Timelønnet ML for jordanalyse ved ROBIN
From Robin
Contents |
Ledige deltidsstillinger som vitenskapelig assistent ved ROBIN
ROBIN-gruppen har en omfattende aktivitet inkludert en rekke laboratorieaktivitet og forskningsprosjekter. For å assistere oss, søker vi nå studenter (fortrinnsvis ferdig med 2. år bachelor eller masterstudent på. 1 året) til å jobbe som deltidsansatt vitenskapelig assistent for ROBIN.
Vi lyser ut stilling; lab assistent og en ROS-utvikler:
Lab assistent
Arbeidsoppgavene vil inkludere organisering og driftsoppgaver relatert til labene, og vil i tillegg være bistand til eksempelvis prototypesammenstilling, programmering og maskinvareutvikling (FPGA). Dette kan være prosjekter både i forbindelse med kurs og forskningsprosjekter. Kunnskap innen programmering, robotikk (inkl. 3D-printing, CAD-modellering og prototyping), og/eller FPGA-design vil være en fordel. I tillegg er det å være “praktisk anlagt" en god egenskap for arbeidet.
Maskinlæringsutvikler av jordanalysemodeller
UiO er partner i et prosjekt finansiert av Norges forskningsråd som adresserer globale utfordringer i landbruket. Vi trenger kompetente informatikere til å undersøke sammenhengen mellom avling, jordhelse, jordliv og karbonlagring ved hjelp av maskinlæring. Et team bestående av forskere på UiO, NMBU og SmartSoil AS samarbeider i prosjektet, hvor hensikten er å gjøre jordbruket mer bærekraftig gjennom å redusere bruk av syntetiske gjødselskilder og heller la mikroorganismer forbedre jorden.
Stillingen omfatter innhenting av registrerte data, kategorisering og kartlegging av data, samt implementering og trening av maskinlæringsmodeller. Analyser og evaluering av resultater vil bidra til å forstå hva som må til for å øke diversitet og kompleksitet av mikroorganismer i jorden, slik at nyvinnende og bærekraftige tilsetninger kan forbedre avling for bønder i Norge.
Arbeidsoppgaver: - Utforske og kartlegge offentlig tilgjengelig data i relevante jord og jordsmonn-databaser som f.eks NIBIO og eventuelle andre ressurser - Samle inn og kategorisere data ved hjelp av nedlasting og/eller tilgjengelige API-er - Bidra med koding, trening og evaluering av maskinlæringsmodeller.
Kvalifikasjoner: - Kandidaten må ha kjennskap til programmering (f.eks Python eller andre høy-nivå programmeringsspråk) - Kandidaten må ha kjennskap og erfaring med maskinlæring (f.eks Tensorflow, PyTorch el.) - Kandidaten bør også ha kjennskap til kategorisering, annotering og lagring av data, samt statistiske metoder for evaluering av maskinlæringsalgoritmer
Generell Prosjektbeskrivelse Offentlige datakilder som NIBIO, GAS og LUKAS (se boks 1 i figuren nederst) inneholder store mengder geografiske data om jord og jordsmonn som er veldig relevante for analyse og modellering med maskinlæring. Eksempler på data som er relevante å sammenstille og kombinere i en modell er nedbør, temperatur, jordkvalitet, erosjon og karboninnhold. Ved å samle inn denne informasjonen og bruke den som utgangspunkt i en maskinlæringsmodell kan vi f.eks. bruke modellen til: ● Å tilegne nye jordprøver informasjon som ikke dekkes geografisk av datakildene ● Å ekspandere/generalisere data til nye geografiske områder ● Å modellere og predikere hvilke faktorer som er viktige for best og mest mulig avling
Første steg i prosessen er å etablere en prosedyre for nedlasting/datainnsamling enten manuelt eller via et API (2, 8). NIBIO har to forskjellige tjenere (API) tilgjengelige samt mulighet for nedlasting av mesteparten av geografisk data til lokal disk. Tjeneren trenger i hovedsak to funksjonaliteter: ● Å kunne tilegne en jordprøve data fra NIBIO gitt GPS-koordinater (8) ● Å kunne laste ned større mengder data som videre kategoriseres, sorteres og brukes som treningsdata i en maskinlæringsmodell (2)
Innsamlet data må sorteres, kategoriseres og struktureres (3) slik at det enkelt og dynamisk kan plukkes diskre geografiske attributter og sannheter (Labels), konvertere disse til maskinlæringsdata og trene modeller vha. av et rammeverk, for eksempel i PyTorch, Tensorflow eller lignende. Data lagres enten i en database eller i “flat files”, f.eks TSV, CSV eller lignende.
Treningsdata brukes av treningsmodul (5) som må implementeres, helst ved hjelp av etablerte KI-bibliotek for Python som allerede er nevnt. Treningsmodulen må gjøre kryssvalidering, og forskjellige algoritmer, topologier og datatransformasjoner må testes og måles i form av spesifisitet, sensitivitet og andre metrikker. Modeller lagres (6) slik at de kan brukes av en klassifiseringsmodul (7) som predikerer manglende/nye sannheter om en ny jordprøve basert på GPS data (f.eks jordkvalitet generalisert fra modellen).
Interessert?
Hvis stillingene høres spennende ut, send en kortfattet søknad med CV og karakterutskrift der din kompetanse og erfaring relatert til stillingen framgår. Skriv gjerne hvilken av stillingene du er interessert i (evt. om du har kompetanse og interesse for begge stillingene) og hvor mange timer i uka du ønsker å jobbe. Vi prioriterer studenter på første året master i Informatikk: Robotikk og Intelligente systemer.
Tiltredelse: Så snart som mulig. Fortinnsvis oppstart i desember 2022.
Varighet: Ett år. Det er muligheter for forlengelse avhengig av finansiering fra instituttet.
Stillingsandel: Inntil 20%.
Lønn: Lønnes etter stillingskode 1018, 1019 eller 1020, avhengig av kompetanse og ansiennitet.
Søknaden merkes med "Søknad som timelønnet ved Robin <brukernavn>" i emnefeltet og sendes senest 06.11.2022 til ifi.uio.no. Aktuelle kandidater vil bli innkalt til intervju etter fristens utløp.
