Masterprogram i teknisk NLP-teknik och ingenjörsassistenter
Online masterprogram på 1 900 timmar i teknisk NLP-utveckling och ingenjörsassistenter: 12 moduler som omfattar datorlingvistik, Transformer-modeller, RAG över teknisk dokumentation, informationsextraktion, finjustering, agenter, LLMOps och AI-styrning enligt EU:s AI-förordning, ISO/IEC 42001 och NIST AI RMF, med en tilldelad teknisk handledare.
Masterprogram i teknisk NLP-teknik och ingenjörsassistenter — studerar från Sverige
Sverige har en stark position inom data och artificiell intelligens, med forskningsmiljöer vid KTH, Chalmers och Lunds universitet samt WASP, ett stort forskningsprogram för AI och autonoma system. Företag som Spotify, Klarna och Ericsson använder avancerad dataanalys och simulering i sin verksamhet. Inom industrin används simulering för produktutveckling och digitala tvillingar. Kompetens inom maskininlärning, statistik och modellering efterfrågas brett i svenskt näringsliv.
Avgifter för Sverige: 109 000 kr (svensk krona), med delbetalning och företagsstöd tillgängligt.
Relevanta organisationer i Sverige
Typiska roller
Frågor från Sverige
Vilken valuta betalar jag i?
Priserna på sidan visas i svenska kronor (SEK). Delbetalning och företagsstöd finns tillgängligt.
Vad är slutprojektet?
Ett slutprojekt genomförs under handledning och kan i många fall kopplas till ditt eget yrkesområde eller din arbetsplats.
Ta kontrollen.
Förklara grunderna och parametrarna för Balance of Performance.
Vad du kommer att kunna göra
Diseñar pipelines de procesamiento del lenguaje para documentación técnica.
Construir asistentes RAG con citas trazables a normas y manuales.
Extraer requisitos, tablas y listas de materiales de documentos no estructurados.
Adaptar modelos de lenguaje al dominio mediante ajuste fino eficiente.
Orquestar agentes que utilicen herramientas de cálculo, CAD y PLM.
Utvärdera tillförlitlighet, säkerhet och bias hos assistenter i produktion.
Driftsätt ingenjörsassistenter i överensstämmelse med EU:s AI-förordning.
För vem det är
- NLP-ingenjörer som övergår till teknisk dokumentation och ingenjörsassistenter.
- LLMOps-ingenjörer med ansvar för att driva språkmodeller i produktion.
- Utvecklare av tekniska assistenter för ingenjörsteam.
- Specialister på teknisk kunskapshantering.
- Arkitekter för generativa AI-lösningar.
- Ansvariga för AI-styrning i industriella organisationer.
- Ingenjörs- eller naturvetenskapliga examinerade som vill arbeta inom ingenjörs- och teknisk konsultverksamhet.
Det du kommer att arbeta med
- Förordning (EU) 2024/1689 (EU:s förordning om artificiell intelligens)
- ISO/IEC 42001:2023 (ledningssystem för AI)
- NIST AI RMF 1.0 (ramverk för riskhantering av AI)
- ISO/IEC 23894:2023 (vägledning för riskhantering av AI)
- Förordning (EU) 2016/679 – GDPR (skydd av personuppgifter)
- ISO/IEC 22989:2022 (begrepp och terminologi för AI)
- ISO/IEC 27001:2022 (ledningssystem för informationssäkerhet)
- Hugging Face Transformers
- spaCy
- LangChain
- vLLM
- Qdrant
12 modules · 1900 h
1.1Tokenisering av teknisk dokumentation och enheter1.2Morfologi, lemmatisering och specialiserad terminologi1.3Beroendeanalys av skriftliga kravspecifikationer1.4Igenkänning av namngivna entiteter i standarder och datablad1.5Vektorrepresentationer: word2vec, fastText och GloVe1.6Tekniska korpusar: handböcker, specifikationer och ärenden1.7Korpusannotering och överensstämmelse mellan annotatörer1.8Regelbaserad extraktion och reguljära uttryck1.9Utvärderingsmått: precision, täckning och F11.10Labb: spaCy-pipeline på underhållshandböcker
2.1Uppmärksamhetsmekanism och multi-head self-attention2.2Encoders i BERT-stil och decoders i GPT-stil2.3Maskerade och kausala förtränningsmål2.4Tokeniserarna BPE, WordPiece och SentencePiece2.5Kontextfönster och positionskodning med RoPE2.6Skalningslagar och val av modellstorlek2.7Öppna modeller: Llama, Mistral och Qwen2.8Kvantisering med GPTQ och AWQ samt formatet GGUF2.9Effektiv inferens med vLLM och KV-cache2.10Praktik: servera en öppen modell på en lokal GPU
