Tìm kiếm việc làm online mới nhất!

設計與實作 LLM 微調（Fine-Tuning）流程，並根據實務應用需求進行模型優化運用 HuggingFace、LoRA、QLoRA、Deepspeed 等工具對 Transformer 架構進行調校建構與維護資料前處理與 Tokenization pipeline，支援中文與多語環境下的 NLP 任務撰寫並執行模型評估流程（BLEU / ROUGE / EM / Retrieval-based Precision 等）部署並持續優化已訓練模型於雲端環境中的表現與穩定性與產品開發團隊協作，提供技術建議與最佳實作，落地 AI 解決方案

《關於我們》 我們是一家專注於生成式 AI 客服解決方案的技術新創團隊，致力於協助電子商務、社群平台等企業，自動化處理客服訊息、提升用戶互動體驗。我們自主開發的 AI Agent 產品已被導入多語系、跨平台應用，並與全球多家知名 SaaS 服務建立技術合作夥伴關係。 我們的總部位於台北市中心，具備成熟彈性工作制度，產品線發展穩健，正擴大工程研發團隊規模！ 《工作內容》 負責 AI Agent 核心功能開發、效能優化與架構設計 串接內外部 API 並進行系統整合 解決 LLM 呼叫與 Prompt Debug 過程中的技術挑戰 參與產品測試、自動化評估與性能監控流程 與產品團隊協作，打造穩定可擴展的 AI 產品 《技術環境》 開發語言：Python AI技術：OpenAI API、LLM Tool Call、RAG、向量資料庫 架構相關：Docker、Git Flow、PostgreSQL、SQLite 產品工具整合：Zendesk、內建客服平台 加分項目：有 AI Chatbot 開發經驗或 AWS Lambda 架構應用經驗者佳

AI Engineering LLM Applications | Senior AI Engineer / Tech Lead - TL (Global Financial Group | Fluent English Required) Company Overview Our client is the Taiwan entity of a well-established global financial group with operations across multiple international markets. The organization is known for its strong governance, financial stability, and long-term commitment to technology-driven transformation. In recent years, the company has made significant investments in AI and data-driven initiatives, forming a dedicated AI team focused on delivering production-ready AI solutions that directly support core business operations and customer-facing platforms. This role involves frequent collaboration with overseas teams, making strong English communication skills essential. Responsibilities Lead AI Engineers and Software Engineers to design and deliver AI-powered solutions Apply Machine Learning and LLM technologies to real-world business systems (e.g., call center, telesales, customer interaction and call routing platforms) Collaborate closely with global stakeholders to understand requirements and drive execution Design, build, and maintain scalable, reliable, and secure AI services Ensure high code quality, system performance, and long-term maintainability Contribute to technical decisions, architecture design, and best practices Balance evolving priorities while maintaining delivery momentum Technologies Python (production-grade development) Machine Learning / Deep Learning(PyTorth, TensorFlow) Large Language Models (LLMs) Generative AI FastAPI, Uvicorn Docker, Kubernetes Distributed, high-throughput, low-latency system architectures CI/CD and cloud deployment experience is a plus

公司介紹 我們是一家深耕金融科技與資料智能應用的技術團隊，正積極將 大型語言模型導入高風險、高標準的實際業務場景。不同於單純模型實驗，這裡更關注 AI 是否「可靠、可驗證、可長期運作」。 團隊由資深工程與資料背景成員組成，文化務實、重視工程品質，並持續投入 AI Safety、模型評測與自動化流程，打造能被真正信任的生成式 AI 系統。 工作內容 設計並開發 LLM / RAG 系統的自動化評測工具與流程 建立模型多維度評分機制（Accuracy、Relevance、Faithfulness、Consistency） 將評測流程整合至 CI/CD（Jenkins / GitLab CI），確保模型版本品質穩定 與業務及資料團隊合作，建立高品質 Golden Dataset 與 Synthetic Data 執行 Prompt Injection、Jailbreak 等 LLM 安全與紅隊測試 分析失敗案例，協助定位 Retrieval 或 Generation 問題，驗證修復成效 使用的技術 Python、Pytest / unittest LLM / RAG Framework：LangChain、LlamaIndex、Semantic Kernel 資料分析：Pandas、NumPy、Visualization Tools 評測框架：RAGAS、TruLens、DeepEval、Promptfoo（加分） CI/CD、Git Docker / Kubernetes（加分）

建構與優化機器學習模型: 運用多維度運動數據（如賽事數據、球員表現），開發球員薪資計算、表現預測等核心模型，並持續進行優化。 支援產品與行銷決策: 深入分析用戶行為與市場趨勢，提供數據洞察，協助產品團隊優化功能、支援行銷團隊制定精準策略。 整合生成式 AI 應用: 導入並開發生成式 AI 功能，例如自動化產出運動新聞與球員動態，豐富產品內容。 提升內部數據工作流程效率: 運用 AI 技術優化資料處理、分析與建模的流程，提升團隊整體開發效率。

