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・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

◆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 the role- ◆This role is open to engineers with a machine learning background who have worked on large-scale development of video generation models or foundation models, as well as the MLOps / data infrastructure, distillation, optimization, and on-device deployment that supports them. (Experience in autonomous driving / CV / robotics is a plus.)◆ At Turing, we are developing an End-to-End autonomous driving model that takes input from vehicle-mounted cameras and directly controls the vehicle. As we work toward full self-driving, we are in an exploratory phase — combining imitation learning with the rapid advances in video generation and world model research to actively find what works. In particular, large-scale pretraining on not only driving data but also general video data (video generation, self-supervised learning, etc.) has been shown to significantly boost downstream task performance (behavior prediction, planning, etc.), and this trend is growing stronger. With this in mind, Turing is pursuing a World Action Model (WAM) approach — a unified pipeline that spans modern model families such as video generation models, image/video foundation models (e.g., DINOv3, V-JEPA-style concepts), and world models — from training at scale, through validation and downstream task integration, to distillation, quantization, inference optimization, and final deployment on real vehicles. We are looking for members who can take these ambitious research directions all the way to something that actually works in the real world. ■What you will work on ・ML development centered on WAM (World Action Model) for autonomous driving ・Large-scale pretraining (scaling training with driving data + general video data, etc.) ・Modeling, implementation, and validation using video generation models and world models ・Validation and application of image/video foundation models based on self-supervised learning (e.g., DINOv3, V-JEPA-style, etc.) ・Application to downstream tasks (e.g., behavior prediction, planning), evaluation design, and improvement ・Model compression and acceleration via distillation, quantization, and inference optimization ・Building and improving experimental infrastructure (data pipelines, reproducibility, experiment management, model operations) ・Literature review and implementation validation in related areas (Transformers, robotics, world models, etc.) ■Enjoy being at the frontier of Physical 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 ・Engineers with strengths in robotics, world models, or autonomous driving (behavior prediction, planning, etc.) who have led model development ・Engineers who have pursued large-scale data preprocessing, filtering, and data quality design, and have achieved training reproducibility and scaling in practice ・Engineers from research labs or corporate research teams who have taken exploratory topics all the way from implementation → validation → improvement to tangible results ・Engineers who can quickly catch up with the work of leading researchers and recent papers, reproduce and extend them, and connect the results to product or on-vehicle validation