轉職熱搜工作

1.智慧製造決策最佳化：依照不同客戶需求，與團隊開發最佳化模型，將決策限制及目標轉化為數學模型，並結合 AI 模型（如深度學習、強化學習）提升預測準確度與決策效率。 2.多場域應用：將最佳化與數學模型技術應用於傳統產業與科技業（如海運業船隊調度、半導體業智慧排程、醫療行業人力排班等），並導入 LLM 技術進行需求分析、語意理解與決策邏輯生成。 3.跨組織專案系統開發與整合：參與 AI/LLM 模型的系統整合與部署，包含 API 串接、雲端架構設計、資料流整合與模型推論流程建置。

1.自動駕駛感知系統演算法開發(車道線/紅綠燈/物件偵測、辨識與追蹤)。 2.感知融合演算法開發、整合多種類感測器訊息。 3.深度學習演算法開發、訓練及實施。

1.負責機器人之強化式學習/模仿學習等技術開發，熟碾；PPO等模型結構與演算法。 2.數位孿生模擬與系統驗證。 -負責模擬器之建模與調整，導入模擬器進行控制整合與參數調整。 -熟於模擬器中進行機器人學習/驗證與測試。 3.開發機器人整合相關需求，依據實務需求進行模組串接與功能驗證。

深度學習(大語言模型、視覺語言模型)相關應用設計與模型開發相關工作，包括 : (1) 技術研發規劃與系統設計- 多模態場景理解與任務/行為生成技術。 (2) 技術研發與模型建置- 用於機械手臂、機器人透過視覺、語音理解外在環境與人為交互，專注跨模態整合與模型性能優化。 (3) 具以下專業知識(一項或多項)：人工智慧、深度學習、系統工程、程式設計、軟體工程、科技計畫與管理。 (4) 計畫提案、專利與規格survey。

1.將機器學習與深度學習技術（如時序預測、分類預測、強化學習）應用於實際場域，實現AI模型於真實情境中的落地應用。 2.負責完整模型開發流程，涵蓋方法設計、資料蒐集與清理、特徵工程建構、模型建置與效能調校。

《工作內容》 負責人型/類人型智慧機器人的大小腦AI技術開發，包含視覺語言模型、純視覺3D環境感知、影像即時追蹤與地形分析、WBC整機控制技術與多機協作。並透過 Omniverse 仿真與實機整合驗證，打造具高度自主性與環境理解能力的智慧機器人系統。並參與以下研發重點： 1. 核心模型研發 (Model R&D): - 負責 視覺語言動作模型 (VLA Model) 的架構設計與開發，應用於機器人/機械手臂之多模態場景理解與決策。 - 研究並實作 模仿學習 (Imitation Learning) 與 強化學習 (Reinforcement Learning) 演算法，提升機器人複雜任務的泛化能力。 2. 模擬與資料工程(Simulation & Data Engineering): - 建構 High-fidelity虛擬模擬環境，負責 Sim2Real 的物理參數調校與驗證，縮短實機部署落差。 - 設計自動化軌跡資料蒐集流程，建立高品質的多模態數據集 (Multimodal Dataset)，用於行為生成 (Behavior Generation) 訓練。 3. 系統整合與邊緣部署 (Integration & Deployment): - 規劃機器人控制系統架構，將深度學習模型與傳統控制策略進行整合。 - 負責模型輕量化與推論優化，將控制策略成功部署於 邊緣運算裝置，確保即時性與穩定性。 《職務亮點/優勢》 1.跨領域AI×機器人研發：從 VLA、VLM、LBM、3D 感知到WBC整機控制技術，參與智慧機器人核心能力建構。 2.虛實融合研發環境：採用 Omniverse 進行高仿真模擬，加速模型驗證並與實體機器人快速串接。 3.技術應用場域多元：成果可應用於餐飲服務、警勤巡檢、消防救災、多機協作等任務，具高挑戰性與實用性。

1. 模擬高速訊號於電路板中特性並優化 2. 高頻高速訊號量測與模擬 3. 高頻測試設備操作，測試數據與文件整理 4. 協助部門相關研究計執行，建立研發能量與成果。

1. 負責AI 超級電腦運算服務主機系統管理與維運。 2. 負責排除解決主機系統異常與用戶問題。 3. 協助新穎超級電腦架構與技術之評估與運用。 4. 配合主管交辦事務。

1. 核心模型研發 (Model R&D): - 負責 視覺語言動作模型 (VLA Model) 的架構設計與開發，應用於機器人/機械手臂之多模態場景理解與決策。 - 研究並實作 模仿學習 (Imitation Learning) 與 強化學習 (Reinforcement Learning) 演算法，提升機器人複雜任務的泛化能力。 2. 模擬與資料工程(Simulation & Data Engineering): - 建構 High-fidelity虛擬模擬環境，負責 Sim2Real 的物理參數調校與驗證，縮短實機部署落差。 - 設計自動化軌跡資料蒐集流程，建立高品質的多模態數據集 (Multimodal Dataset)，用於行為生成 (Behavior Generation) 訓練。 3. 系統整合與邊緣部署 (Integration & Deployment): - 規劃機器人控制系統架構，將深度學習模型與傳統控制策略進行整合。 - 負責模型輕量化與推論優化，將控制策略成功部署於 邊緣運算裝置，確保即時性與穩定性。