公司介紹 這是一家穩健經營超過半世紀的金融龍頭企業，近年積極啟動大規模數位轉型，成立「科技創研中心」，整合數據工程、AI研發與雲端治理三大領域，打造具前瞻性的金融科技基礎。 公司正投入建構企業級 Data Lakehouse 與 LLM 平台，結合生成式AI、資料虛擬化及雲端運算，以數據驅動服務創新與決策升級。 對於希望在大型體系中主導AI工程與金融數據轉型的中高階技術主管而言，這是兼具穩定與影響力的關鍵舞台。 工作內容 領導 Data AI 工程團隊（約5人），規劃與執行數據平台及AI/LLM架構策略 建構並優化 Data Lakehouse、Denodo 虛擬化平台與資料整合流程 推動企業AI/LLM平台與MLOps落地，確保模型開發與部署效能 跨部門協作，將AI技術導入金融服務應用，提升營運效率與決策品質 持續追蹤AI與雲端新技術，制定技術藍圖與團隊成長方向 使用技術 Data Lakehouse（Databricks、Iceberg、Hudi 等） Denodo Data Virtualization Python / Java / SQL 雲端平台：AWS / GCP / Azure MLOps、LLM Fine-tuning、Prompt Engineering

公司介紹 我們的客戶為台灣具指標性的大型金融機構，長期被市場視為金融科技與 AI 落地的領先者。近年在 Generative AI 領域投入大量資源，不僅推動多項 GenAI 旗艦方案，更成功將 AI 技術導入實際營運流程，建立可複製、可擴展的企業級應用模式。 本職缺隸屬於核心的轉型單位（約百人規模），高階長官具備資工博士級背景，組織定位關鍵、決策鏈短，並直接影響 AI 產品是否能安全、穩定地交付給最終客戶。 職務說明 我們正在尋找一位 AI 模型主管，從零建立企業級 AI 品質與評測體系。 你將擔任 AI 產品上線前的 「守門員（Gatekeeper）」，全權負責 LLM、RAG 與 ML 系統的評測標準、發布流程與風險控管，平衡模型效能、安全性與合規性，對產品能否正式上線具有關鍵影響力。 工作內容 一、AI 評測策略與框架建立 從零打造企業級 AI 評測架構，定義 LLM / RAG / ML 系統的核心評估指標 評測面向涵蓋：準確率、相關性、真實性（Faithfulness）、一致性（Consistency） 將 Responsible AI 原則納入驗收標準（公平性、偏見、可解釋性） 推動評測流程自動化，並與 MLOps / CI-CD 深度整合 二、基準測試與資料治理 規劃並管理 Golden Dataset，涵蓋關鍵業務流程、Edge Cases 與對抗性樣本 追蹤並評估主流評測工具與方法（如 RAGAS、DeepEval、Arize Phoenix） 建立模型版本間可比較、可追蹤的 Benchmark 體系 三、AI 安全與紅隊演練 建立 AI 安全防護與風險驗證機制 主導 LLM 紅隊演練（Red Teaming） 制定並驗證 Prompt Injection、Jailbreaking、PII 洩露等風險的防禦與壓力測試標準 四、跨部門協作與團隊領導 與演算法、後端工程、產品團隊密切合作，建立錯誤分析回饋迴圈 針對生產環境 Bad Cases 進行 RCA，提出 Fine-tuning / Prompt Engineering 優化建議 負責團隊培育、流程標準化與評測文件制度建立

在 Canner，我們正在打造突破性的 AI 與數據基礎架構解決方案，讓數據不再只是靜態資產，而是企業決策的核心動力。加入我們的研發團隊，你將參與開發和推動 Wren AI (https://github.com/Canner/WrenAI)。 Wren AI 是 Canner 的旗艦開源專案，讓大型語言模型 (LLM) 能夠直接查詢企業數據，為 AI Agent 提供精確的語意查詢能力。我們的開源庫已連續數週蟬聯 GitHub Top Trending，目前累積將近 10k+ 顆星，成為全球主流的 GenBI 解決方案。這代表了全球開發者對這項技術的高度認可與需求。 如果你熱衷於數據基礎架構、查詢引擎及大規模 AI 應用的開發，這將是參與業界最前沿技術發展的絕佳機會。 職責 (Responsibilities) 設計與開發 Wren AI 與 Wren AI Service參與核心語意查詢引擎開發，透過 LLM 打造 生成式 AI 應用 (Gen AI app)，提升 AI 在數據查詢與分析上的精確度與實用性與數據團隊和前端團隊合作，將 Wren AI 整合到實際應用場景中，驅動更強大的 AI 解決方案。開源專案維護與推廣積極參與並推廣 Wren AI 開源專案，處理社群反饋與技術問題，與全球開發者社群保持互動。協助開源社群解決使用上的問題，並將關鍵反饋回饋給內部研發團隊，推動產品迭代與優化。跨部門合作與 Data Team 與 Web Team 緊密合作，參與從數據查詢引擎到前端應用的全流程開發與部署，確保 AI 服務的穩定性與可擴展性。技術探索與創新保持對 LLM 技術的高度敏感度，積極探索最新的 AI 技術趨勢 (如 RAG 模型或大型語言模型微調)，並思考如何將其應用於實際業務場景，設計更智能、更好用的 AI 功能。

