株式会社NTPのAIエンジニア（MLOps・評価基盤／3D点群・画像データ）の求人

ロボットやAIは、研究室やデモでは動きます。
しかし製造・物流の現場に出ると、棚の配置や置かれる物は日々変わり、センサーのデータには欠けやノイズが混ざり、「なぜ今日は検知を外したのか」を誰も説明できない――そんな状態に陥りがちです。
モデルの精度を上げる以前に、現場のデータを正しく集め、同じ条件で何度でも評価できる仕組みがなければ、改善は勘と経験頼みのままになります。

本ポジションは、その「仕組み」をゼロからつくるコアメンバーです。
ロボティクスの現場から集まる点群・画像・事象データを、評価基盤と学習パイプラインに変えていきます。

─────────────
■業務Mission
NTPの事業モデルは「現場で得た学びをデータとして基盤に書き戻し、導入するほど速く・安く・確実になる」という循環です。
この循環を回すのは、データが正しく集まり、再現可能に評価でき、モデルとして次に活きる仕組みです。
アルゴリズムの精度を統計的な根拠で判定できる状態をつくり、現場のデータを事業の資産に変える——ロボティクスの現場データを扱うAIエンジニアを求めています。

─────────────
■業務

1. 評価基盤の構築
   ・シナリオ定義→自動実行→ログ収集→統計集計を無人で回す評価ハーネスの設計・実装
   ・代表ログセットに対する精度・検知率・処理レートの自動計測と、しきい値割れ通知を行うCI／回帰テスト
   ・ロボットログ（rosbag／MCAP等）のParquet化、スキーマ設計、評価レポートの自動生成

2. データ基盤の構築
   ・事象データベース（時刻・座標・類型・成否・所要時間・スナップショット参照）のスキーマ設計と記録完全性の担保
   ・点群／画像スナップショットのストレージ設計、保存範囲・保持期間・匿名化の方針実装
   ・現場データの品質監視と、事業指標（頻度・所要時間・カバー効率等）の集計

3. 学習パイプライン・モデル運用
   ・自動ラベル（推定結果）＋人手修正によるデータセット構築、アノテーションツールの整備
   ・3D点群・画像を対象とした検出・分類・姿勢推定モデルの学習・評価・改善
   ・学習→評価→エッジ配布（TensorRT／ONNX等）のパイプラインとモデル版管理（MLOps）
   ・外部提供や基盤モデルとの接続を見据えたデータセットのフォーマット整備

─────────────
■ポジションの魅力
・「データが資産になる」事業モデルの、データとモデルの設計を最初から担えます。
・評価基盤から学習パイプライン・モデル運用まで、MLの実務の全工程を一人で持てます。
・実験の再現性と統計の根拠を握るポジションであり、技術判断の物差しを自分で作れます。
・実世界の3D空間データという、まだ蓄積の少ない領域でデータ資産をゼロから作れます。

─────────────
■創業期に加わるということ
・少数の創業チームのため、決まったものを実装するのではなく、設計判断に関われます。
・成果がそのまま次の資金調達・顧客獲得につながり、IPOまでを創業メンバーとして経験できます。

─────────────
【会社概要】
■Company Mission
『THINK PHYSICAL ― 止まらない自律社会のインフラを作る』
ロボットが動き、AIが判断し、人が関わらなくても社会が止まらない。
そのインフラを、製造業の現場から作ります。
私たちは資料だけで完結するコンサルティングは行いません。エンジニアが顧客の現場に深く入り込み、構想から実装・運用までを一気通貫で担い、製造現場に実体のある成果をもたらします。

■Service
製造業DXを起点に、AIと現場知見で業務効率化と事業成長を実現

1. BUILD：システム・データ基盤をつくる
   　・製造業システム開発（生産管理・品質・トレーサビリティ）
   　・IoT基盤（既存設備を含むセンサーデータの収集・可視化）
   　・AI開発・データ活用（画像検査・予測・解析をPoCから本番運用まで）
   　・AMR/AGV導入支援（搬送ロボットの選定・PoC・運用設計）

2. ADOPT：AIを日常業務の戦力にする
   　・AI社員（業務に常駐するAIエージェント）
   　・Gemini法人活用／NotebookLM

3. RUN：IT基盤と事業成長に伴走する
   　・Google Workspace導入・運用
   　・情シスおまかせコンサルサポート
   　・GTMエンジニアリング（営業・マーケのツールとデータ連携）

1. 機械学習・実験管理の実務経験
   ・Pythonによる機械学習モデルの学習・評価の実務経験（PyTorch等）
   ・実験の再現性を担保する仕組み（データ・モデルの版管理、ログ設計等）を作った経験

2. データパイプライン・開発基盤の構築経験
   ・データパイプラインの設計・実装経験（Python・SQL、Parquet等の列指向フォーマット、RDB）
   ・CI／テスト自動化、Git／コンテナを用いた開発フローの経験

3. 不確実性の高い環境における推進力
   ・明確な仕様が定まっていない「不確実な要件」の中でも自走できる力
   ・仮説検証を回しながら成果へ落とし込んだ経験

※上記すべての要件を完璧に満たしていなくても問題ありません。技術への強い関心や、現場実装へのパッションをお持ちの方からのご応募をお待ちしております。

・3D点群・画像を対象とした検出・セグメンテーション・姿勢推定モデルの学習経験
・エッジ推論（TensorRT／ONNX Runtime）への変換・最適化の経験
・MLOps基盤（学習パイプライン・モデルレジストリ・推論配布）の構築経験
・PostGIS等の空間拡張、オブジェクトストレージ（S3互換）の運用経験
・ROS 2／rosbagの読み書き、シミュレータ（Gazebo／Isaac Sim等）でのデータ生成経験