a. MLエンジニア の求人一覧 - Turing株式会社

◆本求人は、自動運転・コンピュータビジョン・LLM・NLP・フィジカルAIのいずれかの領域で専門性を持つMLエンジニアを対象としています◆ チューリングは完全自動運転の実現を目指しているディープテックスタートアップです。 「We Overtake Tesla」をミッションに掲げ、創業Day1からEnd-to-End(E2E)の考え方を掲げ、自動運転AIの開発に取り組んできました。 現在では、東京都内を30分以上人間が介入することなく走行できる自動運転システムを開発するに至り、まさに今モデルが指数関数的な成長を見せるカーブの手前に位置していると捉えています。 これからはE2Eモデルをさらに発展させ、物理的な振る舞いと世界理解を統合したフィジカル基盤モデルとすることで、運転能力だけでなく、言語やマルチモーダルな理解を組み合わせ、人間にしか対応できなかったような難しいシーンにも対処できる自動運転AIを開発していきます。 ■MLオープンポジションについて 本ポジションは、MLエンジニアをご志望の方で、現在公開中の募集ポジションに適合するものが見つからない方向けの応募フォームです。 書類選考後、ご希望やご経験に応じた適切なポジションを検討する マッチング面談 を設定いたします。 応募時「応募先へのメッセージ」欄には、以下を自由にご記入ください。 ・ご自身の強み・得意分野 ・希望する業務内容やアプローチ ・これまでの研究/開発の取り組み（再現実装、運用、改善など） ■想定ポジション例 ・2010_MLエンジニア / Machine Learning Engineer（自動運転モデル開発） [https://herp.careers/v1/turing/oMZZ-LyQ683f](https://herp.careers/v1/turing/oMZZ-LyQ683f) ・2011_MLエンジニア / Machine Learning Engineer（自動運転VLAモデル開発） [https://herp.careers/v1/turing/aHze1GwzB0ZG](https://herp.careers/v1/turing/aHze1GwzB0ZG) ■具体的な業務内容（例） ・論文や既存実装の調査・再現・実装 ・自社データセットを利用した既存実装の評価 ・実車でのモデル評価・実験管理 ・自動運転VLAモデル / E2E自動運転モデルの実装 ・データセットの作成・改善 ・オートラベリングの実装・改善 ■モデル開発のアプローチは？ チューリングでは、データセントリックなアプローチ と モデルセントリックなアプローチ の両面で開発を進めています。 E2E自動運転はまだ正解がありません。あなたが開発したモデルが、次世代の自動運転のスタンダードとなる可能性があります。 答えのないフィールドでさまざまなアプローチを一緒に探索しましょう。 ■自分のつくったモデルを実車で試して改善していく 「データセットやモデルを作る → 走行実験 → 実験ログ解析 → モデルの管理」という流れで自動運転AIを進化させていきます。 自身のつくったモデルを五感で捉えながら改善サイクルを回していきます。机上だけでなく、現実世界からのフィードバックを開発に活かしてください。

◆本求人は、自動運転・コンピュータビジョン・機械学習のいずれかの領域で専門性を持つMLエンジニアを対象としています◆ チューリングでは、車載カメラの映像を入力に単一の機械学習モデルで車の制御を求める「End-to-Endの自動運転MLモデル」の開発を行っています。 自動運転モデル開発は、機械学習だけでなくさまざまな技術の総合格闘技です。データ収集、データセット作成（データ品質改善※キャリブレーションや座標変換など）、モデル学習（モデルアーキテクチャ検討・学習効率化など）といった形で多くの活躍フィールドがあります。 自動運転開発の経験があるエンジニアはもちろん、ソフトウェア業界やロボティクス業界など、異なるバックグラウンドで卓越した技術を有するエンジニアを探しています。一緒に人類のグランドチャレンジを達成しましょう。 【業務内容】 モデルアーキテクチャの改善だけでなく、データ品質・量の改善などさまざまな課題解決に取り組んでいます。以下にあげる業務は一例ですが少しでも自身の経験と関連あるものをお持ちな方はぜひ前向きに応募をご検討ください ◆具体例 ・End-to-End の自動運転モデルの実装 ・データ収集の方針・計画立案 ・データセットの作成・改善 　・オートラベリングモデルの実装・改善 　・カメラ・センサーキャリブレーション ・モデル学習のアルゴリズム実装 ・モデル学習コードの高速化 ・実車でのモデル評価・実験管理 ・先端論文の調査・再現・実装 【モデル開発のアプローチは？】 データセントリックなアプローチとモデルセントリックなアプローチの2種類で開発を進めています。データの品質においてさまざまな要因で課題が生まれるケースもあれば、モデルのアーキテクチャやバックボーンの探索など、広い範囲で試せることが多いです。また大規模なGPUクラスタで多くの学習を回すため、学習コード高速化などにも取り組んでいこうと思っています。 E2E自動運転はまだ正解はありません。あなたが開発したモデルが次世代の自動運転のスタンダードとなる可能性があります。 【自分のつくったモデルを実車で試して改善していく】 「データセットやモデルを作る→走行実験→実験ログ解析実験→モデルの管理」という流れで自動運転AIを進化させていきます。自身のつくったモデルを五感で捉えながら改善サイクルを回していきます。机上だけでなく、現実世界からのフィードバックを開発に活かしてください。