▋▍About Us｜關於我們（醫療 X 科技） 用數據驅動決策，將生醫資訊轉化為生命的價值。 在慧康生技（Health2Sync），數據是我們最核心的資產。身為數據團隊的一員，你將有機會處理海量且多樣化的生醫數據（Biomedical Data），並透過機器學習與生成式 AI 技術，將其轉化為對用戶及醫療院所有實質幫助的數據產品。 我們不僅僅是技術的執行者，更是公司重大決策的參與者。在這裡，每一份分析報告都可能改變產品走向，每一條數據管線都在支撐全球百萬用戶的健康。期待對數據科學充滿熱忱的你加入，與我們一起用技術為病患與醫療人員創造更多可能性。 ▋▍Why Join Us｜為什麼加入我們 接觸稀缺的生醫大數據：處理真實世界（Real-World Data）的生理指標與健康數據，在技術深度之外，累積珍貴的醫療科技領域知識（Domain Know-how）。GenAI 與 LLM 實戰舞台：不只是開發傳統模型，你將主導基於大語言模型的應用開發，將最新的 AI 技術落地於數位健康場景。從基礎設施到產品落地：參與 Data Lakehouse 的架構設計與優化，親手建立支撐大規模運算與建模的高效率數據管線。高度影響力的決策參與：團隊推崇透明溝通與共創，你的分析結果與模型表現將直接影響產品的發展策略與商業方向。 ▋▍Role Highlights｜職缺亮點 數據科學的最前線：同時跨足數據工程與 AI 建模，讓你成為市面上最搶手的全方位數據專才。賦予數據生命感：看著你寫出的模型轉化為 App 上的健康建議，實質改善病患生活，這種成就感無可取代。純技術、零官僚：我們在乎的是數據的真實性與解決方案的有效性，提供最透明、最尊重專業的工程環境。接軌國際技術標準：與具備國際視野的團隊共事，使用最先進的數據架構處理跨國市場的挑戰。 ▋▍Responsibility｜主要職責 [ 數據基礎設施建構 ] 架構建立與維護：設計並持續優化數據基礎設施（Data Pipeline, Data Lakehouse），以支援高效的數據分析與機器學習建模。管線自動化：使用 Airflow/Dagster 構建穩定、可擴展的 Data Pipeline，並管理大數據儲存架構（如 Apache Iceberg）。 [ AI 與機器學習應用開發 ] 模型開發與部署：利用數位健康數據開發並部署機器學習、統計模型及生成式 AI (GenAI) 應用。LLM 應用實踐：針對產品需求，構建並維護基於大語言模型 (LLM) 的應用服務，提升產品智能化程度。系統性能優化：優化現有的 AI 系統與演算法，確保其在生產環境中的性能與可擴展性。 [ 數據決策支援 ] 跨團隊任務執行：運用分析工具與統計方法，支援產品與業務團隊的特定任務，將數據轉化為可執行的行動建議。數據專案推動：參與數據產品發想，持續探索能優化 H2 產品體驗的數據科學方案。 ▋▍Media Coverage｜媒體報導 《環球生技月刊》慧康生技明掛牌興櫃 《今周刊》打造智抗糖 App 攻入慢性病平台 《數位時代》台灣新創進軍韓國 《今周刊》慧康創業背景 《天下雜誌》台灣第一數位療法

Description SWAG is building AI-native product capabilities powered by LLM-based agents and multi-modal intelligence. These systems are not experimental prototypes — they operate in production, interact with real users, and directly impact product experiences and business outcomes. We are looking for a AI Engineer to design, build, and operate AI agent systems that integrate large language models, vision models, internal data platforms, and external tools. You will work closely with Data, Product, and Engineering teams to deliver scalable, reliable, and observable AI systems. Responsibilities 1. Design and implement LLM-based AI agents that support multi-step reasoning, tool / function calling, and contextual decision-making. 2. Build and maintain agent workflows that interact with: Internal data platforms and services External APIs and third-party tools Product events and user signals 3.Integrate computer vision and multi-modal models (vision + language) into agent workflows and product features. 4. Apply vision models for use cases such as content understanding, classification, moderation, or personalization. 5. Own the end-to-end lifecycle of AI systems, including: Prompt and agent versioning Model selection, upgrades, and deprecation Online inference services and deployment 6. Implement LLMOps practices, including: Automated evaluation of LLM outputs Monitoring quality, latency, usage, and cost Identifying and mitigating real-world failure cases 7. Collaborate with Data Engineers to integrate AI systems into existing infrastructure, CI/CD pipelines, and observability platforms. 8. Work closely with Data Scientists, Product Managers, and Software Engineers to translate business requirements into production-ready AI solutions.