Cake Job Search

職位說明 負責影像辨識模型的訓練與推論能力，提供 Host System 決策依據，但不具最終裁定 權。 工作內容 • 訓練與調校 YOLO v12 模型 • 影像資料前處理與標註 • 推論效能與準確度優化 • 與 Host 系統整合推論結果

開發與實作 生成式 AI 與影像辨識模型，用於產品瑕疵生成（Stable Diffusion、ControlNet、GAN 及其變體）、資料擴增與品質檢測。應用與微調 影像辨識／表徵學習模型（如 YOLO、CLIP、DINOv3 等新型開源模型）。進行 大型模型（ViT、LLM）Fine-tuning、模型建置、調校與效能優化。建立 資料清理、特徵工程、模型訓練與評估流程，持續提升模型穩定性與準確度。規劃並實作 RAG（檢索增強生成）架構，整合向量資料庫與 LLM。開發與維護 AI 模型服務 API，並與 WPF 前端及其他系統整合。進行 AI 技術與學術文獻研究，將研究成果應用於實務專案。使用 Docker、Git 進行部署與版本控管，配合主管交辦事項與團隊合作。依專案需求配合國外出差（一年約 1--3 次，每次約 3--4 週），參與專案導入、系統部署、模型調校或跨部門協作。其他主管交辦事項，並與團隊密切合作完成專案目標。必備條件3 年以上 AI／機器學習／深度學習 相關工作經驗，熟悉python、C#。熟悉 TensorFlow、PyTorch、Keras 等深度學習框架。熟悉 影像辨識模型與演算法，具 YOLO、CLIP、DINO（含新版本）等實作或應用經驗。具備 生成式模型（GAN 及其變體、Stable Diffusion、ControlNet）實務經驗，並理解模型底層原理。熟悉 Hugging Face 生態系（Transformers、PEFT、Datasets、Tokenizers）。有使用 PEFT 技術經驗（如 LoRA、QLoRA、Prefix Tuning 等），能在有限 GPU 資源下進行有效訓練與調校。了解 Fine-tuning 對模型效能、泛化能力與推論成本的影響，並能依量產需求進行權衡與最佳化。具備 RAG 架構、Prompt Engineering、向量搜尋與任一向量資料庫 經驗。具備 API 開發經驗，熟悉 Docker、Git。具備 數據清理、特徵工程、模型評估與效能優化能力。具良好溝通能力，可獨立作業並進行團隊合作。加分條件曾參與 產品瑕疵檢測、工業影像或製造業 AI 專案。具 影像生成＋影像辨識混合應用 經驗（如生成資料輔助訓練）。具 論文閱讀與模型重現（Reproduction）經驗。具 WPF 前端開發 或 AI 系統整合經驗。曾參與 AI 相關研究、技術分享或開源專案。具 對比學習（Contrastive Learning） 應用經驗（如 Self-Supervised Learning、Representation Learning）。有使用 StableDiffusion WebUI、ComfyUI經驗。

公司簡介 我們正在協助一間具國際市場布局的技術型新創團隊招募關鍵人才。 團隊專注於結合 Cloud、AI 與 Edge 技術，打造具規模化潛力的產品與系統解決方案，服務海外市場。 目前正處於從 0 到 1 的快速發展階段， 擁有穩定資金支持與充足資源，同時保有新創的速度與彈性。 團隊規模精實、決策快速，工程師能實際參與架構設計與產品落地， 與資深技術領導者密切合作，影響技術方向與產品發展。 🔍 你會做的事• 將 AI 模型部署到 Edge（YOLO / AI inference）• 設計 IoT 通訊架構（MQTT / LoRa / RF / Satellite）• 建構低延遲即時決策系統• 處理 SLAM / sensor fusion / navigation• 與 AI、Data、系統團隊密切合作 💡 為什麼值得看 • 高技術密度（Edge AI × IoT × Autonomous）• 真實場景部署，不只是 PoC• 團隊精實、決策快、影響力大• 技術導向文化，能參與核心系統設計

誠品致力於打造結合文化、閱讀與生活的全通路生態圈，透過數位創新提升顧客體驗，實現線上與線下服務的無縫整合。我們正在尋找一位 資深 AI 工程師，您將不僅僅是開發模型，更是技術架構的設計者。您將運用電腦視覺（CV）與機器學習技術，結合 MLOps 工程思維，解決真實零售場域的挑戰（如人流分析、智慧營運），為線上下融合的新商業模式打造穩固的技術基石。 【工作任務】 將主導模型的完整生命週期，重點在於工程落地與架構設計： 1.主導模型落地與架構設計： 負責將 CV/ML 模型部署至零售服務中（Cloud 或 Edge），並在延遲、成本與準確度之間做出最佳的工程權衡。 2.建置 MLOps 閉環（Loop）： 設計自動化的監控機制，針對 Data Drift 與模型衰退建立告警，並規劃自動化再訓練（Retraining）與版控流程，確保服務長期穩定。 3.跨團隊技術整合： 與 Product、Backend、Data Team 深度協作，定義 Schema 與 Data Contract；將技術語言轉化為商業指標，確保 AI 解決方案符合零售業務需求。 【必備條件】 1.精通 MLOps 部署體系： 熟練掌握 Model Packaging、Docker 封裝、相依性管理，並具備 CI/CD 自動化部署管線的建置經驗。 2.極致的推論效能優化： 具備 Batching、Async/Concurrent 處理、Caching 設計能力；熟悉 GPU/CPU 資源調校，能執行壓力測試並解決效能瓶頸。 3.全方位的可觀測性（Observability）： 能設計完整的 Log/Metric/Trace 系統，監控服務延遲、錯誤率與資源吞吐，並建立高效的故障排查流程。 4.資料治理與模型維運： 具備處理 Data Drift/Outlier 的實戰經驗，能制定監控閾值與回饋迴路，推動模型版本更新與回滾策略。 5.紮實的 ML 理論與實作： 對常見模型原理、Overfitting/Regularization 有深刻理解，能正確選用並解讀評估指標，不盲目追求 SOTA。 【加分條件】 電腦視覺（CV）實戰經驗： 在影像分類 (Classification)、物件偵測 (Detection)、分割 (Segmentation) 或追蹤 (Tracking) 領域有實際落地經驗者優先。 【具備特質】 Impact Result Driven： 以「解決問題」為核心，能在資訊不完整下建立假設、快速驗證並推進迭代。 Resilience (抗壓與適應)： 面對原始資料、需求變更與模型退化等真實挑戰，並視為優化系統的機會。 Technical Communication： 溝通邏輯清晰，能向利害關係人清楚說明技術決策的 Trade-off (如：準確率 vs. 延遲/成本)。 Growth Mindset： 對 CV/ML 新技術保持熱忱，能主動追蹤新演算法，並快速透過小型實驗驗證其商業價值。 【技術環境】 Languages Tools: Python, Docker, Git, Linux Frameworks: PyTorch / TensorFlow