算法開(kāi)發(fā)工程師

面議

學(xué)歷要求：碩士及以上
工作經(jīng)驗(yàn)：不限
更新時(shí)間： 2026-04-17

招聘人數(shù)： 2
招聘對(duì)象：應(yīng)屆畢業(yè)生
工作地區(qū)：

陳金瑩 HR

一崗位職責(zé)
1算法開(kāi)發(fā)與優(yōu)化
- 設(shè)計(jì)實(shí)現(xiàn)和優(yōu)化機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法模型（如分類(lèi)回歸聚類(lèi)NLPCV等）。
- 針對(duì)業(yè)務(wù)場(chǎng)景定制算法解決方案。
- 參與模型的訓(xùn)練調(diào)參評(píng)估及性能優(yōu)化（如準(zhǔn)確率速度資源占用等）。
模型設(shè)計(jì)與訓(xùn)練，針對(duì)業(yè)務(wù)場(chǎng)景（如陪護(hù)機(jī)器人的人臉識(shí)別語(yǔ)音交互）設(shè)計(jì)深度學(xué)習(xí)模型（CNN/RNN/Transformer），完成數(shù)據(jù)標(biāo)注特征工程及模型訓(xùn)練。使用 TensorFlow/PyTorch 框架優(yōu)化模型結(jié)構(gòu)（輕量化設(shè)計(jì)），平衡精度與計(jì)算資源（如適配 RK3588S NPU 的 INT8 量化）。
嵌入式算法移植，將訓(xùn)練模型部署到邊緣設(shè)備（STM32/RK3588S），使用 TensorFlow LiteONNX Runtime 或廠商工具鏈（如 RKNN）實(shí)現(xiàn)端側(cè)推理。針對(duì)硬件特性優(yōu)化計(jì)算圖（算子融合內(nèi)存復(fù)用），確保實(shí)時(shí)性（如機(jī)器人動(dòng)態(tài)避障算法延遲 <200ms）。
傳統(tǒng)算法開(kāi)發(fā)開(kāi)發(fā)信號(hào)處理算法（如傳感器數(shù)據(jù)濾波FFT 分析）或控制算法（PID路徑規(guī)劃）。實(shí)現(xiàn)多傳感器融合（IMU+激光雷達(dá)）的 SLAM 建圖與導(dǎo)航邏輯。
2數(shù)據(jù)處理與分析
- 清洗預(yù)處理大規(guī)模結(jié)構(gòu)化/非結(jié)構(gòu)化數(shù)據(jù)（文本圖像視頻等）。
- 構(gòu)建特征工程，挖掘數(shù)據(jù)潛在規(guī)律，提升模型效果。
3數(shù)據(jù)閉環(huán)構(gòu)建
數(shù)據(jù)采集與治理設(shè)計(jì)數(shù)據(jù)采集方案（如機(jī)器人運(yùn)行日志用戶交互錄音），構(gòu)建邊緣-云端數(shù)據(jù)管道。
開(kāi)發(fā)數(shù)據(jù)清洗工具（去噪異常值處理）自動(dòng)化標(biāo)注系統(tǒng)（半監(jiān)督學(xué)習(xí)）。
模型迭代與 A/B 測(cè)試通過(guò)在線學(xué)習(xí)（Online Learning）或聯(lián)邦學(xué)習(xí)（Federated Learning）持續(xù)優(yōu)化模型。設(shè)計(jì)實(shí)驗(yàn)對(duì)比算法版本效果（如語(yǔ)音喚醒率提升 5%），輸出量化分析報(bào)告。
4模型部署與落地
- 將算法模型部署到生產(chǎn)環(huán)境，與工程團(tuán)隊(duì)協(xié)作完成服務(wù)化（如API微服務(wù)）。
- 解決模型在線推理的實(shí)時(shí)性穩(wěn)定性可擴(kuò)展性問(wèn)題。
