
Marvik یک شرکت مشاوره فناوری است که بر تبدیل هوش مصنوعی به سامانههای عملیاتی برای سازمانهای بزرگ تمرکز دارد. تیم این شرکت در زمینههای راهبرد هوش مصنوعی، شناسایی فرصتها، مهندسی داده، توسعه مدل، هوش مصنوعی مولد، مدلهای زبانی بزرگ، عاملهای هوش مصنوعی، بینایی رایانهای، تحلیل پیشبینانه، رباتیک و خودکارسازی فعالیت میکند. Marvik همچنین دسترسی به تخصص ارشد در حوزه هوش مصنوعی و رهبری پارهوقت ارائه میدهد و به سازمانها کمک میکند راهکارهای مقیاسپذیر برای بخشهایی مانند خردهفروشی، تجارت الکترونیکی، لجستیک، فینتک، تولید، مراقبتهای بهداشتی، انرژی و دولت توسعه دهند.
مهندس یادگیری ماشین و رباتیک، شبیهسازی
در Marvik سامانههای شبیهسازیشده یادگیری ماشین و رباتیک را برای کاربردهای دنیای واقعی بسازید و اعتبارسنجی کنید. در حوزههای رباتیک، ادراک، دادههای مصنوعی و توسعه مدل، از آزمایش تا تولید فعالیت کنید.
توضیحات
- راهکارهای یادگیری ماشین و رباتیک را از آزمایشهای اولیه تا یکپارچهسازی در محیط تولید توسعه دهید و ارزیابی کنید
- محیطهای شبیهسازی را برای آزمون الگوریتمها، تولید دادههای مصنوعی و ارزیابی سامانه ایجاد و اجرا کنید
- خطوط لوله داده شامل گردآوری، پردازش، آموزش مدل و ارزیابی بسازید
- مدلها را بر اساس نیاز پروژه به حسگرها، پلتفرمهای نرمافزاری و سختافزار متصل کنید
- آزمایشهایی را طراحی کنید که عملکرد را اندازهگیری کنند، حالتهای شکست را شناسایی کنند و انتقال از شبیهسازی به دنیای واقعی را ارزیابی کنند
- با مهندسان، پژوهشگران و مشتریان همکاری کنید تا نیازمندیهای پروژه را به پیادهسازیهای عملی تبدیل کنید
- کد قابل نگهداری و ابزارهای قابل استفاده مجدد تولید کنید و شیوههای مهندسی را در پروژهها تقویت کنید
شرایط لازم
- تجربه حرفهای در مهندسی یادگیری ماشین، رباتیک یا حوزهای نزدیک و مرتبط
- تجربه عملی با یک پلتفرم شبیهسازی مانند NVIDIA Isaac Sim، Isaac Lab، MuJoCo، Gazebo، PyBullet یا ابزار مشابه
- مهارت قوی در Python همراه با شیوههای مناسب مهندسی نرمافزار
- تجربه در توسعه و ارزیابی مدلهای یادگیری ماشین یا الگوریتمهای رباتیک، از جمله روشهای اعتبارسنجی و معیارهای عملکرد
- آشنایی عملی با مدلسازی حسگر، تبدیل دستگاه مختصات، سینماتیک، دینامیک یا شبیهسازی مبتنی بر فیزیک
- تسلط و راحتی در استفاده از Linux و Git در فرایندهای توسعه مشارکتی
- توانایی مدیریت چالشهای باز، توضیح موازنهها و بر عهده گرفتن مسئولیت پیادهسازی و اعتبارسنجی
- تجربه اضافی در بینایی ماشین، ادراک سهبعدی یا یادگیری چندوجهی مزیت محسوب میشود
- تجربه اضافی در تولید داده مصنوعی، تصادفیسازی دامنه یا ارزیابی شبیهسازی تا واقعیت مزیت محسوب میشود
- تجربه اضافی در یادگیری تقویتی، یادگیری تقلیدی، برنامهریزی حرکت یا کنترل مزیت محسوب میشود
- تجربه اضافی در ROS یا ROS 2 و یکپارچهسازی حسگر یا ربات فیزیکی مزیت محسوب میشود
- تجربه اضافی در استقرار سامانهها روی دستگاههای لبه مانند NVIDIA Jetson مزیت محسوب میشود
- تجربه اضافی در C++، بهینهسازی GPU، Docker یا زیرساخت ابری مزیت محسوب میشود
- تجربه اضافی در تبدیل نمونههای اولیه به سامانههای تولیدی قابل اتکا مزیت محسوب میشود
مزایا
- هیچ جزئیات مشخصی درباره مزایا، امتیازات یا جبران خدمات اضافی ارائه نشده است