A1A株式会社のResearch Engineer（Geometry / 3D・幾何学アルゴリズム）の求人

▍募集背景
￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣
A1Aは「取引に関わるすべての人が、信頼と情熱をもったものづくりができる世界をつくる」をミッションに掲げ、製造業の調達・購買領域における課題解決に取り組むスタートアップです。

私たちが向き合う製造業の現場では、図面や見積書と並び「3D CAD」が極めて重要なデータとして存在します。3D CADには製品の形状だけでなく、製造方法や加工の難しさ、材料使用量、金型構造など、コストや製造性に直結する情報が詰まっています。

しかし、既存のCAD機能や一般的なAIモデルだけでは、形状が持つ「製造上の意味やコスト要因」を正確に読み解くことはできません。形状やトポロジーから製造難易度やコストドライバーを説明可能な形で抽出するには、Computational Geometry（計算幾何学）や Geometric Deep Learning（幾何学的深層学習）といった幾何学そのものを扱う技術が必要です。

今回は、Geometry領域を専門性の軸として、まだ解き方の定まっていない技術課題に挑み、新しいアルゴリズムやモデルをゼロから生み出す Research Engineer を募集します。PoCで終わらせず、「これまでプロダクトができなかったことをできるようにする」社会実装まで一貫して取り組めるポジションです。

▍これから取り組みたいこと
￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣
・3D CADから製造上意味のある幾何特徴を抽出するアルゴリズムの研究開発
・B-Rep、Mesh、Point Cloudなどを対象とした3D形状解析
・形状やトポロジーを用いた製造性・製造難易度の推定
・3D形状から製品コストを左右する幾何学的な要因を抽出・説明する技術の開発
・Geometric Deep Learningを活用した3D形状認識・表現学習
・CADデータを対象とした学習データ・評価データ・ベンチマークの構築
・図面やテキストなど、他の情報と3D CADを組み合わせたマルチモーダルな解析
・研究・技術検証によって獲得した能力のプロダクトへの実装

例えば、現在は以下のような問いに取り組んでいます。
・部品形状から、肉厚・リブ・ボス・穴などの製造特徴をどこまで安定して認識できるか
・形状やトポロジーから、製造方法や加工の難しさをどこまで推定できるか
・3D CADから、材料使用量や形状複雑性など、原価を左右するコストドライバーをどこまで抽出できるか
・異なる向きや座標系、実際のCADデータに含まれる数値誤差に対して、どのように頑健な解析を実現するか
・決定論的な幾何アルゴリズムと機械学習を、それぞれどのような問題に使い分けるべきか
・これらは一例です。特定の手法を前提とせず、問題に応じて幾何アルゴリズム、機械学習、深層学習などを組み合わせながら研究開発を進めます。

▍仕事内容
￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣
A1AのAIチームの一員として、課題設定から論文調査、アルゴリズム設計、プロトタイピング、プロダクション実装まで一貫して担っていただきます。

＊Mission
・3D CADに含まれる幾何情報から、製造性やコストに関係する情報を理解・抽出できる技術をつくること
・既存のAIやCAD機能では解けない課題に対し、幾何アルゴリズムと機械学習を融合させた新しい解法を開発すること
・研究開発成果を実際のプロダクト（UPCYCLE）に実装し、製造業の現場に新たな価値を提供すること

＊想定する業務例
・課題設定・技術調査
└ 製造業務の課題をGeometry領域の技術課題として再定義・定式化
└ 論文、OSS、商用ライブラリ等の調査と、プロトタイプによる実現可能性検証

・幾何解析アルゴリズム & 機械学習モデルの開発
└ 曲率・法線・トポロジー等の幾何情報を活かした決定論的アルゴリズムの設計
└ 課題に応じた Geometric Deep Learning や GNN 等のモデル構築

・データセット・評価指標の設計
└ 学習データ・評価データの設計および Ground Truth の構築
└ 単なる認識精度だけでなく「製造上の実用性」を踏まえた評価指標の策定

・プロダクトへの展開・実装
└ ML Engineer や AI Product Engineer と協働し、処理速度・頑健性を考慮したプロダクション環境への組込み・改善

▍ポジションの魅力
￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣
【実際の製造業の課題を対象にGeometryの研究開発ができる】
A1Aが扱うのは、単純な3D物体認識ではありません。
実際の製造業で利用されている3D CADを対象に、「この形状はどのように製造されるのか」「どこにコストが発生するのか」「どこに製造上のリスクがあるのか」といった問いに向き合います。
形状を正しく認識できるだけではなく、その結果が製造業務や意思決定の中で意味を持つことが求められます。
Geometryという専門性を、現実のものづくりの課題に直接つなげられる環境です。

【幾何アルゴリズムと機械学習の両方を扱える】
すべての課題をDeep Learningで解くことが最適とは考えていません。
形状やトポロジーから決定論的に解く方が適した問題もあれば、Geometric Deep Learningなどを用いてデータから表現を獲得する方が適した問題もあります。
Computational Geometry、3D Vision、Machine Learningなどの境界を限定せず、問題に対して最も適したアプローチを考えることができます。

【既存手法の適用だけではなく、解き方そのものを考えられる】
製造業の3D CAD解析には、研究としても十分に解かれていない課題が数多く存在します。
論文やOSSをそのまま適用して期待する性能が得られなければ、失敗の原因を分析し、問題設定や表現方法を見直し、必要であれば新しいアルゴリズムやモデルを設計します。
「どのライブラリを使うか」ではなく、「この問題をどう解くか」から考える研究開発ができます。

