newmoの1_05 Machine Learning エンジニア (End-to-End モデル開発) | 自動運転開発室の求人

Physical AIの最前線へ。End-to-Endモデルで自動運転を社会実装するシニアMLエンジニア

私たち newmo（ニューモ）は、「 移動で地域をカラフルに。」 をミッションに掲げ、フィジカルAI（End-to-End自動運転モデルなど）と大規模なリアルアセットを統合し、日本の移動インフラを根本から再設計する次世代のモビリティテックカンパニーです。
私たちは、既存のタクシー・ハイヤーの運行エコシステムを最先端のテクノロジーで全レイヤーにわたりアップデートし、少子高齢化や人手不足に起因する地域交通の縮小という社会課題に対し、デジタルとリアルアセットの双方を統括する自社内製技術をもって、新たな “移動のかたち”をつくり続けています。
私たちの真の強みは、自社フリートから得られるエッジデータと走行・安全データを、内製化された自動運転パイプラインへ高速フィードバックする「リアルアセット・データ直結型」の稀有なAI開発エコシステムにあります。
さらに、経済産業省・NEDO「GENIAC」への採択、堺市での国家プロジェクトへの参画、自動運転ソフトウェアをリードする企業との協業など、多くのパートナーとともに挑戦を加速。日本特有の環境に対応したAI基盤モデルの社会実装をリードしていきます。
現在、私たちは2028年の自動運転レベル4商用化を見据え、自社システムの内製開発（newmo Autonomy）を本格始動しました。
狙うのは、従来の認識・予測・計画を切り離したルールベースのモジュール型にとらわれない、センサー入力から直接車両を制御する最先端の「End-to-End自動運転モデル」の開発です。
安全性と技術革新を究極のレベルで両立し、社会実装へ導く。この難易度の高い社会課題に、初期コアメンバーとして共に挑んでくれる方を募集いたします。

▼ 業務内容

Physical AI / 自動運転タクシーのための学習ベースの End-to-End自動運転モデルの開発・社会実装

• カメラ画像やLiDAR点群などのセンサー入力を受け取り、経路計画や車両制御を行う自動運転モデルの開発
• オフライン評価、シミュレーターを用いたモデルのパフォーマンス評価と改善サイクルの確立
• エッジデバイス向けの最適化および実車を用いたモデルのパフォーマンス評価

◆ポジションの魅力◆

• 難易度が高い社会課題の解決
  • 「自動運転タクシー」という極めて安全性が求められるプロダクトにおいて、技術的に非常にハードルの高い課題に挑み、社会実装するやりがいがあります
• 最先端技術への挑戦(Physical AI / VLA)
  • 自動運転のためのモデルを開発し、シミュレーションや車を使って評価を行う領域は、世界的にもまだ知見が少ないフロンティアです。最新の機械学習や基盤モデル技術を実世界の複雑な問題に適用し、次世代の自動運転のスタンダードを作り出すチャンスがあります
  • AIが実世界とのインタラクションを行うPhysical AIと呼ばれる領域は、サーバーで完結するAI開発にはない難しさと面白さがあります
  • 今後規模が増えてゆくGPUサーバーと自社で収集する大量のセンサーデータを使って、大規模に学習を回してモデルを作っていきます

求める人物像 newmoの大事にしている以下のコンピーテンシーを体現できる方

・持続的改革を実行するための精神（Grit)
・自走力
・誠実さ
・チームへの信頼、貢献
・熱意
・ステイクホルダーへのリスペクト
・高い目標意識
・リスクと安全のバランスを取る力

• 機械学習エンジニアとしての実務経験
  • 目安：MLエンジニアとして3年以上、もしくはそれに相当する経験
• Deep Learningを用いたモデル開発の経験
  • PyTorch / TensorFlow などを用いたモデル開発経験
• Python, C++などを用いたソフトウェア開発経験
• 技術的な不確実性が高い課題に対して、論文調査からプロトタイピング、実運用まで自走して推進できる能力
• 日本語でのコミュニケーション能力（JLPT N2相当以上）

• 自動運転システム、または移動ロボットの自律移動アルゴリズムの開発経験。Imitation Learning / Reinforcement Learning / Trajectory Prediction などの経験
• NLP / LLM（Transformerアーキテクチャ、大規模言語モデルの学習・推論、マルチモーダル学習）の知識・経験
• Vision-Language Model（CLIP, LLaVA, GPT-4V等）を用いた開発・ファインチューニング経験
• 強化学習モデルの開発に関する実務経験
• モデル量子化、TensorRT等を用いたエッジデバイス向け最適化経験
• トップカンファレンス（CVPR, NeurIPS, ICRA等）での論文発表実績、またはKaggle等のコンペティションでの上位入賞経験
• エンジニアリングチームのリード、またはメンタリングの経験