◆本求人は、機械学習・自動運転・コンピュータビジョンのいずれかの領域で専門性を持つMLエンジニアや、大規模なMLOps・データ基盤開発に取り組んできたソフトウェアエンジニア、あるいはロボティクス領域でMLやソフトウェアエンジニアリングに取り組んできた方を対象としています◆ チューリングでは、車載カメラの映像を入力に車の制御を行う「End-to-endの自動運転モデル」の開発を行っています。チューリングのミッションは、完全自動運転レベルの自動運転システムの開発を行うことです。大きく2つの方向性でわれわれは開発を進めています。エキスパートドライバーのデータを模倣学習させ、数ミリオンほどのニューラルネットワークで多様なシーンを学習させるものと、Vision-Language-Actionモデル（VLAモデル）をはじめとした基盤モデルを車両で動かし、さまざまなシーンを判断させるものです。 VLAモデルを使った自動運転は世界レベルで見てもまだ知見が少なく、最新の論文や開発事例を参考にし、探索的に取り組んでいかねばなりません。そのためには機械学習の知見だけではなく、さまざまなエンジニアリング要素を駆使してプロジェクトを進めていく必要があります。 今回の求人ではそういった挑戦的な取り組みを進めるメンバーを募集しています。基盤モデルの学習パイプライン構築や、モデルの量子化・最適化などさまざまなレイヤーで開発イシューがあります。 【業務内容】 ※下記のうちの全てを担当するわけではなく、自身の強みを活かしたドメインで開発を進めつつ、他領域にも染み出しながら開発を進めていただきます ・データキャリブレーションや異なるセンサデバイス間の座標変換 ・データセットの作成・改善 ・論文や既存実装の調査・再現・実装 ・自社データセットを利用した既存実装の評価 ・モデル量子化・最適化 ・実車でのモデル評価・実験管理 ・自動運転VLAモデルの実装 ・オートラベリングの実装 【Embodied AIというテーマの最前線を楽しむ】 AIに身体性を持たせ、物理空間の中で価値を発揮する。そういったテーマにおいて自動運転はまさに人類がいま取り組んでいるものです。すでに社内で進んでいるプロジェクトのナレッジを活かしつつも、独自のMLパイプラインを構築していかなければなりません。レファレンスがほとんどない領域で開発を推進していただける方を探しています。 【自分のつくったモデルを実車で試して改善していく】 「データセットやモデルを作る→走行実験→実験ログ解析実験→モデルの管理」という流れで自動運転AIを進化させていきます。自身のつくったモデルを五感で捉えながら改善サイクルを回していきます。机上だけでなく、現実世界からのフィードバックを開発に活かしてください。 【こんな人が活躍しています】 - 研究機関出身の自然言語処理リサーチャー - システム開発会社でのシステムエンジニア/データサイエンティスト - 広告系メガベンチャー出身の機械学習/ソフトウェアエンジニア

