⁨Robotics⁩関連の求人⁨20⁩選

労働人口が減少する日本。当社は、ロボティクス技術の導入を通じて、建設土木、製鉄・製造、港湾、リサイクル、バイオマス業界など建機・重機を使う様々な業界に遠隔・自動化アプリケーションを提供し、現場の生産性の向上・危険きつい環境での作業改善に貢献する東京大学発スタートアップです。 【社長インタビュー】ロボット工学を駆使し、建機・重機の遠隔・自動化を推進。現場のアップデートを目指す。 https://arav.jp/recruit/interview_ceo/ 建機遠隔操作ソリューションを搭載した油圧ショベル。ダンプトラックへの土砂積み込み動作も可能ホイルローダーの自動運転ソリューション 労働人口が減少する日本。当社は、ロボティクス技術の導入を通じて、建設土木、製鉄・製造、港湾、リサイクル、バイオマス業界など建機・重機を使う様々な業界に遠隔・自動化アプリケーションを提供し、現場の生産性の向上・危険きつい環境での作業改善に貢献する東京大学発スタートアップです。 【社長インタビュー】ロボット工学を駆使し、建機・重機を遠隔・自動化を推進。現場のアップデートを目指す。 https://arav.jp/recruit/interview_ceo/ 現場の課題解決のため現場・現物を重視。柏の開発・デモフィールド「テクノロジー技術で社会課題を解決する」その最前線で挑戦を続ける仲間たち 【社員によるクロストーク】「テクノロジー技術で社会課題を解決する」その最前線で挑戦を続ける仲間たちの本音に迫ります。ARAVならではの働き方や想い、価値観をざっくばらんに語ってもらいました。 https://arav.jp/recruit/crosstalk/ 営業部門と技術部門が連携し、お客様へのソリューション提案、開発を行う建機・重機に取り付けるマシーンを調整する 今使えるRobotics技術を駆使し、いま解決が必要な社会課題に応えられるソリューションを提供することを大切にしています。 【Technology/Solution】ロボティクス技術と遠隔化・自動化によって、さまざまな産業領域の課題を解決 https://arav.jp/solution/ ARAVが開発する自社製品である、既存の建機に後付可能な遠隔操作機器、自動運転機器の技術開発（ソフトウェア）に関する業務をご担当いただきます。取引先との生産環境づくりや次期型の自社製品の開発及び品質づくり、機能開発を行います。 【仕事内容】 技術選定、等のソフトウェア開発分野をお任せします。プロジェクトマネージャーと連携しながら機能開発に取り組んでいただき、新規技術選定や技術的負債の返済に注力いただきます。 ▼仕事の魅力 ARAVの製品は、Web, ネットワーク, 組み込み, 電子回路, 機構等の複合技術で作られており、製品を通して他社では経験できないほど多岐にわたる技術に触れ、成長できることが弊社の魅力です。未整備な環境を開拓していく楽しみがあります。業界内外に大きな影響を与えられるポジションで、共にキャリアアップを目指しましょう！

Rapyuta Roboticsでは、ロボティクスシステムのエンジニアリング、ソフトウェア開発、品質保証、プロジェクト管理など、多岐にわたる専門職を募集しています。クラウドロボティクスプラットフォームの開発や、革新的なロボットソリューションの設計・実装に携わり、最先端の技術を活用して社会に貢献する機会を提供しています。

■ 募集背景 APTOでは、AIモデル開発に不可欠な学習データの生成・整備・評価プロセスをプロダクトとして提供しています。 近年、AIモデルの進化に伴い、競争力の源泉はモデル構造そのものから、「どのようなデータを、どのように設計し、評価し、改善し続けられるか」へと急速にシフトしています。 特に、 ・LLM / VLM / マルチモーダルモデルの高度化 ・本番運用を前提とした大規模データ要求 ・データ品質がモデル性能を直接左右する構造 が同時に進み、AI開発におけるボトルネックは完全に「データ側」に移行しています。 さらに現在は、 ・有害データの混入 ・バイアスの増幅 ・誤学習によるリスク ・評価指標と実運用性能の乖離 といった AIの安全性・信頼性に関わる課題 が顕在化しており、データ設計は単なる精度改善の問題ではなく、AIの社会実装における責任領域へと拡張しています。 APTOでは現在、 ・データ設計や評価が属人的に行われている ・モデル改善のボトルネックがデータ側にあるが体系化されていない ・安全性・品質・性能を統合した設計思想が未確立 という課題を抱えており、AIモデル性能と安全性を「データの観点から」引き上げられるResearch Engineerを募集します。 ■ このポジションの本質 AIモデルが正しく学習され、安全性・信頼性を担保し、本番環境で信頼できる性能を発揮する状態を、データ設計と評価ループの構築によって実現することを担っていただくポジションです。 扱う対象は単なる学習データではなく、 ・モデルの挙動を規定する訓練信号 ・評価基準を形作るテストデータ ・安全性を担保するガードレールデータ といった、AIのモデルの出力特性と性能を規定する要素です。 そのため本ポジションでは、 ・どのデータがモデルの意思決定に影響するのか ・どの評価が本番性能を適切に測定できるのか ・どのようなデータ設計が安全性を担保するのか といった問いに対し、研究的視点と実装視点の両方から取り組むことが求められます。 ■ 主な役割 ・LLM / VLM / マルチモーダルモデル向けの学習データ設計 ・データ前処理・アノテーション方針の設計と改善 ・モデル評価指標の設計および評価結果の分析 ・学習 → 評価 → データ改善 のフィードバックループ構築 ・モデル開発チームとの連携による性能改善 ・データ品質・バイアス・安全性に関する設計指針の確立 ■ 研究テーマとしての領域 本ポジションでは、以下のような研究的テーマに取り組んでいただく想定です。 データ設計領域 ・モデル性能を最大化するデータ分布設計 ・データカバレッジと一般化性能の関係 ・少量データ環境での効率的データ生成 評価領域 ・モデルの実運用性能を反映する評価指標の設計 ・評価データセットの品質設計 ・自動評価と人手評価の統合設計 AI安全性領域 ・有害出力を抑制する訓練データ設計 ・バイアス・公平性に関するデータ分析 ・安全性評価データセット（ベンチマーク）の設計 ・データガバナンス・トレーサビリティ設計 ・SFT, RLHFによるモデルの性能向上 ■ 主軸（最も期待する領域） ・AIモデル向けデータ設計・品質管理 ・モデル評価とデータ改善ループの設計 ・Pythonを用いたデータ処理・分析 ・データ視点からのモデル性能改善 ■ 扱う対象例 ・LLM / VLM 向けテキスト・画像・動画データ ・物体検知・画像認識モデル向けデータ ・アノテーションデータ・メタデータ ・安全性評価用データセット ■ このポジションで得られるもの ・AIモデル性能を左右するデータ設計の実務経験。 ・最新のLLM / VLM を実運用レベルで扱う希少な機会。 ・AIの安全性・信頼性に関わる最前線の課題に取り組む経験。 ・研究とプロダクト開発を横断したキャリア。