3.1Prompting med zero-shot, few-shot och stegvis resonemang3.2Systemmeddelanden och stilkontroll3.3JSON-utdata validerade med scheman i Pydantic3.4Funktionsanrop och verktygsanvändning3.5Hantering av enheter och storheter i svar3.6Minskning av hallucinationer med explicita begränsningar3.7Versionshantering av prompter och regressionstester3.8Prompt injection och grundläggande skydd3.9Kostnad per token och optimering av latens3.10Workshop: extraktor av krav till validerad JSON
4.1Inläsning av PDF-filer, ritningar och datablad4.2Semantisk chunkning och chunkning baserad på dokumentstruktur4.3Embeddingmodeller och val utifrån domän4.4Vektordatabaser: FAISS, Qdrant och pgvector4.5Hybridsökning med BM25 och dense retrieval4.6Omrankning av passager med cross-encoders4.7Källhänvisningar spårbara till klausul och sida4.8Inkrementell uppdatering av dokumentindex4.9Utvärdering av RAG med Ragas: trohet och relevans4.10Labb: RAG-assistent över interna standarder
5.1Klassificering av krav med EARS-syntax5.2PDF-tabeller: Camelot, pdfplumber och OCR5.3Läsning av titelblock och stycklistor5.4Normalisering av fysikaliska enheter med Pint5.5Identifiering av tvetydighet i tekniska specifikationer5.6Relationer mellan komponenter och kunskapsgrafer5.7Tekniska ontologier och kontrollerade ordförråd5.8Koppling till artikelnummer i PLM5.9Mänsklig validering och korrigeringsslingor5.10Fallstudie: strukturerad stycklista från skannade specifikationer
6.1När modellen ska finjusteras och när den ska använda hämtning6.2Instruktionsdataset från tekniska rapporter6.3LoRA- och QLoRA-adaptrar med PEFT6.4Övervakad finjustering och chattmallar6.5Preferensanpassning genom DPO6.6Syntetiska data och kontroll av kontaminering6.7Katastrofal glömska och utvärdering av regression6.8Destillering till små modeller för driftsättning6.9Experimentspårning med MLflow6.10Praktik: QLoRA på incidentrapporter
7.1Mönstren ReAct och planerare-utförare7.2Integration med kalkylatorer och numeriska lösare7.3Genererade SQL-frågor mot tekniska databaser7.4Koppling till CAD- och PLM-API:er7.5Protokollet MCP för exponering av verktyg7.6Konversationsminne och uppgiftstillstånd7.7Gränser för autonomi och mänskligt godkännande7.8Spårning och observabilitet med Langfuse7.9Felhantering och återförsök för verktyg7.10Workshop: agent som dimensionerar och dokumenterar en komponent
8.1Generering av Python-skript för CAE-förbehandling8.2Makron för FreeCAD och CAD-API:er8.3Stöd vid PLC-programmering enligt IEC 61131-38.4Genererade enhetstester och kodgranskning8.5Statisk analys och identifiering av osäker kod8.6Teknisk dokumentation genererad från kod8.7Licenser för kod och immateriella rättigheter8.8Integration i IDE:er och granskningsarbetsflöden8.9Mätetal för produktivitet och kodkvalitet8.10Praktik: automatisering av nätgenerering med en LLM
9.1Egna domänspecifika utvärderingsuppsättningar9.2LLM som domare och dess bias9.3Kalibrering av konfidens och kontrollerad avstående9.4Adversarial testing och red teaming9.5Dataläckage och dokumentsekretess9.6OWASP Top 10-risker för LLM9.7Riskhantering enligt NIST AI RMF9.8Övervakning av drift i produktion9.9Spårbarhet för reglerade sektorer9.10Fallstudie: granskning av en underhållsassistent
10.1Molnbaserad kontra lokal arkitektur (on-premise)10.2Containrar, Kubernetes och skalning med GPU10.3Modellgateways och kostnadsbaserad routing10.4Semantisk cachning och latensstyrning10.5Hantering av hemligheter och åtkomstkontroll10.6Canary-driftsättning och A/B-testning10.7Granskningsloggning av interaktioner10.8Totala driftskostnader för assistenten10.9Energiförbrukning vid inferens10.10Labb: driftsättning med vLLM och Kubernetes
