Kinaxis udvikler software til koordinering af forsyningskæder, som hjælper organisationer med at planlægge, styre og reagere på komplekse driftsforhold. Maestro-platformen kombinerer AI-baseret planlægning, avancerede analyser og indsigt i data i realtid for at understøtte mere velinformerede beslutninger på tværs af forsyningskæden. Virksomhedens løsninger er relevante for organisationer inden for blandt andet produktion, sundhedssektoren og rådgivning med fokus på at forbedre effektiviteten, forudse efterspørgslen og tilpasse sig hurtigt, når der opstår forstyrrelser.
Forskningspraktikant inden for AI og maskinlæring – Canada (hybrid)
Forsknings i tidsserieprognoser og generative AI-metoder til planlægning af forsyningskæder hos Kinaxis. Udvikl praktiske kompetencer inden for maskinlæring gennem eksperimenter, prototyper og samarbejde med forsknings- og produktteams.
Beskrivelse
- Udfør anvendt forskning i maskinlæring med fokus på tidsserieprognoser og generativ AI til planlægning af forsyningskæder
- Gennemgå forskningslitteratur, identificér lovende metoder, og definér testbare spørgsmål og hypoteser
- Design og gennemfør reproducerbare eksperimenter med virkelige data og benchmarkdatasæt
- Byg og vurder modeller op mod stærke baseline-modeller ved hjælp af kvantitative og kvalitative mål
- Fortolk resultater, begrænsninger, robusthed og praktiske afvejninger
- Præsentér forskningsresultater for både tekniske og ikke-tekniske målgrupper
- Skab forskningsprototyper, og samarbejd med forskere, data scientists, ingeniører og domæneeksperter om at vurdere produktpotentiale
- Bidrag til produktkoncepter, tekniske rapporter, demonstrationer, publikationer og patentansøgninger, når det er relevant
- Arbejd sammen med en dedikeret mentor under hele praktikopholdet
Krav
- Er i gang med eller har for nylig afsluttet en kandidatuddannelse eller ph.d. inden for datalogi, maskinlæring, statistik, anvendt matematik, operationsanalyse eller et beslægtet område
- Berettiget til et praktikophold gennem igangværende fuldtidsstudier eller en afsluttet uddannelse inden for 12 måneder efter praktikopholdets slutdato
- Stærkt fagligt grundlag inden for maskinlæring, statistik og eksperimentelt design
- Praktisk erfaring med AI- og ML-forskning fra kandidat- eller ph.d.-studier, publikationer, speciale, forskningspraktik eller større projekter
- Gode Python-kompetencer og erfaring med moderne rammer til maskinlæring
- Evne til at omsætte åbne problemstillinger til testbare hypoteser, stringente eksperimenter og velunderbyggede konklusioner
- Erfaring med tidsserieprognoser, probabilistiske prognoser eller foundation-modeller til tidsserier som PFN er en fordel
- Kendskab til generativ AI, herunder store sprogmodeller, retrieval-augmented generation og agenter, er en fordel
- Viden om statistisk inferens, kvantificering af usikkerhed eller kausal inferens er en fordel
- Erfaring med evaluering af foundation-modeller gennem finjustering, tilpasning, benchmarking eller fejlanalyse er en fordel
- Erfaring med forskningsformidling dokumenteret gennem publikationer, preprints eller tekniske rapporter er en fordel
- Skal være baseret i Canadas østlige tidszone; praktikanter i Ottawa eller Toronto skal arbejde fra kontoret mindst tre dage om ugen
Fordele
- Fleksibel feriepolitik og fælles fridage i Kinaxis
- Fleksible arbejdsordninger
- Programmer, der støtter fysisk og mentalt velbefindende
- Regelmæssige virtuelle træningstimer
- Mentoring samt muligheder for uddannelse og karriereudvikling
- Anerkendelsesprogrammer og belønninger for anbefalinger
- Hackathons