◆本求人は、MLのバックグラウンドを持ち、大規模かつ最先端の開発に挑戦したいソフトウェアエンジニア向けのポジションです◆ チューリングでは、車載カメラの映像を入力に車の制御を行う「End-to-Endの自動運転MLモデル」の開発を行っています。 本ポジションでは、大規模分散学習システムの設計・実装から、学習パイプラインの最適化までを一貫して担っていただきます。膨大な走行データ（動画・車両ログ等）を前提に、学習リソースを最大限に活用しながら、スケーラブルで高性能な機械学習パイプラインを構築することがミッションです。 具体例 - データセットのライフサイクル全体を管理、大規模なデータ取得、処理、キュレーションのパイプラインを設計および実装 - ペタバイトオーダーのマルチモーダルデータを扱う学習基盤の構築 - 学習時の動画デコード処理の高速化 - 多様な情報を統合するためのシンプルかつ拡張性の高いデータスキーマ設計 など、エンジニアリングの力でモデル開発サイクルそのものを進化させていきます。 これらの取り組みを通じて、モデルの性能向上と開発速度の両立を実現し、システム全体のスケーラビリティとパフォーマンスを最大化することが期待される役割です。 既存の枠組みにとらわれず、次のスケールを見据えた学習基盤をゼロベースで設計・進化させることで、エンジニアリングの力で自動運転開発の限界を押し広げていきます。

◆本求人は、強化学習の領域で専門性を持つ強化学習エンジニア・リサーチャーを対象としています◆ チューリングは完全自動運転の実現を目指しているディープテックスタートアップです。 強化学習チームのミッションは、強化学習技術を用いて実世界で動作する頑健なE2E自動運転システムを実現することです．そのために、評価・学習に使用する3D Gaussian Splattingベースのシミュレータ，大規模分散強化学習基盤，制御システム（MPC等）に取り組んでいます。 ■強化学習エンジニアの業務内容 ・実世界で動作する頑健なE2E自動運転モデルの研究・開発を行います． ・E2E自動運転向けシミュレータの開発 ・大規模な分散強化学習基盤の構築 ・実世界で走行可能なE2E自動運転モデルを実現する強化学習アルゴリズムの研究・開発 ・実際の走行試験による強化学習モデルの性能検証

◆本求人は、機械学習を軸に、動画生成モデル・基盤モデルの大規模開発や、それを支えるMLOps／データ基盤、蒸留・最適化・実機デプロイに取り組んできた方を対象としています（自動運転／CV／ロボティクスの経験者歓迎）◆ Turingでは、車載カメラ映像を入力に車の制御まで行う End-to-endの自動運転モデル を開発しています。完全自動運転レベルの実現に向けて、模倣学習で鍛えるアプローチに加えて、近年進展の著しい動画生成・世界モデル系の潮流も取り込みながら、探索的に「当たり」を作りにいくフェーズにあります。 特に近年は、走行データだけでなく一般動画データも含む大規模事前学習（動画生成・自己教師あり学習など）が、下流タスク（行動予測・プランニング等）の性能を押し上げうるという流れが強くなっています。 そこでTuringでも、World Action Model（WAM）という考え方のもと、動画生成モデル／画像・動画基盤モデル（例：DINOv3、V-JEPA系の発想）／世界モデルといったモダンなモデル群を、学習のスケーリングから検証、下流タスクへの落とし込み、さらに蒸留・量子化・推論最適化を経て実機にデプロイするところまで一気通貫で推進したいと考えています。 今回の求人では、この挑戦的な取り組みを、研究だけで終わらせず「動くもの」に仕上げるメンバーを募集します。 【業務内容】 ・自動運転領域におけるWAM（World Action Model）を中心としたML開発 ・大規模事前学習（走行データ＋一般動画データ等を用いた学習スケーリング） ・動画生成モデル／世界モデルを用いたモデリング検討・実装・検証 ・自己教師あり学習に基づく画像・動画基盤モデル（例：DINOv3、V-JEPA系等）の検証・活用 ・下流タスク（例：行動予測・プランニング等）への適用、評価設計・改善 ・蒸留（distillation）等による小型化・高速化、量子化・推論最適化 ・実験基盤整備（データパイプライン、再現性、実験管理、モデル運用）の構築・改善 ・関連領域（Transformer、ロボティクス、世界モデル等）の論文調査・実装検証 【Physical AIというテーマの最前線を楽しむ】 AIに身体性を持たせ、物理空間の中で価値を発揮する。そういったテーマにおいて自動運転はまさに人類がいま取り組んでいるものです。すでに社内で進んでいるプロジェクトのナレッジを活かしつつも、独自のMLパイプラインを構築していかなければなりません。レファレンスがほとんどない領域で開発を推進していただける方を探しています。 【自分のつくったモデルを実車で試して改善していく】 「データセットやモデルを作る→走行実験→実験ログ解析実験→モデルの管理」という流れで自動運転AIを進化させていきます。自身のつくったモデルを五感で捉えながら改善サイクルを回していきます。机上だけでなく、現実世界からのフィードバックを開発に活かしてください。 【こんな人が活躍しています】 ・ロボティクス／世界モデル／自動運転（行動予測・プランニング等）のいずれかに強みを持ち、モデル開発をリードしてきた方 ・大規模データの前処理・フィルタリング・データ品質設計にこだわり、学習の再現性やスケーリングを現場で実現してきた方 ・研究室／企業研究所などで、探索的なテーマを「実装→検証→改善」まで落とし込み、成果につなげてきた方 ・関連分野の著名研究者や最新論文の仕事を素早くキャッチアップし、再現・発展させてプロダクト／実機検証に接続できる方

