Topinformationen

Integraler Bestandteil des Joint Lab für Künstliche Intelligenz & Data Science des Leibniz-Instituts für Agrartechnik und Bioökonomie e. V. und der Universität Osnabrück ist ein Graduiertenkolleg. Die assoziierten Partner sind das Agrotech Valley Forum, das Deutsche Forschungszentrum für Künstliche Intelligenz und die Hochschule Osnabrück. Kernziel des Joint Lab ist es Künstliche Intelligenz (KI) & Data Science Expertise insbesondere für agrartechnologische Fragestellungen zu entwickeln.

Das Joint Lab für Künstliche Intelligenz & Data Science sucht für das Graduiertenkolleg zum nächstmöglichen Zeitpunkt eine*n                           

wissenschaftliche*n Mitarbeiter*in (m/w/d)
(Entgeltgruppe 13 TV-L, 100%)

befristet für die Dauer von vier Jahren.

Ihre Aufgaben:

• Wissenschaftliche Bearbeitung des Themas XAI Methoden für multimodale Daten in der digitalen Bioökonomie mit dem Ziel der Promotion
• Entwicklung neuartiger erklärbarer KI-Methoden (XAI)
• Anwendung von KI und XAI-Methoden auf verschiedene Anwendungsfälle in der Bioökonomie
• Analyse multimodaler Datensätze, z.B. Bilddaten, Sensordaten, Genetik-Daten
• Erstellung von Projektberichten und wissenschaftlichen Publikationen
• Vorstellung von Projektergebnissen auf Konferenzen und Workshops

Einstellungsvoraussetzungen:

• Überdurchschnittlich abgeschlossenes wissenschaftliches Hochschulstudium (Master oder äquivalent) in Cognitive Science, Informatik, Mathematik oder verwandten Studiengängen
• Erfahrung mit Explainable AI und/oder erklärbarem/interpretierbarem maschinellen Lernen sind von Vorteil, sowie entsprechenden Frameworks im Bereich Machine Learning/Deep Learning, insbesondere hinsichtlich: Explainable AI/ML, Graph Neural Networks, Object Detection
• Interesse daran Experimente realitätsnah durchzuführen
• Erste praktische Erfahrungen in der Entwicklung und Anwendung von Algorithmen des Maschinellen Lernens im o.g. Bereich
• Programmierkenntnisse (z.B. in Python) und erste Erfahrung mit ML und entsprechenden Bibliotheken (PyTorch, TensorFlow, NumPy, sklearn, etc.)
• Sehr gute Englischkenntnisse in Wort und Schrift
• Flexibilität, Kreativität und ausgeprägte Kommunikationsfähigkeit
• Hohes Verantwortungsbewusstsein, Zuverlässigkeit, persönliches Engagement und zielorientiertes/selbständiges Arbeiten sowie wissenschaftliche Ambitionen

Idealerweise verfügen Sie über:

• Erfahrungen im Umgang mit Versionierungswerkzeugen, wie z.B. Git, sowie Erfahrung mit unix-basierten Systemen, wie z.B. Linux

Wir bieten Ihnen:

• Spannende Forschungsaufgaben im Bereich Künstliche Intelligenz & Data Science mit gesellschaftlich höchst relevanten Anwendungsfeldern
• Die Möglichkeit, Ihre Beiträge in Konferenz und Journal Publikationen zu veröffentlichen
• Die Möglichkeit zur Promotion
• Ein hochmotiviertes und internationales Graduiertenteam
• Eine interdisziplinäre Promotionsbetreuung ist durch ein Team aus Osnabrück und Potsdam gesichert
• Flexible Arbeitszeiten und exzellente Ausstattung

Eine Beschreibung des Forschungsthemas ist angehangen (Englisch).

Das Joint Lab arbeitet an den zwei Standorten Osnabrück und Potsdam, eine Bereitschaft zu Reisetätigkeit wird daher vorausgesetzt. Die Betreuung der Promovierenden erfolgt jeweils durch ein Team aus Professor*innen und Wissenschaftler*innen aus Osnabrück und Potsdam.

