinlärningsmetoder för medicinsk bildbehandling, till exempel tumörsegmentering, superupplösning eller snedvridningskorrigering.

Det finns många olika ramverk att välja mellan för implementering av djupinlärningsmodeller. Det är bra för utveckling och forskning, men det delar samtidigt också upp fältet och publicerad kod i fraktioner beroende på vilket ramverk som används. 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 en eller flera magisteruppsatsstudenter 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, kontakta:
attila@nonpimedical.com

Djupinlärningsmodeller för medicinsk bildbehandling (30 hp)

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, som till exempel för tumörsegmentering, superupplösning eller snedvridningskorrigering.

Det finns ett stort intresse inom bland annat 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. Verktyget är 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.

Målen med dessa utvecklingar är att hjälpa till att möjliggöra användningen av befintliga djupinlärningsmodeller och att göra det möjligt för fler att kunna utveckla egna, samt att förändra och förbättra befintliga modeller och hela maskininlärningspipelines. NONPI Medical AB letar därför för närvarande efter en eller flera magisteruppsatsstudenter som vill utveckla sådana verktyg för användning inom medicinsk bildanalys.

För mer information, kontakta:
attila@nonpimedical.com

AI för att förstå storskalig biologisk data

Med Johan Henrikssons forskargrupp har MIMS 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 beståndsdelar.

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 dig som vill ta dig an mer avgränsade problem till dig som vågar försöka ge dig på helheten. Det är bra om du vill lära dig lite biologi. Python är numera vårt standardspråk, men vi använder även R, Java och C/C++ när situationen kräver det.

Läs mer om Henriksson Lab på www.henlab.org

Ericsson Internship/masteruppsats: Automatisk segmentering för semantisk SLAM-dataset

Läs mer på den engelska sidan.

Enhetlig datavisualisering för rymdväder

SpaceWEather Service NETwork (SWESNET) tillhandahåller under försorg av den Europeiska Rymdstyrelsen (ESA) en webbportal (swe.ssa.ea.int) som samlar olika rymdväderdata och -visualiseringar från olika europeiska expertgrupper. Institutet för rymdfysik (IRF) deltar som den svenska expertgruppen. Slutanvändarna är forskare, kraftbolag, norrskensturister och -företag, samt den bredare allmänheten med rymdintresse.

Projektets mål är att ta fram en rekommendation för färgschema att använda i SWESNETs dataprodukter. Dessa färgscheman ska få liknande produkter att harmonisera, vara vetenskapligt rättvisande, mer intuitiva när de visas sida vid sida, samt öka den övergripande digitala tillgängligheten för portalens innehåll.

Du som vill göra ditt examensarbete om det här projektet kommer att introduceras genom att få del av förstudier och dess källor, samt beskrivningar om vetenskapen bakom produkterna och portalens syften. Idéer och resultat diskuteras löpande under projektets gång tillsammans med en styrgrupp från den geofysiska expertgruppen.

Föreslagna färgscheman kommer implementeras i ett fåtal utvalda produkter, med assistans från ägande expertgrupper, och utvärderas i en testkampanj med slutanvändare där prototyper och skärmdumpar används. Implementationsspråk varierar mellan produkterna så riktlinjer presenteras i första hand språkoberoende, men referensimplementationer i något välanvänt språk som Python vore användbart men inte obligatoriskt.

För mer information, kontakta:
Lars-Henrik Snow, operativ IT-chef vid Institutet för rymdfysik
lars-henrik.snow@irf.se