About Turing ◆This role is open to ML engineers with expertise in one or more of the following domains: Autonomous Driving, Computer Vision, LLM, NLP, or Physical AI.◆ Turing is a deep-tech startup on a mission to achieve full self-driving. We have pursued an End-to-End (E2E) approach to autonomous driving AI since day one, under our mission "We Overtake Tesla." Today, our system can navigate Tokyo streets for 30+ consecutive minutes without human intervention — and we believe we are standing right at the inflection point of exponential model growth. Our next step is to evolve the E2E model into a Physical Foundation Model that unifies physical behavior with world understanding — combining driving, language, and multimodal reasoning to handle the complex, unpredictable scenes that only humans could previously manage. ■About this open position This is an open application form for ML engineer candidates who are interested in Turing but haven't found an exact match among our current active listings. After an initial document screening, we will arrange a matching interview to identify the most suitable team and role based on your background and interests. In the "Message to the team" field of your application, please feel free to share: -Your strengths and areas of expertise -The type of work or approach you are looking for -Your research/development experience (re-implementation, deployment, improvements, etc.) ■Example positions you may be matched to: ・2010 — ML Engineer (Autonomous Driving Model Development) [https://herp.careers/v1/turing/oMZZ-LyQ683f](https://herp.careers/v1/turing/oMZZ-LyQ683f) ・2011 — ML Engineer (Autonomous Driving VLA Model Development) [https://herp.careers/v1/turing/aHze1GwzB0ZG](https://herp.careers/v1/turing/aHze1GwzB0ZG) ■What you will work on ・Research, reproduce, and implement state-of-the-art papers and existing implementations ・Evaluate existing models and implementations against our proprietary datasets ・On-vehicle model evaluation and experiment management ・Implementation of autonomous driving VLA models and E2E self-driving models ・Dataset creation and improvement ・Auto-labeling pipeline development and improvement ■Our development approach ・We pursue both data-centric and model-centric approaches in parallel. ・E2E autonomous driving is still an open problem — the model you build could become the next industry standard. ・Join us in exploring every possible approach in an uncharted field. Our development cycle: Build dataset & model → Drive test → Analyze logs → Manage model. You will improve the system by experiencing your model in the real world, not just on paper.

◆This role is open to ML engineers with expertise in one or more of the following domains: Autonomous Driving, Computer Vision, or Machine Learning. At Turing, we are developing an End-to-End autonomous driving ML model — a single machine learning model that takes input from vehicle-mounted cameras and directly outputs vehicle control commands. Autonomous driving model development is a true multi-disciplinary challenge, spanning far beyond machine learning alone. There are many areas to contribute: data collection, dataset creation (data quality improvement, calibration, coordinate transforms), and model training (architecture design, training efficiency improvements), among others. We are looking for engineers with a background in autonomous driving — as well as engineers with outstanding expertise from software, robotics, or other industries. Let's tackle one of humanity's grand challenges together. ◾️What you will work on We work on a wide range of problems — not just model architecture improvements, but also data quality and quantity challenges. The examples below are just a subset; if any of them resonate with your experience, we encourage you to apply. ◆Example： ・Implementation of End-to-End autonomous driving models ・Planning and strategy for data collection ・Dataset creation and improvement -Auto-labeling model implementation and improvement -Camera and sensor calibration ・Implementation of model training algorithms ・Optimization and speed-up of model training code ・On-vehicle model evaluation and experiment management ・Research, reproduction, and implementation of state-of-the-art papers ◾️Our development approach We pursue both data-centric and model-centric approaches in parallel. Challenges arise from many angles — data quality issues with various root causes, architecture and backbone exploration — giving the team a wide solution space to work in. We also run large-scale training jobs on GPU clusters, so optimizing training code for speed is an active area of focus. E2E autonomous driving is still an open problem. The model you build could become the industry standard for the next generation of self-driving systems. 【Test your model in the real world】 Our development cycle: Build dataset & model → Drive test → Analyze experiment logs → Manage model. You will iterate on your models by experiencing them firsthand in a real vehicle — not just on paper. Use feedback from the physical world to drive your development forward.

