Opis stanowiska
Osoba zatrudniona na stanowisku będzie odpowiedzialna za analizy i interpretacje sygnałów biologicznych, ze szczególnym uwzględnieniem danych EEG oraz rozwój metod wyjaśnialnej sztucznej inteligencji (XAI) dla tych zastosowań.
Nasze wymagania
- Spełnienie wymagań określonych w art. 113 ustawy Prawo o szkolnictwie wyższym i nauce (Dz.U. 2024, poz. 1571 t.j.)
- Posiadanie stopnia naukowego doktora w dziedzinie nauk ścisłych i przyrodniczych lub w dziedzinie nauk inżynieryjno-technicznych nadany nie później niż 5 lat przeliczeniowych od daty ogłoszenia konkursu zgodnie z definicją młodego doktora w programie MAB FENG.
- Posiadanie dorobku naukowego udokumentowanego co najmniej 1 publikacją naukową i doświadczenia w pracach badawczych (teoretycznych lub doświadczalnych) w zakresie analizy sygnałów biologicznych ze szczególnym uwzględnieniem szeregów czasowych (EEG, EMG, EKG).
- Posiadanie doświadczenia w pracy w zespołach badawczych.
- Znajomość środowiska obliczeniowego Python, PyTorch.
- Płynna znajomość języka angielskiego w mowie i piśmie.
Mile widziane
- Udokumentowane doświadczenie w analizie danych EEG dodatkowym atutem.
- W przypadku zatrudnienia oczekujemy, że Uniwersytet Warszawski będzie podstawowym miejscem pracy.
Zakres obowiązków
- Czynny udział w opracowywaniu, trenowaniu i testowaniu modeli uczenia maszynowego (klasycznych oraz opartych na sieciach neuronowych) do analizy danych biologicznych..
- Prowadzenie analiz wielomodalnych łączących sygnał EEG z towarzyszącą dokumentacją kliniczną, z wykorzystaniem metod przetwarzania języka naturalnego.
- Ścisła współpraca merytoryczna z pozostałymi grupami badawczymi Centrum oraz z klinicystami przy realizacji wspólnych zadań badawczych.
- Udział w przygotowywaniu wniosków grantowych, dokumentacji projektowej oraz raportowaniu do jednostki finansującej.
- Wsparcie merytoryczne i organizacyjne w pracach zespołu, w tym opieka nad młodszymi pracownikami naukowymi, doktorantami i studentami realizującymi zadania badawcze w ramach grupy.
- Publikowanie wyników prac w czasopismach naukowych.
- Udział w seminariach, konferencjach i szkoleniach.
- Przestrzeganie zasad ochrony danych osobowych i medycznych (RODO) oraz standardów etycznych obowiązujących przy pracy z danymi klinicznymi.
Oferujemy
- pracę w interdyscyplinarnym zespole prowadzącym prace badawcze i rozwojowe o wysokiej innowacyjności
- atrakcyjne wynagrodzenie
Dokumenty wymagane do rekrutacji
- List motywacyjny wyjaśniający zainteresowanie projektem, adresowany do Dyrektora Centrum Godnej Zaufania Sztucznej Inteligencji dla Nauk o Życiu - Międzynarodowa Agenda Badawcza.
- CV zawierające następujące informacje: 1. historia zatrudnienia, z nazwami organizacji oraz tytułami zawodowymi i zajmowanymi stanowiskami, 2. uzyskane tytuły i stopnie naukowe, z datą uzyskania, nazwą instytucji kształcącej i dziedziny.
- Opis planów i zainteresowań badawczych oraz opis najważniejszego osiągnięcia naukowego.
- Wykaz publikacji w recenzowanych czasopismach i udział w międzynarodowych konferencjach.
- Dwa listy rekomendacyjne przesłane przez osoby je przygotowujące bezpośrednio na adres: trails@uw.edu.pl
- Formularz „Kwestionariusz kandydata”.
- Skan dyplomu doktorskiego lub zaświadczenia o uzyskaniu stopnia doktora.
Załączniki
Dodatkowe informacje dla kandydata
Centrum Godnej Zaufania Sztucznej Inteligencji dla Nauk o Życiu - Międzynarodowa Agenda Badawcza (TRAILS) koncentruje się na opracowaniu nowej metod AI łączących wysoką skuteczność predykcyjną z przejrzystością, wiarygodnością oraz możliwością praktycznego zastosowania w naukach o życiu. TRAILS dąży do opracowania bezpiecznych i wyjaśnialnych modeli AI, zdolnych do analizy danych wielomodalnych, w szczególności szeregów czasowych, tekstu oraz sygnałów biologicznych. Kluczowym obszarem aplikacyjnym jest elektroencefalografia (EEG), której analiza stanowi jedno z największych wyzwań współczesnej diagnostyki neurologicznej.
Profil badawczy TRAILS obejmuje cztery komplementarne obszary. Pierwszy z nich dotyczy opracowania systemów AI do analizy danych biologicznych. Drugi koncentruje się na budowie efektywnych modeli podstawowych. Trzeci obejmuje rozwój matematycznych podstaw AI. Czwarty topologiczną analizę danych umożliwiającą ekstrakcję cech opisujących strukturę i kształt danych.