Arbetsbeskrivning

Vill du arbeta med analysera och accelerera LLM:er, med stöd av kompetenta och trevliga kollegor i en internationell miljö? Vill du ha en arbetsgivare som satsar på ett hållbart medarbetarskap och erbjuder trygga, förmånliga arbetsvillkor? Välkommen att söka anställning som amanuens på Uppsala universitet.

Institutionen för informationsteknologi är en ledande institution inom både forskning och utbildning på alla nivåer. Den är för närvarande den tredje största institutionen vid Uppsala universitet, med cirka 350 anställda, inklusive omkring 120 lärare/forskare och 120 doktorander. Varje år läser cirka 5 000 studenter på grundnivå någon eller flera av institutionens kurser. Institutionen rymmer flera internationellt erkända forskargrupper inom områden som artificiell intelligens, maskininlärning, datavetenskap och datorsystem.

Du hittar mer information om oss på Institutionen för informationsteknologis webbplats och forskargruppen Datorsystem – Institutionen för informationsteknologi – Uppsala universitet

Arbetsuppgifter

Arbetsuppgifter omfattar moderna stora språkmodeller (LLM) och effektiva AI-system. Den huvudsakliga uppgiften är att utveckla ett verktyg för att utvärdera LLM:er och analysera deras runtime uppdelad på centrala komponenter, såsom Attention-, Linear- och Softmax-lager. Du förväntas analysera profileringsresultat, identifiera prestandaflaskhalsar – särskilt i lager som innebär intensiv datakommunikation och reduktion – samt utforska strategier för att accelerera dessa komponenter. Rollen kräver även förmåga att föreslå förbättringar både på en övergripande algoritmisk nivå och på en låg nivå i implementationen.

Kvalifikationskrav

För att anställas som amanuens är det ett krav att du är antagen till utbildning på grundnivå eller avancerad nivå.

Tjänsten kräver starka programmeringskunskaper, särskilt god kännedom om moderna LLM-motorer såsom llama.cpp. Sökande bör ha erfarenhet inom minst ett av följande områden:

• God förståelse för de matematiska grunderna bakom moderna LLM:er, inklusive linjär algebra, sannolikhetsteori och optimering, samt hur dessa tillämpas i modellarkitekturer.
• God förståelse för de underliggande mekanismerna i moderna LLM-motorer, inklusive hur modellager delas upp och schemaläggs. En stark matematisk bakgrund är nödvändig, och tidigare erfarenhet av att implementera eller bidra till en LLM-motor är mycket meriterande.

Önskvärt/meriterande i övrigt

Det är en fördel om du har:

• Erfarenhet av dataanalys med verktyg såsom NumPy och Pandas, samt god förmåga att visualisera data och presentera resultat på ett tydligt sätt.
• Erfarenhet av arbete i delade beräkningsmiljöer (t.ex. servrar eller kluster), inklusive datahantering, samt förmåga att skriva ren, välstrukturerad och underhållbar kod.

Om anställningen

Anställningen är tidsbegränsad enligt HF 5 kap § 12, t.o.m 30/6 2026. Omfattningen är 40%. Tillträde enligt överenskommelse. Placeringsort: Uppsala

Upplysningar om anställningen lämnas av: Yuan Yao, +46 18 471 73 63, [email protected]

I denna rekrytering har vi ersatt det personliga brevet med frågor som du besvarar i samband med din ansökan. Svaren kommer att användas som en del i urvalsprocessen.

Välkommen med din ansökan senast den 22 April 2026, UFV-PA 2026/1072

Uppsala universitet är ett brett forskningsuniversitet med stark internationell ställning. Det yttersta målet är att bedriva utbildning och forskning av högsta kvalitet och relevans för att göra skillnad i samhället. Vår viktigaste tillgång är alla 7 600 anställda och 53 000 studenter som med nyfikenhet och engagemang gör Uppsala universitet till en av landets mest spännande arbetsplatser.

Läs mer om våra förmåner och hur det är att jobba inom Uppsala universitet

https://uu.se/om-uu/jobba-hos-oss/

Anställningen kan komma att säkerhetsprövas. Vid säkerhetsprövning är en förutsättning för anställning att sökande blir godkänd.

Vi undanber oss erbjudanden om rekryterings- och annonseringshjälp.

Ansökan tas emot i Uppsala universitets rekryteringssystem.

Fackliga företrädare: Saco-S - [email protected], Seko - [email protected], ST (OFR/S) - [email protected]