Internship: Bachelorstudent med arbeidspraksis på timeplanen

Magnus jobbet med kunstig intelligens hos Sintef Digital: – Det er veldig inspirerende å bruke det jeg har lært i praksis.

Bildet kan inneholde: gul, sofa, sittende, moro, møbler.

Starten på et samarbeid: Anne Marthine Martinsen hos Sintef Digital og fysikkstudent Magnus Ingstad. Foto: H. Lynnebakken/ UiO

Bachelorstudenter i realfag og teknologi på UiO har mulighet til å ha internship, eller arbeidspraksis, som del av studiet. Magnus Ingstad var første fysikkstudent ut med det nye emnet.

– Vi har hatt noen større oppgaver i studiet, men likevel bærer de litt preg av at det finnes en riktig løsning, noe du BØR gjøre. Men her på Sintef gjør jeg noe helt nytt. Når jeg støter på et problem kan jeg ikke nødvendigvis søke på nettet og finne noen andre som har løst et tilsvarende problem. Jeg må løse problemet selv. Det er en veldig ålreit opplevelse! forteller Magnus.

Han går 3. året på bachelor i Fysikk og astronomi og hadde arbeidspraksis i gruppa Analytics og AI hos Sintef Digital i fjor høst. Emnet gikk over hele semesteret, med 16 timer i snitt i uka, men ble tilpasset til eksamener og timeplanen til Magnus.

Fikk brukt det han lærte på studiet med én gang

 Hvorfor ville du ta arbeidspraksis-emnet?

– Maskinlæring er noe som interesserer meg og som jeg hadde lyst til å lære, forteller han. Jeg tok emnet Anvendt dataanalyse og maskinlæring samtidig, og da var det helt perfekt å jobbe et sted som Sintef, hvor jeg fikk brukt det jeg lærte med en gang, sier han.

– Dessuten var det muligheten til å få vite hvordan det er i arbeidslivet, innenfor ting jeg synes er interessant. Hva gjør man praktisk, hvordan skaper man verdi? 

Jeg har hatt sommerjobber før, men da har det vært lagt opp for studenter. Her kom jeg inn i et arbeidsmiljø, og fikk være med på gruppemøter, lunsjpauser og sosiale arrangementer.

Råd til studenter: – Ta tunge, teoretiske fag på universitetet

En av veilederne hans hos Sintef, Anne Marthine Rustad, forteller at Analytics og AI er en ganske ny gruppe i en vekstfase og at de rekrutterer folk. 

– Mye av det vi holder på med bygger på fysiske eller matematiske modeller. Vi hadde oppgaver som passet for studenter.  Og så har vi  lyst til å bli bedre kjent med studentene på UiO, og la studentene bli bedre kjent med oss.

Å ha studenter i praksis er en fin begynnelse på et samarbeid, forteller hun.

For studentene tror hun det er veldig nyttig å få testet den kunnskapen en har i teorien fra studiet, og se hvordan den fungerer i næringslivet.

Bildet kan inneholde: teknologi, design, moro, samtale, tilpasning.
 Maskinlæring er i veldig stor grad matte og programmering, så vi har egentlig en ganske god bakgrunn i det bare med den bacheloren jeg har tatt i Fysikk og astronomi, sier Magnus Ingstad.

– Gjennom praksis får du sett hvilke fag som er viktige for næringslivet. Hvilken kunnskap er det som er viktig å tilegne seg på universitetet, men som kan være vanskelig å tilegne seg senere? 

 Ja, hvilke emner tenker du særlig på da?

– Statistikk og teoretiske fag er lettere å ta som student. Ta de tunge, dype emnene på universitetet, råder hun.

Bruker maskinlæring til å finne sammenhenger

 Hva gikk arbeidsoppgavene dine hos Sintef ut på, Magnus?

– De har dreid seg om maskinlæring og analyse av data. Som oftest er det snakk om at en kunde har en mengde data, og så noe en vil forutse.

Magnus forklarer prinsippet med et eksempel:

Si at et firma lager metallrør. 1 av 1000 rør er defekt. De har samlet inn en masse data fra produksjonsprosessen, som hvor varmt røret var da det ble laget og hvor rent metallet var. Firmaet ønsker å vite på forhånd hvilke rør som har for dårlig kvalitet. Hvis en klarer å forutse det sparer en masse på å slippe å sende defekte deler ut i samfunnet.

Vi kan finne en matematisk sammenheng i et sett med data: Vi har en masse data og forsøker å lage en likning som beskriver det som skjer.

– Jeg jobbet med en generell modell for å sette opp en differensiallikning på bakgrunn av data, uansett hva slags data det dreier seg om.

På denne måten kan vi også få ny forståelse for hvorfor ting skjer, finne uttrykk for prosesser vi ikke forstår enda. Dette er ikke bare nyttig innen bedrifter, men også i forskning.

 Fikk du brukt det du lærte i maskinlæringsemnet direkte her?

– Ja, det gjorde jeg. Modellen jeg jobbet med bruker i hovedsak lineær regresjon, som er en ganske grunnleggende metode i maskinlæring, men for å bedre tilpasse data fikk jeg også bruk for andre konsepter jeg har lært, som for eksempel hvordan man bør unngå at modellen finner mønstre i dataene som ikke egentlig er reelle, en vanlig utfordring.

God bakgrunn i matte og programmering fra studiet

Det har vært veldig morsomt å anvende det mens jeg lærte det! Og jeg tror også vi husker bedre når vi anvender kunnskap rett etterpå.

Maskinlæring er i veldig stor grad matte og programmering, så vi har egentlig en ganske god bakgrunn i det bare med den bacheloren jeg har tatt i Fysikk og astronomi.

– Men det aller viktigste du lærer i løpet av studiet er å løse problemer og å tilegne deg ny kunnskap, det er veldig relevant, mener Magnus.

 Har du lært noe som du ikke kunne ha lært på studiet, tror du?

– Ja, jeg har fått erfaring fra arbeidslivet, og vært med i et arbeidsmiljø innenfor et tema som jeg synes er interessant.

Jeg har fått vite litt om hva som er relevant og hva man bruker av metoder og kunnskap i næringslivet.

Og jeg anbefaler absolutt andre studenter å søke om arbeidspraksis.

 Jeg hører du også har fått sommerjobb hos Sintef Digital?

– Ja, det stemmer, jeg skal fortsette til sommeren. Et godt råd til andre studenter er å gjøre en god jobb, så åpner det seg muligheter, avslutter han.

 

 

Emnet Arbeidspraksis var en vellykket pilot i 2019 og undervises fra høst 2021.

Av Hilde Lynnebakken
Publisert 6. mai 2020 13:49 - Sist endret 16. juni 2020 12:05