11.1EU:s AI-förordning och risknivåer11.2AI-ledningssystem enligt ISO/IEC 4200111.3Skydd av personuppgifter i assistenter11.4Upphovsrätt för standarder och handböcker11.5Interaktionsdesign och användarnas förtroende11.6Förändringshantering på tekniska avdelningar11.7AI-kompetens för ingenjörer11.8Avkastning på investering och affärsplan11.9Modellkort och systemdokumentation11.10Fallstudie: implementeringsplan i ett ingenjörsföretag
12.1Definition av användningsfall och omfattning12.2Insamling och licensiering av teknisk korpus12.3Arkitekturdesign för assistenten12.4Implementering av en funktionell prototyp12.5Utvärderingsplan och framgångsmått12.6Test med verkliga ingenjörsanvändare12.7Riskanalys och regelefterlevnad12.8Koddokumentation och reproducerbarhet12.9Rapport för masteruppsatsen12.10Masteruppsatsen: försvar inför en granskningskommitté
Så kommer du att lära
Utbildningen bedrivs till 100 % online på SEIUM:s campus, med nedladdningsbart material, inspelade lektioner och en tilldelad teknisk handledare. Det finns inga fasta scheman: du går framåt i din egen takt inom varje antagningsomgång, vilket gör programmet förenligt med arbete.
Varje modul kombinerar teori, handledd läsning av den ursprungliga standarden och tillämpade övningar. Arbetsprogramvaran är Hugging Face Transformers, spaCy, LangChain, vLLM och Qdrant, i kostnadsfria, akademiska eller utvärderingsversioner. Testerna studeras utifrån verkliga procedurer: utvärdering av assistenter på riktiga tekniska korpusar, försök med ingenjörer på tekniska kontor och granskning av svar mot de angivna standarderna. Bedömningen sker löpande per modul, samt genom det slutliga masterarbetet.
Standarder som behandlas: Förordning (EU) 2024/1689 om artificiell intelligens, ISO/IEC 42001:2023, NIST AI RMF 1.0, ISO/IEC 23894:2023, förordning (EU) 2016/679 (GDPR), ISO/IEC 22989:2022, ISO/IEC 27001:2022.
Genomför det från början till slut
Ditt slutprojekt följer det verkliga ingenjörsarbetsflödet, steg för steg, granskat av din handledare.
Vart detta leder
Krav
- En högskoleexamen inom ingenjörsvetenskap, naturvetenskap eller arkitektur, eller motsvarande dokumenterad yrkeserfarenhet.
- En internetanslutning och en dator som klarar av programmets programvara.
- Engelska tillräcklig för att läsa tekniska standarder.
Redo att börja?
Skicka din ansökan redan idag. Vår antagningsenhet svarar inom 72 timmar med din studieplan och finansieringsalternativ.
Vanliga frågor
Programmet omfattar totalt 1 900 timmar under 12–14 månader. Du bestämmer din egen takt inom varje antagningsomgång, och din handledare hjälper dig att planera arbetsbelastningen utifrån ditt arbete.
Du arbetar med Hugging Face Transformers, spaCy, LangChain, vLLM och Qdrant, med kostnadsfria, akademiska eller utvärderingsversioner. Din handledare anger det kostnadsfria alternativet där ett sådant finns.
Ett diplom från SEIUM Institute, som utfärdas när den löpande bedömningen och examensarbetet är godkända. Det är SEIUMs egen kvalifikation, inte en officiell statlig examen; dess erkännande beror på vilket program som genomförs och på respektive lands regelverk.
Ja. Moduler som har slutförts i en kurs eller ett forskarutbildningsdiplom inom samma område erkänns i det högre programmet. Fråga om erkännandepolicyn när du registrerar dig.
En universitetsexamen inom ingenjörsvetenskap, naturvetenskap eller arkitektur (eller motsvarande yrkeserfarenhet), en dator som kan köra programvaran och engelska tillräckligt bra för att läsa tekniska standarder.
Startdatum fastställs av SEIUM:s lärarkår för varje antagningsomgång. Vårt antagningsteam bekräftar nästa lediga datum när du ansöker.
Relaterade program
More in Data, AI, Simulation & Analytics
All Data, AI, Simulation & Analytics programmes → · Så ansöker du · Avgifter och finansiering · Stipendier