轉職熱搜工作

1.積層製造製程之工藝參數設計&治具方案評估 2.製程開發設計評估報告(DFM)製作 3.積層製造製程工藝規格與作業規範建立 4.製程不良項目FACA及客戶MIL分析報告製作 5.積層製造相關軟件編列及應用 *須長期出差

1.洞悉業界硬體應用技術動向及發展趨勢 2.硬體應用工作整體把控 3.硬體功能測試等各種技術支持 4.專案前期參與硬體需求分析 5.運動控制方案硬體框架搭建 6.運動控制方案硬體框架搭建開發

1. Research on 3GPP NR (New Radio) and 6G technologies including Layer 2/3 protocols and procedures 2. Support Intellectual Property related delivery and procedures 3. Standardization activities including participation of 3GPP meetings, contribution submission, new feature monitoring and exploration, and cooperation with other leading companies. 4. Teamwork with experts on communications and networking globally in SHARP

具體工作說明： 1.ID Tracking 推動半成品追踪系統，提升生產透明化與效率。 分析與優化追踪數據與流程。 2.機聯網（IoT Integration） 整合自動化設備，實現設備數據即時互聯。 擷取與管理機台資訊，確保數據準確傳輸。 3.設備參數擷取 擷取並擴展設備參數功能，優化設備效能。 分析參數數據，提供效能改進建議。 ※榮獲《HR Asia》2023年亞洲最佳企業雇主獎 ※連續六年「公司治理評鑑」前5％績優公司 ※台灣50大集團：第32名（2020天下雜誌） 完善的制度與福利: ◆優渥薪資及獎金制度(含年終獎金、績效獎金及員工分紅入股計劃)　 ◆完善教育訓練制度(職前訓練/在職/內外專業技能培訓...) ◆完善考核及多元化升遷管道　 ◆現代化軟硬體辦公設備(全面自動化/網路化電腦設備)　 ◆人性化管理及工作環境(廠區備有交通車及員工餐廳等設施)　 ◆優於勞基法的休假制度(到職當年度可依比例享有特休假)　 ◆勞健保、團保(含壽險、意外傷害險、住院醫療險、癌症險等)　 ◆職工福利委員會(福委會三節禮金、員工旅遊、慶生禮金、子女教育獎助金、無息貸款、婚喪喜慶補助)

1. 數位設計電路開發與維護。 2. SoC系統設計電路開發與維護。 3. 數位設計與晶片系統設計技術諮詢。 4. 其它主管交辦事項。

【工作內容】 1.產品機構開發、設計 2.產品雛樣設計、打樣，量產釋出前的問題分析對策評估 3.配合專案進行產品相關量測及儀器操作分析及改善

一、GenAI 應用設計與開發 規劃並帶領團隊設計創新的 GenAI 應用，涵蓋以下核心場景： 　- 內容生成：自動撰寫文案、產生程式碼、翻譯語言、生成音樂與影片等 　- 數據分析：從海量資料中提取洞見，實作預測模型、生成動態報表 　- 智慧客服：建構 AI 聊天機器人、推薦系統、自動回覆模組 　- 教育科技：開發互動式學習工具、自適應學習平台、自動批改系統 根據應用需求選擇合適的 GenAI 模型（如 GPT-4、Gemini、Claude），並進行微調與最佳化 運用相關開發框架與工具（如 LangChain、Python、TensorFlow）實作應用 領導 GenAI 系統與企業內部平台的整合與佈署 二、跨部門協作與技術溝通 與產品經理、UI/UX 設計師、資料科學家、IT 團隊等協作，推動專案開發進度與品質 能以業務導向思維，向非技術團隊清楚說明 GenAI 應用的原理、效益與限制 擔任團隊與高階管理層之間的技術橋樑，提出具可行性的技術建議與決策支持 三、技術研究與知識傳承 持續追蹤全球 GenAI 技術發展趨勢、主流模型演進（如 GPT、Claude、Mistral 等）與最佳實務 深入研究模型訓練、推論效率、提示工程、RAG 等核心技術 推動團隊內部技術分享、建立知識庫、鼓勵參與技術社群與研討活動 四、團隊領導與品質管理 建立技術標準與開發流程，確保 GenAI 應用的穩定性、可維護性與可擴展性 帶領團隊撰寫高品質技術文件與 API 文件 指導應用測試與部署流程，主導關鍵問題除錯與技術瓶頸排解

一、設計與開發 RAG 流程（Retrieval-Augmented Generation） 建置 GenAI 應用所需的 RAG 流程，包括： 　- 資料處理：轉換各種格式（如文本、圖像、程式碼）為模型可解析的結構 　- 向量嵌入：將處理後資料轉為向量表示，並儲存於向量資料庫 　- 相似度檢索：根據使用者查詢，在向量資料庫中搜尋最相關的內容 　- 提示強化：將檢索結果整合至 LLM 輸入提示中，提升生成結果品質 　- 結果產生：透過 GenAI 模型生成最終回應 評估並選擇合適的嵌入模型與向量資料庫（如 Pinecone、Milvus），持續優化流程效能與準確性 二、建置與維護向量資料庫 部署並設定向量資料庫系統，依據需求設計資料結構（schema） 開發資料導入、更新、自動化維護相關工具與腳本 監控資料庫效能與資源使用，進行調校與最佳化 三、開發與優化向量嵌入模型 根據應用場景選擇適合的嵌入模型 利用工具（如 SentenceTransformers）進行模型訓練與微調 監測模型準確性與表現，進行優化與迭代 四、提升 GenAI 應用準確性與可靠性 利用 RAG 技術降低模型產生幻覺（hallucination）的機率 確保模型生成內容具備事實性、準確性與一致性 建立監控與評估機制，強化系統回應品質 五、跨部門協作與技術溝通 與 GenAI 工程師、資料科學家、產品團隊密切合作，確保系統設計符合實際需求 以簡潔方式向非技術同仁說明 RAG 與向量技術的核心概念與應用價值 六、技術研究與持續進修 追蹤 RAG 架構、向量資料庫、嵌入技術等相關領域的最新發展 研究新穎的相似度搜尋算法與嵌入技術應用 參與社群活動、技術論壇或研討會，拓展專業視野