Uppsala University, The Department of Information Technology

Uppsala universitet är ett brett forskningsuniversitet med stark internationell ställning. Uppgiften är att bedriva forskning och utbildning av högsta kvalitet och att på olika sätt samverka med samhället. Vår viktigaste tillgång är alla de individer som med sin nyfikenhet och sitt engagemang gör Uppsala universitet till en av landets mest spännande arbetsplatser. Uppsala universitet har 46.000 studenter, 7.300 anställda och en omsättning på 7,3 miljarder kronor.

Institutionen för informationsteknologi har en ledande position inom såväl forskning som utbildning på alla nivåer. Institutionen har i dag ca 280 anställda varav 120 lärare och 110 doktorander. Drygt 4000 studenter läser en eller flera kurser vid institutionen varje år och ett 30-tal forskargrupper är kopplade hit. Mer info: http://www.it.uu.se

Vid avdelningen för Systemteknik utvecklar vi metodik och konkreta verktyg för inlärning, resonerande och agerande baserat på uppmätta data. En av hörnstenarna i vår forskning är  probabilistiska modeller som gör att vi systematiskt kan representera och hantera den osäkerheten som finns i alla data. Ett viktigt mål är att utveckla flexibla modeller som kan beskriva komplexa dynamiska fenomen och deras omgivande miljöer så att maskiner och människor bättre kan förstå världen runt oss. Data och modeller är två av hörnstenarna i vår forskning. Den tredje hörnstenen är inlärningsalgoritmen, med det grundläggande målet att automatiskt konstruera modeller baserade på data. Det är fortfarande en stor utmaning att utveckla effektiva och exakta inlärningsalgoritmer som kan hantera högdimensionella modeller, datarika applikationer, komplexa modellstrukturer och olika datakällor som uppstår i många av de dataanalysproblem som vi för närvarande står inför. Den fjärde och sista hörnstenen i vår forskning är beslutsfattande/reglering. Huvuduppgiften här är att använda allt vi lärt oss för att automatiskt fatta beslut och påverka den aktuella situationen på ett lämpligt sätt. Information om vår forskning finns tillgänglig från denna populärvetenskapliga beskrivning https://www.uu.se/nyheter-press/nyheter/artikel/?id=9990&typ=artikel

Vid avdelningen har vi ett brett nätverk av starka internationella samarbeten runt om i världen, till exempel vid University of Cambridge, University of Oxford, Imperial College, University of British Columbia, University of Sydney, University of Newcastle och Aalto University. Vi strävar efter att alla doktorander ska få en gedigen internationell erfarenhet under sin doktorandtid.

Projektbeskrivning:
Forskningsprojekten för dessa tjänster kommer att ligga inom områdena maskininlärning (inklusive utveckling och analys av modeller och beräkningsmetoder) eller reglerteknik. Tre konkreta exempel på potentiella forskningsämnen anges kort nedan. Som sökande behöver du inte ange ett specifikt forskningsämne i din ansökan (men du är naturligtvis mycket välkommen att göra det om du vill). Faktum är att ämnen nedan främst tillhandahålls för att göra de annonserade positionerna mer konkreta. Vi välkomnar egna initiativ och det exakta forskningsämnet för varje doktorand avgörs i en dialog mellan studenten och handledaren. De tre problemformuleringarna som är mest relevanta för denna öppning är följande:

  1. Maskininlärningsmetoder för kausal inferens och analys: Moderna maskininlärnings-metoder (ML) är kapabla att lära sig träffsäkra prediktiva modeller med data från verkliga processer. De är dock illa rustade för att prediktera utfall under andra förhållanden än i de som datat insamlades. Detta faktum begränsar möjligheterna för konventionella ML metoder att lära sig beslutskonsekvenser utifrån data. För att övervinna sådana begränsningar är vi intresserade av att utveckla nya ML metoder som lär sig modeller medan de tar den kausala strukturer hos processeser i beaktning och därmed kan prediktera utfall under kontrafaktiska förhållanden. En sådan förmåga möjliggör skattning av inverkan av beslut och medierande faktorer på utfall i exempelvis medicinsk analys eller policy utvärdering.

    Detta projekt finansieras av Wallenberg AI, Autonomous Systems Program, WASP, som är Sveriges största enskilda forskningsprogram i modern tid. Programmet skapar en plattform för akademisk forskning och utbildning i nära samarbete med ledande svensk teknikintensiv industri. Forskningen innefattar artificiell intelligens och autonoma system som verkar i samarbete med människor och som anpassar sig till sin omgivning med hjälp av sensorer, information och kunskap och skapar intelligenta system av system. WASPs vision är excellent forskning och kompetens inom artificiell intelligens, autonoma system och mjukvara till gagn för svensk industri.

