Cake Job Search

負責分析AI算法在實際系統架構運行時的效能瓶頸。 AI 應用成為近幾年的主流，軟體服務的效能依賴於幾個重點：系統架構設計、演算法的實作、硬體規格。 過去為了提升協作開發效率，計算機領域主要朝著抽象化的方式，降低各層互相的耦合性。 然而，這其中的權衡奠基在過去硬體隨著摩爾定律效能快速的成長，在大型系統中往往能藉由過剩的硬體效能彌補抽象化造成的損失。 然而，AI 時代迎來模型參數和運算需求指數成長的情況，這是少數已經具有商業價值需求的算法，超出現有硬體算力需求的狀況。 所以，以整體作為優化的研究，成為當前相當具有價值的工作。縱向的打破各層之間的抽象，找出不同實作之間能獲得最佳效能的搭配。 1. 基於演算法(多為平行運算)估算運算複雜度和空間使用量 2. 基於硬體配置，估算演算法在系統上的理論表現 3. 設計 DOE 實驗，驗證實際數據與理論數據的誤差 4. 基於實驗結果，找出演算法、軟體實作、系統、硬體的瓶頸 5. 實作優化算法，藉由實驗結果和理論分析證明其有效性 6. 撰寫技術文件，提供應用服務端作為實作參考。The responsibility involves analyzing performance bottlenecks of AI algorithms during operation within actual system architectures. AI applications have become mainstream over recent years. The performance of software services relies on several key factors: system architecture design, algorithm implementation, and hardware specifications. In the past, to improve collaborative development efficiency, the computing field primarily focused on abstraction to reduce coupling between different layers. However, this trade-off was based on the rapid growth in hardware performance driven by Moore’s Law. In large systems, excess hardware capabilities often compensated for losses caused by abstraction. However, the AI era brings exponential growth in model parameters and computational demands. This situation occurs with only a few algorithms that already possess commercial value requirements, exceeding existing hardware computing capabilities. Therefore, research focusing on overall optimization has become highly valuable work. Breaking down vertical abstractions between layers to identify optimal combinations among different implementations becomes essential. Estimating computational complexity and space usage based on algorithms (mostly parallel computing)Estimating theoretical performance of algorithms on systems based on hardware configurationsDesigning DOE experiments to verify discrepancies between actual and theoretical dataIdentifying bottlenecks in algorithms, software implementation, systems, and hardware based on experimental resultsImplementing optimized algorithms, demonstrating their effectiveness through experimental results and theoretical analysisWriting technical documentation to provide application service providers with implementation references.

我們相信攝影機是感知真實世界最有效的感測器，就像大自然的生物演化出視覺能力一樣因此將AI融入攝影機，讓它能夠自動分析真實世界的各種活動這樣一來，使用者可以快速獲得對真實世界的理解，並藉此做出最佳的決策和行動我們正在尋找具有創造力和熱情的AI研發人才，以下是團隊的特色與文化：1.學習型組織：我們鼓勵團隊成員不斷學習，樂於分享與交流新知識與技術。我們相信持續學習是成長和創新的基石2.Kanban開發流程：我們使用Kanban開發流程，讓我們的研發成果能夠快速傳遞給客戶。透過資訊輻射，我們的團隊成員能夠擁有全局視野，並在其中主動發現和協助其他成員一起克服挑戰3.園丁式的領導方式：管理者採用園丁式的管理方式，讓團隊成員可以根據自己的興趣和專長進行研發，創造出對客戶最有價值的成果。我們重視每個成員的個人發展，並提供相應的支持和培訓4.貼近使用者：我們與使用者保持緊密的溝通，了解他們的痛點，並致力於解決客戶所面臨的問題。這種貼近客戶的思維使得我們的研發成果能夠更有效地滿足客戶的需求，團隊夥伴們也因此獲得成就感與樂趣5.開放溝通：通過定期與不定期的一對一的對話，團隊成員可以更清楚地了解領導層的策略和目標，同時，我們也歡迎團隊成員提出自己的想法和目標，實現從下至上的創新思維6.建立心理安全感：我們重視團隊成員的心理安全感，鼓勵他們勇於創新，不怕失敗，挑戰現狀。我們相信只有在一個充滿信任和支持的環境中，才能夠發揮最大的潛力工作內容：電腦視覺演算法研究與程式開發 人格特質：樂觀、合群、勇於接受挑戰 工作地點：新北市中和區或台南永康區如果你也認同一個鼓勵不斷學習、挑戰現狀、傾聽使用者、互助合作來解決客戶痛點的研發團隊，誠摯地邀請你加入我們！

1. ROS 系統開發： 負責基於 ROS1 和 ROS2 的機器人軟體架構設計、模組開發與整合，確保系統的穩定性、效率和擴展性。2. 導航與控制： 開發和優化 AMR 的導航、路徑規劃、避障和運動控制演算法。3. 感測器整合： 整合各類感測器（例如 LiDAR、相機、IMU 等），並處理感測器數據以供機器人系統使用。4. 機械手臂控制: 搭配物件辨識，控制手臂夾取指定物品。5. Sim2Real 協作： 與機器學習工程師密切合作，將 Omniverse 環境中的模擬成果無縫轉換到實際機器人平台。6. 故障排除與優化： 診斷並解決複雜的軟體問題，對現有系統進行性能優化。