4技術(shù)研究與創(chuàng)新
- 跟蹤前沿算法（如大語(yǔ)言模型強(qiáng)化學(xué)習(xí)多模態(tài)等），探索技術(shù)落地可能性。
- 發(fā)表專(zhuān)利論文或參與技術(shù)討論會(huì)。
5跨團(tuán)隊(duì)協(xié)作
- 與產(chǎn)品業(yè)務(wù)團(tuán)隊(duì)溝通，理解需求并制定技術(shù)方案。
- 編寫(xiě)技術(shù)文檔，輸出算法設(shè)計(jì)邏輯和實(shí)驗(yàn)報(bào)告。
跨團(tuán)隊(duì)協(xié)作與硬件團(tuán)隊(duì)協(xié)同,參與主控芯片選型（如評(píng)估 NPU 算力是否滿足 YOLOv5s 部署需求）。定義傳感器規(guī)格（攝像頭分辨率麥克風(fēng)信噪比）以滿足算法輸入要求。
1與嵌入式團(tuán)隊(duì)對(duì)接提供量化后模型（tflite/rknn），聯(lián)合調(diào)試內(nèi)存占用與推理速度。開(kāi)發(fā)算法性能監(jiān)控模塊（如幀率CPU/內(nèi)存異常告警）。
2與產(chǎn)品經(jīng)理聯(lián)動(dòng)將技術(shù)指標(biāo)轉(zhuǎn)化為用戶體驗(yàn)參數(shù)（如95% 的語(yǔ)音指令響應(yīng)時(shí)間 <1 秒）。
評(píng)估功能可行性（如實(shí)時(shí)情感識(shí)別對(duì) RK3588S 算力的占用率）。
二任職要求
1硬性要求
- 學(xué)歷與專(zhuān)業(yè)
- 碩士及以上學(xué)歷，計(jì)算機(jī)數(shù)學(xué)統(tǒng)計(jì)學(xué)電子工程等相關(guān)專(zhuān)業(yè)（部分初級(jí)崗位接受優(yōu)秀本科生）。
- 技術(shù)能力
- 熟練掌握Python（主流語(yǔ)言），熟悉C++/Java/Scala等更佳。
- 精通機(jī)器學(xué)習(xí)框架（如TensorFlowPyTorchScikit-learn）。
- 熟悉常見(jiàn)算法（如SVM隨機(jī)森林神經(jīng)網(wǎng)絡(luò)Transformer等）及適用場(chǎng)景。
- 熟悉大數(shù)據(jù)工具（如HadoopSparkFlink）和數(shù)據(jù)庫(kù)（SQL/NoSQL）。
- 有模型部署經(jīng)驗(yàn)（如DockerKubernetesTensorRT）者優(yōu)先。
- 數(shù)學(xué)基礎(chǔ)
- 扎實(shí)的線性代數(shù)概率統(tǒng)計(jì)優(yōu)化理論功底。
2加分項(xiàng)
- 熟悉領(lǐng)域技術(shù)（有語(yǔ)音/NLP或計(jì)算機(jī)視覺(jué)項(xiàng)目經(jīng)驗(yàn)者優(yōu)先，如NLP中的BERT/LLMCV中的CNN/目標(biāo)檢測(cè)）。
- 熟悉ROS及機(jī)器人算法者優(yōu)先。
- 有高并發(fā)分布式系統(tǒng)開(kāi)發(fā)經(jīng)驗(yàn)。
- 頂會(huì)論文（NeurIPSICMLCVPR等）或Kaggle/Tianchi競(jìng)賽成績(jī)優(yōu)異。
- 熟悉AutoML模型壓縮（如量化剪枝）等技術(shù)。
3軟技能
- 邏輯清晰，能快速定位和解決復(fù)雜問(wèn)題。
- 良好的溝通能力，能將技術(shù)方案通俗化傳達(dá)給非技術(shù)團(tuán)隊(duì)。
- 對(duì)業(yè)務(wù)敏感，能平衡技術(shù)先進(jìn)性與落地成本。

職位類(lèi)別：

舉報(bào)