轉職熱搜工作

1. Code Review與文件撰寫。 2. 具備獨立debug/閱讀最新技術文件能力。 3. IoT 設備 軟/韌體分析、設計、程式撰寫及測試。 4. 具基本MCU硬體認識，韌體開發、軟硬體整合開發、測試。 5. 改善及優化現有韌體，建構未來的彈性與可擴充性，增加軟體品質。 6. 配合專案需求，對新產品及技術進行目標學習與發展。 7. 其他,主管交辦事項。

1. 有LTE 產品開發經驗3年以上，熟悉 電路板設計、LTE Calibration/Verification、3GPP Test、RF 設計\Matching 等技能。 2. 有WiFi 產品開發經驗3年以上，熟悉 電路板設計、802.11a/b/g/n/ac、WiFi Calibration/Verification、WiFi 系統整合測試、RF 設計\matching 等技能，有天線設計經驗者尤佳。

1.物聯網相關應用程式、網頁、資料庫開發 2.嵌入式系統韌體開發 3.使用者介面/函式庫開發 4.Linux系統、驅動及應用程式開發 5.4G、5G、NB-IoT行動通訊應用開發 6.中英文產品文件撰寫

1.學習醫療軟體系統與健保相關規定。 2.透過連線或通訊遠端協助醫療院所排除系統故障與健保相關業務。 【其它條件】 1.具備服務熱忱與耐心，不會對與客戶互動恐懼. 2.具備相關經驗者，優先錄用 . 【發展與福利】 1.可依興趣與能力輪調系統研發、業務、輔導師、硬體工程師。 2.公司台北、桃園、台中、高雄、花蓮、嘉義有分公司，可依需要調整。 3.採360度評量，三節獎金依績效0.5-2.5萬，2萬國外旅遊補助、個人月績效獎金，部門月獎金與年終獎金。 4.★★滿一年以上平均含獎金(包含年終)與其他給付,月薪約為月薪之1.4-1.6倍★★

1.物聯網相關應用程式、網頁、資料庫開發 2.嵌入式系統韌體開發 3.使用者介面/函式庫開發 4.Linux系統、驅動及應用程式開發 5.4G、5G、NB-IoT行動通訊應用開發 6.中英文產品文件撰寫

1.負責影像產品線規劃、開發 2.新技術資訊收集、配合業務、客戶開發影像產品 3.研發進度之管理 4.導入工廠量產 5.開拓影像產品客戶

深度學習模型推論和訓練優化研究 (Optimization of Deep Learning Model Inference and Training) Machine Learning Systems團隊的研究方向包括：平行與分散式計算、編譯器、以及計算機架構。我們利用電腦系統的技術加速深度學習模型推論和訓練，並研究下一世代機器學習模型的系統開發和優化。 我們的研究方向著重於： 1. 模型壓縮與計算優化研究。 模型壓縮技術 (pruning and quantization) 透過減少AI模型容量與運算量，實現模型執行加速，對於嵌入式系統等資源受限的計算平台以及記憶體有限的AI加速器至關重要。為了有效執行壓縮後的模型，許多次世代處理器設計了新的運算功能，例如向量運算 (Intel AVX512, ARM SVE, RISC-V RVV) 和矩陣加速器 (matrix-multiplication unit on GPUs and NPUs) 等強化功能。我們將研究 (1) 如何利用這些強化運算功能加速壓縮模型的執行，(2) 各種計算平台，例如伺服器、邊緣裝置、異質系統等的壓縮模型的佈署方法。 2. AI加速器設計。 針對深度學習模型的推理加速，在FPGA板上實現AI加速器硬體設計，並進行軟硬體協同設計與優化研究。 3. 異質環境下深度學習模型推論優化研究。 智慧系統如自駕車與語音助理，通常需執行複雜的深度學習模型 (complex deep learning models: hybrid models, multi-models, and multi-task models)。與此同時，電腦架構正朝向異質多處理器設計發展 (heterogeneous architecture: CPUs+GPUs+AI accelerators)。如何整合異質處理器來執行複雜模型並達到高效能的運算，成為一項關鍵且具挑戰性的研究。針對此問題，我們將探討以下方向：(1) 模型運算與異質處理器的分配策略，(2) 排程演算法設計，(3) 模型執行平行化方法，包括資料平行（data parallelism）、模型平行（model parallelism）與張量平行（tensor parallelism）。 上述研究議題為國內外深度學習系統領域之重要發展方向，產業界及學術界均需此方面人才。適合擬專心研究，未來從事學術工作者或研發工作者，對於未來規劃進修博士學位者, 本實驗室之研究計畫提供優良之訓練環境與研究經歷。 薪資：博士64711元起聘，該職缺係「適用勞動基準法」

深度學習模型推論和訓練優化研究 (Optimization of Deep Learning Model Inference and Training) Machine Learning Systems團隊的研究方向包括：平行與分散式計算、編譯器、以及計算機架構。我們利用電腦系統的技術加速深度學習模型推論和訓練，並研究下一世代機器學習模型的系統開發和優化。 我們的研究方向著重於： 1. 模型壓縮與計算優化研究。 模型壓縮技術 (pruning and quantization) 透過減少AI模型容量與運算量，實現模型執行加速，對於嵌入式系統等資源受限的計算平台以及記憶體有限的AI加速器至關重要。為了有效執行壓縮後的模型，許多次世代處理器設計了新的運算功能，例如向量運算 (Intel AVX512, ARM SVE, RISC-V RVV) 和矩陣加速器 (matrix-multiplication unit on GPUs and NPUs) 等強化功能。我們將研究 (1) 如何利用這些強化運算功能加速壓縮模型的執行，(2) 各種計算平台，例如伺服器、邊緣裝置、異質系統等的壓縮模型的佈署方法。 2. AI加速器設計。 針對深度學習模型的推理加速，在FPGA板上實現AI加速器硬體設計，並進行軟硬體協同設計與優化研究。 3. 異質環境下深度學習模型推論優化研究。 智慧系統如自駕車與語音助理，通常需執行複雜的深度學習模型 (complex deep learning models: hybrid models, multi-models, and multi-task models)。與此同時，電腦架構正朝向異質多處理器設計發展 (heterogeneous architecture: CPUs+GPUs+AI accelerators)。如何整合異質處理器來執行複雜模型並達到高效能的運算，成為一項關鍵且具挑戰性的研究。針對此問題，我們將探討以下方向：(1) 模型運算與異質處理器的分配策略，(2) 排程演算法設計，(3) 模型執行平行化方法，包括資料平行（data parallelism）、模型平行（model parallelism）與張量平行（tensor parallelism）。 上述研究議題為國內外深度學習系統領域之重要發展方向，產業界及學術界均需此方面人才。適合擬專心研究，未來從事學術工作者或研發工作者，對於未來規劃進修博士學位者, 本實驗室之研究計畫提供優良之訓練環境與研究經歷。 薪資：碩士44968元起薪，該職缺係「適用勞動基準法」

1. IPCam和相機相關產品電子電路設計 2. 相關電路驗證和量測 3. PCBA測站不良品分析與良率改善 4. 產測分析與良率改善 5. 產品規格檢討 6. 解決工廠和客戶問題 7. 與芯片廠商溝通及解決問題