Auf die Möglichkeit einer Teilzeitbeschäftigung wird hingewiesen.

Als familiengerechte Hochschule setzt sich die Universität Osnabrück für die Vereinbarkeit von Beruf/Studium und Familie ein.

Die Universität Osnabrück will die berufliche Gleichberechtigung von Frauen und Männern besonders fördern. Daher strebt sie eine Erhöhung des Anteils des im jeweiligen Bereich unterrepräsentierten Geschlechts an.

Schwerbehinderte Bewerber*innen und diesen gleichgestellte Personen werden bei gleicher Eignung bevorzugt berücksichtigt.

Ihre vollständigen Unterlagen (Lebenslauf, Zeugnisse, Urkunden, Motivationsschreiben) richten Sie bitte ausschließlich in elektronischer Form (in einer PDF-Datei) und unter gesonderter Beifügung des Vordrucks „Bewerbungsprofil“ (DOCX, 13,23 kB) bis zum 27.10.2024 via Email an: jl-ki-ds@uni-osnabrueck.de.

Wir freuen uns auf Ihre Bewerbung.

Weitere Informationen zu dieser Stellenausschreibung erteilt Herr Professor Dr. Martin Atzmüller (Tel. 0541 969 – 7372, martin.atzmueller@uni-osnabrueck.de) und Herr Professor Dr. Tim Römer (Tel. 0541 969 – 2545, tim.roemer@uni-osnabrueck.de).

Title: Explainable AI Methods for Multimodal Data in the Bioeconomy

Team: Martin Atzmüller (UOS) und Marina Höhne (ATB)

Abstract:
AI models can be trained on a variety of data, such as sensor data, satellite data, genomic data, image data, weather data, and climate data. This can be used in the context of different applications and several use cases in the bioeconomy domain, e.g., for improving performance regarding disease detection on plants, precise plant monitoring, smart water use, and optimizing waste recycling processes. Such models can then help, for example, to detect pests, identify weeds, and optimize the use of fertilizers and pesticides.
Although those AI models learn complex relationships between different components in the bioeconomy, those relations typically remain hidden within the often called black box model, leading to no or only poor knowledge about the underlying connections of the driving factors in the input data. Here, the field of explainable AI (XAI) has emerged, with the aim to provide insights into the decision-making strategies and to showcase the important features and complex relationships the decision is based on. In this project, methods of explainable AI for multimodal data will be developed for explaining AI models trained on multimodal data with applications in the bioeconomy. With the novel XAI methods we aim to showcase the complex relationships between different types of data, such as genetics, soil composition, weather, and climate data, learned by the AI model. We aim to contribute to the generation of novel knowledge that tackles the enormous challenge of an efficient realization of the bioeconomy.

Desired skills of the applicant:
Must: Excellent Knowledge in ML, especially Deep Learning, and in at least one of the following topics: Explainable AI, Graph Neural Networks, Object Detection

References:
•    Stefan Bloemheuvel, Jurgen van den Hoogen, Dario Jozinovic, Alberto Michelini, and Martin Atzmueller (2022) Graph neural networks for multivariate time series regression with application to seismic data. International Journal of Data Science and Analytics
•    Leonid Schwenke and Martin Atzmueller (2021) Constructing global coherence representations: Identifying interpretability and coherences of transformer attention in time series data. In Proc. IEEE International Conference on Data Science and Advanced Analytics, DSAA 2021, Porto, Portugal, October 6-9, 2021, pages 1–12. IEEE
•    Hedström, A., Weber, L., Krakowczyk, D., Bareeva, D., Motzkus, F., Samek, W., ... & Höhne, M. M. C. (2023). Quantus: An Explainable AI Toolkit for Responsible Evaluation of Neural Network Explanations and Beyond. Journal of Machine Learning Research, 24(34), 1-11.
•    Gautam, S., Boubekki, A., Hansen, S., Salahuddin, S. A., Jenssen, R., Höhne, M. M., & Kampffmeyer, M. (2022) ProtoVAE: A Trustworthy Self-Explainable Prototypical Variational Model. In Advances in Neural Information Processing Systems.