【研究成果を実際のプロダクト価値までつなげられる】
A1Aでは、研究成果そのものではなく、その結果として「これまでできなかったことができるようになる」ことを重要視しています。
例えば、これまで人が3D CADを確認しなければ判断できなかった情報を自動的に抽出できるようになることや、形状から製造性・コストに関する新しい示唆を提供できるようになることが、研究開発の成果になります。
研究によって獲得した技術をプロダクトへ実装し、実際の製造業の現場で利用されるところまで関わることができます。

【まだ立ち上がり期の技術領域をつくっていける】
Geometry領域の研究開発は、A1Aにとってこれから本格的に強化していく領域です。
研究テーマ、評価方法、データセット、技術スタック、開発プロセスなども含めて、完成されたものがあるわけではありません。
自ら問いを立て、必要な技術や研究テーマを考えながら、A1AにおけるGeometry研究開発のあり方そのものをつくることができます。

▍チームメンバー
￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣
階層ベイズ・統計的因果推論・組合せ最適化・グラフニューラルネットワークまで扱い、航空機の強度解析から防衛領域の物体検出、大手ECの検索・推薦、アドテクの広告配信最適化まで各産業のML中核を担ってきたデータサイエンティストや、製造・建設・エンタメと複数業界でNLP・図面解析・Edge AI×IoTからLLMアプリケーションまで幅広く手掛けてきたMLエンジニアが在籍しています。

▍技術スタック・開発環境
￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣￣
■ 言語・環境
・プログラミング言語: Python, C++
・開発環境 / コンテナ: Linux, Docker, Git / GitHub

■ 幾何処理・CAD・データ処理ライブラリ
・CAD / B-Rep 処理: OpenCASCADE (OCC), FreeCAD
・メッシュ / 点群 / 幾何計算: CGAL
・数値計算・最適化: NumPy, Eigen

■ 3D AI / Geometric Deep Learning
・フレームワーク: PyTorch, PyTorch Geometric (PyG), DGL (Deep Graph Library)
・主要モデル・アプローチ: Graph Neural Network (GNN),Equivariant Neural Network

■ 対象とする3Dデータ表現
・B-Rep (Boundary Representation: STEP, IGES等)
・Polygon Mesh (STL, OBJ, PLY等)

■ 基礎理論・関わりが深い学術領域
・Computational Geometry（計算幾何学）
・Differential Geometry（微分幾何学） / Topology（位相幾何学）
・Numerical Optimization（数値最適化） / Linear Algebra（線形代数）
・3D Computer Vision / Feature Recognition（製造特徴認識）

・幾何学や3Dデータを扱う技術そのものに興味がある方
・既存手法を適用するだけではなく、問題設定やアルゴリズムそのものを考えることが好きな方
・論文や既存技術を調査し、自ら実装・検証できる方
・綺麗な研究データだけではなく、実際の産業データが持つ複雑さや例外に向き合える方
・仮説を立て、定量的に評価し、失敗事例から次のアプローチを考えられる方
・研究成果を論文やPoCに留めず、実際のプロダクト価値へつなげることに興味がある方
・自身の専門性に閉じず、製造業や機械学習など新しい領域を学びながら取り組める方
・HRT（謙虚・敬意・信頼）を持った率直なコミュニケーションができるチームで働きたい方

以下のいずれかに該当する方（※3D CADの直接的な実務経験は必須ではありません）

・3D Geometry / 幾何学処理 / 3D Computer Vision に関する研究・開発経験
（例：Computational Geometry、3D CAD / B-Rep、Mesh / Point Cloud Processing、Computer Graphics、Geometric Deep Learningなど）

・または、高い数学的素養とアルゴリズム実装力をお持ちの方（3D未経験OK！）
└ 大学/大学院レベルの高等数学（線形代数・微分幾何学・解析学・最適化理論・トポロジーなど）を理解しており、抵抗がないこと
└ Python または C++ を用いて、ライブラリ呼び出しだけでなく自力でアルゴリズムをゼロから実装・検証できる能力があること

・「3D空間のデータ処理やCADデータの解析に強い興味がある」という意欲をお持ちの方

💡 特に歓迎したい「隣接領域」の経験例
「実務は別領域だが、数学・物理・アルゴリズム力を活かして3D解析へ挑戦したい」という方を大歓迎します！
・ロボティクス・制御アルゴリズム（SLAM、軌道計画、逆運動学など）
・物理シミュレーション・数値解析（CAE、流体/構造解析、CGの物理エンジンなど）
・2D画像処理・コンピュータビジョン（OpenCV、画像認識、フィルタ処理など）

・B-Rep / 3D CADデータを対象とした形状解析や機械学習の経験
・OpenCASCADE、CGAL などの Geometry / CAD ライブラリの利用・開発経験
・Geometric Deep Learning（Graph Neural Network / Equivariant Neural Network等）の知見・開発経験
・3D形状認識、Semantic Segmentation、Feature Recognition の経験
・CAD Kernel、CAE、CAM などの開発・利用経験
・機械加工、鋳造、鍛造、射出成形など製造プロセスに関する知識
・学術論文の執筆・学会発表実績（国内・国際学会）
・研究成果やアルゴリズムをプロダクション環境へ導入・実装した経験