    Forskarskolan inom WASP har som mål att förse framtidens forskare med nödvändig kunskap för att kunna analysera, utveckla och bidra aktivt till den tvärvetenskapliga utvecklingen av artificiell intelligens, autonoma system och mjukvara. Genom ett ambitiöst program med forskningsbesök, partneruniversitet och gästföreläsare stöder forskarskolan aktivt bildandet av ett starkt multidisciplinärt och internationellt professionellt nätverk mellan doktorander, forskare och industri. Forskarskolan erbjuder därmed en unik möjlighet för de studenter som lockas av internationell forskning i världsklass med industriell relevans. För mer information: https://wasp-sweden.org/ och https://wasp-sweden.org/graduate-school/ 

  2. Datadriven reglerteknik och reinforcement learning: Målet med reglerteknik är att designa regulatorer för att få dynamiska system att bete sig på önskat sätt. Reglerteori spelar en viktig roll inom många tillämpningar, från enkla hushållsapparater till industriella maskiner, självkörande fordon och rymdfarkoster. Reinforcement learning (RL) är ett område inom maskininlärning där målet är att använda uppmätt data för att förbättra ett systems beteende över tid. De senaste åren har intresset för RL ökat till följd av framgångar som lett till att datorer lärt sig slå de bästa mänskliga spelarna i flera välkända spel.

    Även om målen för reglerteori och RL linkar varandra, så har forskning inom dessa fält traditionellt inte överlappat särskilt mycket. I vår forskargrupp finns expertis inom dynamiska system, reglerteori och maskininlärning. Detta utgör en bra blandning för forskning i skärningspunkten mellan reglerteori och RL. En möjlig forskningsinriktning är datadriven reglerteknik för styrning av icke-linjära dynamiska system. Målet är då att designa regulatorer som kan lära sig från uppmätt data för att förbättra ett systems beteende. Här kan idéer från adaptiv och optimal styrning, samt systemidentifiering och RL, användas på nya och spännande sätt.

  3. Utveckla djupa dynamiska modeller: Många verkliga system är dynamiska processer. Genom att lära oss modeller av sådana system får vi insikter om deras dynamik, får förmågan att förutsäga deras beteende och i vissa fall även styra deras utsignal. Nyligen har lovande framsteg gjorts när det gäller att utveckla djupa dynamiska modeller baserade på modeller för probabilistisk dimensionsreduktion (variational autoencoder). Vi ser att mycket arbete återstår att göras inom detta område där kompetensen i vår grupp inom dynamisk modellering och maskininlärning ger oss en mycket bra utgångsposition. Tänkbara tillämpningar finns till exempel inom robotik, datorseende och experimentell fysik.

Arbetsuppgifter: Doktoranden ska främst ägna sig åt den egna forskarutbildningen. Övrig tjänstgöring vid institutionen, som avser undervisning och administrativt arbete, ingår inom ramen för anställningen (max 20 %). En doktorandanställning ges upp till fem år.

Kvalifikationskrav: En doktorand ska ha civilingenjörsexamen, magisterexamen eller motsvarande kunskaper i ett ämne som är relevant för forskningsområdet, goda kommunikationsfärdigheter och utmärkta studiemeriter, samt goda färdigheter i engelska i tal och skrift

Önskvärt/meriterande i övrigt: Erfarenhet inom maskininlärning eller statistiska beräkningsmetoder är meriterande.

Ansökan ska innehålla ett personlig brev (max 2 sidor) där den sökande beskriver sig själv, sina forskningsintressen, anledningen till varför du söker denna tjänst, samt tidigare erfarenheter av relevans för anställningen. Ansökan ska också innehålla en meritförteckning (CV), relevanta betygshandlingar, examensarbete (eller ett utkast till detta och/eller annan egenproducerad teknisk text), relevanta publikationer och övriga dokument (t.ex. förteckning över referenspersoner). Det är inget krav att den sökande har relevant grundexamen vid ansökans inlämnande, men samtliga sökande skall ange tidigaste möjliga datum för anställning. 

Bestämmelser för doktorander återfinns i Högskoleförordningen 5 kap §§ 1-7 samt i universitetets regler och riktlinjer http://regler.uu.se/.

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: Enligt lokalt kollektivavtal för doktorander.

Tillträde: Snarast eller enligt överenskommelse.

Anställningsform: Tidsbegränsad anställning enl HF 5 kap § 7.

Anställningens omfattning: 100 %

Upplysningar om anställningen finns på: http://www.it.uu.se/ (institutionen) eller via kontakt: Prof. Thomas Schön (thomas.schon@it.uu.se), Dr Dave Zachariah (dave.zachariah@it.uu.se), Dr Niklas Wahlstöm (niklas.wahlstrom@it.uu.se) eller Dr Per Mattsson (per.mattsson@it.uu.se).

Välkommen med din ansökan senast den 27 mars 2020, UFV-PA 2020/670.

Anställningsform Visstidsanställning längre än 6 månader
Anställningens omfattning Heltid
Antal lediga befattningar 3
Sysselsättningsgrad 100 %
Ort Uppsala
Län Uppsala län
Land Sverige
Referensnummer UFV-PA 2020/670
Facklig företrädare
  • Seko Universitetsklubben, seko@uadm.uu.se
  • ST/TCO, tco@fackorg.uu.se
  • Saco-rådet, saco@uadm.uu.se
Publicerat 2020-02-21
Sista ansökningsdag 2020-03-27

Takaisin avoimiin työpaikkoihin