Ricercatore post-dottorato in modelli di ragionamento multimodale per oncologia — ETH Zürich
CHF 62'000 - 94'000
ETH Zürich · Basel (BS)
- Località
- Basel
- Contratto
- fixed-term
- Pubblicato
- 18 giorni fa
SalarioCHF 62'000 - 94'000
Panoramica
Ricercatore post-dottorato in modelli di ragionamento multimodale per oncologia 100%, Basilea, a tempo determinato stampa Druppo Stiamo cercando un ricercatore Postdoctoral eccezionale e altamente motivato per condurre la ricerca su modelli di ragionamento multimodale per oncologia.
Il progetto si concentra sullo sviluppo, la post-formazione e la valutazione di modelli AI flessibili che possono supportare il processo decisionale diagnostico e terapeutico complesso in modo sicuro, trasparente e clinicamente fondato.
del lavoro Modelli motivanti per Oncology Sviluppo e adattamento di modelli di fondazione focalizzati su oncologia in grado di ragionare su questioni cliniche complesse, tra cui diagnosi, interpretazione molecolare, selezione del trattamento e cura longitudinale. Questo può includere: Architetture modello di lingua multimodale
- Ricercatore post-dottorato in modelli di ragionamento multimodale per oncologia 100%, Basilea, a tempo determinato stampa Druppo Stiamo cercando un ricercatore Postdoctoral eccezionale e altamente motivato per condurre la ricerca su modelli di ragionamento multimodale per oncologia.
- Il progetto si concentra sullo sviluppo, la post-formazione e la valutazione di modelli AI flessibili che possono supportare il processo decisionale diagnostico e terapeutico complesso in modo sicuro, trasparente e clinicamente fondato.
- Il candidato di successo lavorerà su modelli di ragionamento multimodale focalizzati su oncologia che combinano il linguaggio, la visione, la conoscenza biomedica, il contesto clinico e i dati rilevanti a livello paziente per produrre uscite affidabili, verificabili e incertezze-consapevoli.
- Un importante focus della posizione è lo sviluppo di strategie di ragionamento basate su AI per l'oncologia, tra cui l'inferenza aumentata degli strumenti, flussi di lavoro multi-agent o del modello composto, la supervisione del processo, la formazione orientata ai parassiti e l'apprendimento di rinforzo basato post-training.
- Questa posizione è incorporata all'interno di una collaborazione altamente interdisciplinare tra ETH Zurich, Kaiko.ai e partner clinici, offrendo l'opportunità di avanzare la ricerca AI fondamentale mentre si lavora verso la traduzione nel mondo reale in oncologia.
Requisiti principali
- Il candidato di successo lavorerà su modelli di ragionamento multimodale focalizzati su oncologia che combinano il linguaggio, la visione, la conoscenza biomedica, il contesto clinico e i dati rilevanti a livello paziente per produrre uscite affidabili, verificabili e incertezze-consapevoli.
- Un importante focus della posizione è lo sviluppo di strategie di ragionamento basate su AI per l'oncologia, tra cui l'inferenza aumentata degli strumenti, flussi di lavoro multi-agent o del modello composto, la supervisione del processo, la formazione orientata ai parassiti e l'apprendimento di rinforzo basato post-training.
- L'obiettivo è quello di costruire sistemi che possano giustificare raccomandazioni, citare prove di supporto, calibrare l'incertezza, differire adeguatamente e operare in modo sicuro in ambienti clinicamente realistici.
- Sviluppo del comportamento ragionante dell'incertezza-consapevole e della sicurezza Strategie di ragionamento, agenti e uso degli strumenti Sviluppo dei flussi di lavoro di modello che possono utilizzare strumenti esterni e fonti di conoscenza in modo affidabile e verificabile. Esempi includono:
- Recuperare dalla letteratura, dalle linee guida cliniche e dai database di prova
- Ricerca di prove cliniche di corrispondenza e terapia
- Interpretazione variabile e uso della base di conoscenza molecolare
- Sistemi multi-agenti per la decompolazione di compiti oncologici complessi in flussi di contesto gerarchici
- Produzione citazione-terraggiata e tracciabile adatto per una recensione esperta Supervisione dei processi e post-training Sviluppo di metodi post-formazione che migliorano la qualità, l'affidabilità e la sicurezza del ragionamento clinico.
- Supervisione a livello di processo per passi di ragionamento intermedio
- Supervisione basata sul reddito utilizzando segnali esperti o orientabili
- Apprendimento di rinforzo per comportamento di ragionamento specifico oncologico
Cosa offre l’azienda
- Questa posizione è incorporata all'interno di una collaborazione altamente interdisciplinare tra ETH Zurich, Kaiko.ai e partner clinici, offrendo l'opportunità di avanzare la ricerca AI fondamentale mentre si lavora verso la traduzione nel mondo reale in oncologia.
Dettagli ulteriori
- Descrizione del lavoro Modelli motivanti per Oncology Sviluppo e adattamento di modelli di fondazione focalizzati su oncologia in grado di ragionare su questioni cliniche complesse, tra cui diagnosi, interpretazione molecolare, selezione del trattamento e cura longitudinale. Questo può includere: Architetture modello di lingua multimodale
- Sviluppo del comportamento ragionante dell'incertezza-consapevole e della sicurezza Strategie di ragionamento, agenti e uso degli strumenti Sviluppo dei flussi di lavoro di modello che possono utilizzare strumenti esterni e fonti di conoscenza in modo affidabile e verificabile.
- Le dimensioni di valutazione chiave includono: concordanza lineare
- Qualità diagnostica e terapeutica del ragionamento Precisione di interpretazione molecolare affidabilità di utilizzo degli utensili
- Esperienza con modelli di fondazione, modelli multimodali o modelli di linguaggio biomedico/clinico
Note e contenuto originale
- Descrizione del lavoro Modelli motivanti per Oncology Sviluppo e adattamento di modelli di fondazione focalizzati su oncologia in grado di ragionare su questioni cliniche complesse, tra cui diagnosi, interpretazione molecolare, selezione del trattamento e cura longitudinale.
- Questo può includere:
- Architetture modello di lingua multimodale
- Esempi includono:
- Le dimensioni di valutazione chiave includono:
- concordanza lineare
- Qualità diagnostica e terapeutica del ragionamento
- Precisione di interpretazione molecolare
- affidabilità di utilizzo degli utensili
- Esperienza