About Turing ◆This role is open to ML engineers with expertise in machine learning, autonomous driving, or computer vision, as well as software engineers with experience in large-scale MLOps or data infrastructure development, or engineers who have worked on ML or software engineering in the robotics domain. At Turing, we are developing an End-to-End autonomous driving model — a system that takes input from vehicle-mounted cameras and directly controls the vehicle. Our mission is to develop a fully autonomous driving system. We are pursuing this through two main directions: training a neural network of several million parameters to imitate expert driver behavior across diverse scenarios, and running foundation models — including Vision-Language-Action (VLA) models — on the vehicle to handle a wide variety of driving situations. Applying VLA models to autonomous driving is still an emerging field even on a global scale, requiring us to explore the latest research papers and development cases while advancing the work experimentally. This means we need not only machine learning expertise, but also a wide range of engineering capabilities to drive the project forward. We are looking for members who are ready to take on these challenges. Development issues exist at many layers — from building training pipelines for foundation models to model quantization and optimization. ■What you will work on ※ You will not be responsible for all of the following. You will focus on areas where your strengths shine, while also expanding into adjacent domains. ・Data calibration and coordinate transformation between different sensor devices ・Dataset creation and improvement ・Research, reproduction, and implementation of papers and existing implementations ・Evaluation of existing implementations using our proprietary datasets ・Model quantization and optimization ・On-vehicle model evaluation and experiment management ・Implementation of autonomous driving VLA models ・Auto-labeling implementation ■Enjoy being at the frontier of Embodied AI Giving AI a physical presence and enabling it to deliver value in the real world — autonomous driving is exactly where humanity is pushing this frontier today. You will need to build unique ML pipelines while leveraging the knowledge already accumulated within the company. We are looking for someone who can drive development in a domain with almost no existing reference points. ■Test your model in the real world Our development cycle: Build dataset & model → Drive test → Analyze experiment logs → Manage model. You will iterate on your models by experiencing them firsthand in a real vehicle. Use feedback from the physical world to drive your development forward. ■Who is thriving in this role ・NLP researchers from research institutions ・System engineers / data scientists from system development companies ・ML / software engineers from large-scale ad-tech companies

About the role ◆This position is for software engineers with an ML background who want to take on large-scale, cutting-edge development challenges.◆ At Turing, we are developing an End-to-End autonomous driving ML model — a system that takes input from vehicle-mounted cameras and directly controls the vehicle. In this role, you will take ownership of the full stack — from designing and implementing large-scale distributed training systems to optimizing training pipelines. Working with massive volumes of driving data (video, vehicle logs, etc.), your mission is to build scalable, high-performance machine learning pipelines that make the most of available training resources. -Examples of what you will work on: ・Design and implement pipelines for large-scale data ingestion, processing, and curation, with full lifecycle management of datasets ・Build training infrastructure capable of handling petabyte-scale multimodal data ・Accelerate video decoding during training ・Design simple yet extensible data schemas for integrating diverse information Through these efforts, you will evolve the model development cycle itself through the power of engineering — achieving both improved model performance and faster development velocity, while maximizing the scalability and performance of the overall system. Unconstrained by existing frameworks, you will design and evolve training infrastructure from the ground up with the next scale in mind — pushing the boundaries of autonomous driving development through engineering.

-About the role- ◆This role is open to reinforcement learning engineers and researchers with expertise in the field of reinforcement learning.◆ Turing is a deep-tech startup on a mission to achieve full self-driving. The mission of our reinforcement learning team is to realize a robust E2E autonomous driving system that operates in the real world using reinforcement learning technology. To achieve this, we are working on a 3D Gaussian Splatting-based simulator for evaluation and training, a large-scale distributed reinforcement learning infrastructure, and control systems (such as MPC). ■What you will work on ・Research and development of robust E2E autonomous driving models that operate in the real world ・Development of simulators for E2E autonomous driving ・Building large-scale distributed reinforcement learning infrastructure ・Research and development of reinforcement learning algorithms to realize E2E autonomous driving models capable of real-world operation ・Performance validation of reinforcement learning models through actual driving tests