Uppsala universitet, Institutionen för informationsteknologi

Institutionen för informationsteknologi erbjuder utbildning och forskning av högsta internationella standard. Institutionen utbildar ungefär 4 000 studenter varje år, och omfattar omkring 30 forskargrupper. Vårt starka fokus på forskning har stort inflytande på grundutbildningen vid institutionen, som bygger vidare på aktiviteter inom IT som tog fart redan på mitten av 60-talet. För mer information, se: http://www.it.uu.se/.

Vid Avdelningen för beräkningsvetenskap bedrivs forskning inom hela kedjan av vad som behövs för simulering; matematiskt beskriva det undersökta fenomenet, formulera en lösningsmetod för det matematiska problemet och slutligen konstruera datorprogram som på ett effektivt sätt implementerar den utvecklade lösningsmetoden för att göra simuleringen möjlig. För mer information, se http://www.it.uu.se/research/scientific_computing.

Projektbeskrivning: Federerad maskininlärning med tillämpning i strålbehandling av cancer.
Du kommer att bedriva forskning inom forskargruppen Integrative Scalable Computing Laboratory (http://iscl.research.it.uu.se). Kandidaten förväntas bidra aktivt till forskningsmiljön, som samlar forskare med intresse för storskaliga distribuerade beräkningar, data science and engineering, och mjukvaruutveckling. Denna anställning ingår i den strategiska forskningssatsningen eSSENCEs postdoktorprogram inriktat mot nya e-vetenskapliga metoder och verktyg för artificiell intelligens i forskningen.

Forskningsprojektet kommer att bedrivas i nära samarbete med maskininlärningsgruppen på RaySearch Laboratories. som leds av Dr. Fredrik Löfman. Gruppen utvecklar mjukvara baserad på djupinlärning för segmentering av medicinsk bilddata och maskininlärning för planering av strålbehandling. Postdoktorn kommer ges möjlighet att tillbringa tid hos RaySearch för att interagera med gruppen och lära sig om applikationsområdet.

Projektet har två huvudsakliga mål: 

  1. Tillgängliggöra känslig träningsdata för att förbättra organsegmentering med djupinlärning.
  2. Vidareutveckla och förbättra federerad maskininlärningsmetodik (FedML) . FedML är en ny klass av decentraliserade metoder för att träna maskininlärningsmodeller på ett sätt som inte kräver att data delas.  

I många situationer är det inte möjligt att centralisera data för att träna modeller. Anledningarna kan vara olika, så som av regulatoriska skäl, för att dataseten är för stora, eller för att datan är känslig. I de fallen kan FedML möjliggöra för olika dataägare att gemensamt träna en modell utan att dela data med varandra. Projektet syftar till att utveckla nya metoder för FedML. Ett centralt mål är att förbättra metodens prestanda, skalbarhet och robusthet, demonstrerat genom en applikation inom organsegmentering med djupinlärning.

Mjukvara för att planera strålbehandling hjälper klinisk personal utveckla de komplexa behandlingsplaner som behövs för att leverera strålning till cancertumörer med hög noggrannhet utan att skada vävnad och organ. En kritisk del av processen är noggrann segmentering av organ från 3D-bilder på patienten.  Detta har tidigare varit ett manuellt och tidskrävande steg. Nyligen har automatiserad segmentering av organ med hjälp av djupinlärning visat stor potential för att förbättra både noggrannhet och hastighet. Men metodiken kräver stora mängder expertannoterad klinisk data från olika delar av kroppen. Projektet syftar här till att demonstrera hur FedML kan underlätta samarbete kring modeller baserad på privat och känslig träningsdata.

Arbetsuppgifter: Anställningen avser forskning, som skall bedrivas i samarbete med forskare i DCA-gruppen, samt viss andel undervisning och institutionsuppgifter, dock max 20%. Arbetet involverar konferensresor och presentationer, och kan komma att involvera även längre utbyten vid andra universitet. 

Kvalifikationskrav: För anställning som postdoktor ska du ha doktorsexamen, eller en utländsk examen som bedöms motsvara doktorsexamen, i beräkningsvetenskap, datavetenskap, tillämpad matematik, statistik eller relaterade områden. Examen ska ha avlagts högst tre år före ansökningstidens utgång. Om det finns särskilda skäl kan examen vara äldre än tre år. Med särskilda skäl avses ledighet på grund av sjukdom, föräldraledighet, förtroendeuppdrag inom fackliga organisationer etc.

Kandidaten måste ha dokumenterad erfarenhet av avancerad och tillämpad maskininlärning och programmering. Personliga egenskaper som engagemang, motivation, initiativförmåga och självständighet är värdefulla. Goda kunskaper i talad och skriven engelska krävs.

Önskvärt/meriterande i övrigt: Dokumenterad erfarenhet av:

  • Distribuerade beräkningar och molnberäkningar
  • Datasäkerhet
  • Bildanalys
  • Mjukvaruutveckling 

Ansökningsförfarande: Ansökan ska innehålla ett ansökningsbrev (inte längre än 2 sidor) där den sökande beskriver sin vetenskapliga bakgrund och ger en sammanfattning av avhandlingsarbetet i relation till state-of-the-art. Ansökan ska också innehålla en meritförteckning (CV), kopia av relevanta betygshandlingar, en lista över relevanta publikationer och kontaktuppgifter till tre referenspersoner.

Uppsala universitet värdesätter de kvaliteter som jämn könsfördelning och mångfald tillför verksamheten. Vi ser därför gärna sökande av alla kön och med olika födelsebakgrund, funktionalitet och livserfarenhet.

Lön: Individuell lönesättning.

Tillträde: Så snart som möjligt, dock senast 2020-09-01.

Anställningsform: Tidsbegränsad anställning i två år enl centralt kollektivavtal.

Anställningens omfattning: 100 %

Upplysningar om anställningen lämnas av:  Docent Andreas Hellander, andreas.hellander@it.uu.se.

Välkommen med din ansökan senast den 3 april 2020, UFV-PA 2020/619.

Anställningsform Tidsbegränsad anställning
Anställningens omfattning Heltid
Tillträde Så snart som möjligt, dock senast 2020-09-01.
Löneform Individuell lönesättning.
Antal lediga befattningar 1
Sysselsättningsgrad 100%
Ort Uppsala
Län Uppsala län
Land Sverige
Referensnummer UFV-PA 2020/619
Facklig företrädare
  • Seko Universitetsklubben, seko@uadm.uu.se
  • ST/TCO, tco@fackorg.uu.se
  • Saco-rådet, saco@uadm.uu.se
Publicerat 2020-02-27
Sista ansökningsdag 2020-04-03

Tillbaka till lediga jobb