Examensarbete på Tenfifty

När du gör examensarbete på Tenfifty kommer du att arbeta nära våra mycket skickliga data scientists. Det är en unik chans som hjälper dig att omsätta teori till praktik och få tillämpa AI på ett verkligt problem.

Vem är du?

Du är en student som förmodligen läser data, IT, fysik, statistik eller ett liknande område. Du har ett intresse för AI och hur det kan lösa utmaningar som företag och organisationer står inför. Du är en problemlösare som vill tillämpa den senaste forskningen.

Du kan programmera i Python för att bearbeta data och realisera din lösning.
Kanske kan du även sätta ihop ett gränssnitt för att visualisera dina resultat eller interagera med din data?

Du kan göra examensarbetet på egen hand, men vi rekommenderar att du söker tillsammans en kompis som du jobbar bra ihop med.

Vilka projekt finns?

Vi har ingen färdig lista över projekt, eftersom vi gärna har exjobb i anslutning till riktiga kundprojekt. Vi har kunder inom många olika branscher: medtech, healthtech, tillverkningsindustrin, juridik, skogsindustrin, offentlig verksamhet och stödorganisationer. Gemensamt är att våra kunder alla har intressanta utmaningar, så det finns goda möjligheter att hitta något som passar just dig.

Vi har också ett antal intresseområden, till exempel:

* Stora och små språkmodeller
* Generativ AI och RAG
* Agentisk AI
* Optimering av neuronnät
* Tal-till-text för de skandinaviska språken
* Hierarkiska tidsserieprognoser
* Datorseende

Ta kontakt med oss när det närmar sig, så hittar vi en givande frågeställning utifrån dina intressen och våra aktuella projekt eller intresseområden.

Inspiration

Här är några exempel på examensarbeten som tidigare studenter har gjort hos oss:

KNeeRF: Novel View Synthesis of a Knee’s Interior – A 3D Modeling Approach to Optimize Graft Placement
Charles och Lukas utforskade 3D-rekonstruktion från artroskopivideo med hjälp av NeRF i syfte att generera nya vyer av anatomiska landmärken i knäleder. NeRF är en teknik där man tränar ett neuronnät att återge ett strålningsfält. För varje rumsposition (x, y, z) och riktning (dx, dy, dz) lär sig neuronnätet en densitet σ och en färg (r, g, b). Nya vyer kan genereras med hjälp av volymrendering där neuronnätets återgivning av rummets strålningsfält avläses från ett urval av punktkällor längs strålar i kamerans synfält.
Det som gör artroskopi till ett särskilt utmanande tillämpningsområde är att man jobbar med en särskild typ av lins anpassad för titthålskirurgi, scenens belysning är ickekonstant eftersom ljuspunkten är fast i kameran, organiskt material och verktyg kan förekomma i synfältet, samt att delvis kan deformeras. Exjobbet undersökte metoder för att underlätta dessa utmaningar.

Exploring Optimized CPU-Inference for Latency-Critical Machine Learning Tasks

Amanda och Max utforskade realtidsinferens för faltningsnätverk. Faltningsnätverk kommer i olika format och är industristandard för många datorseendeproblem. Även om GPU känns som ett naturligt val för driftsättning av neuronnät så utgör den sekventiella strukturen av realtidsdatorseende ett hinder för möjligheten att nyttja parallell beräkning på GPU. Även faktorer som hårdvarukostnader och latenskrav bör beaktas vid produktionssättning.
Genom att jämföra kompressionsmetoder som kvantisering och viktgallring (pruning) på bredd och i djupled, åstadkom man beräkningsprestanda på CPU som kunde mäta sig med GPU-inferens på Nvidia Jetson-hårdvara. Exjobbet jämförde latens och genomströmning med bibliotek som TensorRT och DeepSparse, samt implementerade stöd för pose-modeller i SparseML

Vad vill du göra?

Tveka inte att skicka oss dina tankar när du ansöker genom att fylla i formuläret på denna sida.