a. MLエンジニア / リサーチャー 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 【業務内容】 ・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、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