Kinaxis utvikler programvare for samordning av forsyningskjeder som hjelper organisasjoner med å planlegge, styre og reagere på komplekse driftsforhold. Maestro-plattformen kombinerer AI-basert planlegging, avansert analyse og innsyn i data i sanntid for å støtte bedre informerte beslutninger i hele forsyningskjeden. Selskapets løsninger er relevante for organisasjoner innen blant annet produksjon, helsesektoren og rådgivning, med fokus på å forbedre effektiviteten, forutse etterspørsel og tilpasse seg raskt når forstyrrelser oppstår.
Forskningspraktikant innen AI og maskinlæring – Canada (hybrid)
Forsknings på tidsserieprognoser og generative AI-metoder for planlegging av forsyningskjeder hos Kinaxis. Utvikle praktiske ferdigheter innen maskinlæring gjennom eksperimenter, prototyper og samarbeid med forsknings- og produktteam.
Beskrivelse
- Utfør anvendt forskning innen maskinlæring med fokus på tidsserieprognoser og generativ AI for planlegging av forsyningskjeder
- Gå gjennom forskningslitteratur, identifiser lovende metoder og definer testbare spørsmål og hypoteser
- Utform og gjennomfør reproduserbare eksperimenter med virkelige data og referansedatasett
- Bygg og evaluer modeller mot sterke grunnlinjer ved hjelp av kvantitative og kvalitative mål
- Tolk funn, begrensninger, robusthet og praktiske avveininger
- Presenter forskningsresultater for både tekniske og ikke-tekniske målgrupper
- Lag forskningsprototyper og samarbeid med forskere, data scientists, ingeniører og domeneeksperter for å vurdere produktpotensialet
- Bidra til produktkonsepter, tekniske rapporter, demonstrasjoner, publikasjoner og patentsøknader når det er relevant
- Arbeid med en dedikert mentor gjennom hele praksisperioden
Krav
- Tar for tiden eller har nylig fullført en mastergrad eller doktorgrad i informatikk, maskinlæring, statistikk, anvendt matematikk, operasjonsanalyse eller et beslektet fagområde
- Kvalifisert for praksis gjennom pågående heltidsstudier eller fullført grad innen 12 måneder etter praksisperiodens sluttdato
- Solid grunnlag innen maskinlæring, statistikk og eksperimentell utforming
- Praktisk erfaring med AI- og ML-forskning fra videre studier, publikasjoner, avhandling, forskningspraksis eller omfattende prosjekter
- Gode ferdigheter i Python og erfaring med moderne rammeverk for maskinlæring
- Evne til å gjøre åpne problemstillinger om til testbare hypoteser, grundige eksperimenter og godt underbyggede konklusjoner
- Erfaring med tidsserieprognoser, probabilistiske prognoser eller foundation-modeller for tidsserier, som PFN-er, er en fordel
- Kjennskap til generativ AI, inkludert store språkmodeller, retrieval-augmented generation og agenter, er en fordel
- Kunnskap om statistisk inferens, kvantifisering av usikkerhet eller kausal inferens er en fordel
- Erfaring med å evaluere foundation-modeller gjennom finjustering, tilpasning, benchmarking eller feilanalyse er en fordel
- Erfaring med forskningsformidling dokumentert gjennom publikasjoner, forhåndspublikasjoner eller tekniske rapporter er en fordel
- Må være basert i Canadas østlige tidssone; praktikanter i Ottawa eller Toronto må arbeide fra kontoret minst tre dager i uken
Fordeler
- Fleksibel ferieordning og felles fridager i Kinaxis
- Fleksible arbeidsordninger
- Programmer som støtter fysisk og mentalt velvære
- Regelmessige virtuelle treningstimer
- Mentorordning samt muligheter for opplæring og karriereutvikling
- Anerkjennelsesprogrammer og belønninger for anbefalinger
- Hackathoner