51 lines
9.6 KiB
Markdown
51 lines
9.6 KiB
Markdown
|
# AI技术工程师
|
|||
|
|
|
|||
|
|
# 对应岗位：AI技术工程师
|
|||
|
|
|
|||
|
|
# 一、项目经历
|
|||
|
|
|
|||
|
|
### （一）项目名称：AI语音识别智能家居系统开发项目
|
|||
|
|
|
|||
|
|
### （二）实习岗位：AI技术工程师助理
|
|||
|
|
|
|||
|
|
### （三）实习时间：2024.06-2024.07
|
|||
|
|
|
|||
|
|
### （四）实习单位：**上海数趣信息科技有限公司**
|
|||
|
|
|
|||
|
|
### （五）岗位职责：
|
|||
|
|
|
|||
|
|
1. 协助导师完成语音识别数据的预处理与特征工程，~~使用 Pandas/NumPy 进行音频数据清洗与异常值处理，参与特征选择与噪声过滤实验，确保语音命令样本在不同环境下具备较高的数据质量，为模型训练提供可靠输入~~**跟着导师学着用 Pandas/NumPy 对音频数据做清洗和异常处理，也尝试做特征选择和噪声过滤，让语音样本在不同环境下更稳定，为后续训练提供靠谱的数据；**
|
|||
|
|
2. 参与语音识别算法的验证实验，~~在工程师指导下使用 PyTorch 对小规模语音模型进行微调测试，学习并尝试 LoRA 微调与梯度裁剪 方法，记录不同参数组合下的识别准确率与延迟表现，为后续优化提供数据支持~~**在工程师指导下用 PyTorch 对小模型做了一些微调实验，尝试过 LoRA 微调和梯度裁剪，记录不同参数下的准确率和延迟表现，积累了优化的基础经验；**
|
|||
|
|
3. 协助工程师完成智能家居系统的联动控制实验，~~基于 Flask 搭建简易的接口调用流程，完成传感器数据采集、阈值逻辑控制与设备状态反馈测试，整理控制延迟与功耗对比表，推动执行器稳定运行~~**用 Flask 搭建了简单接口，完成传感器数据采集、阈值逻辑和设备状态反馈的测试，并整理了延迟和功耗对比，帮助保证执行器运行更稳；**
|
|||
|
|
4. 参与系统集成与远程控制功能调试，~~协助配置 Docker 容器环境 并在导师指导下完成服务部署，进行Wi-Fi模块与移动端App的联调测试，记录通信加密与远程访问延迟数据，保证系统在实验场景中的稳定性~~**协助配置 Docker 环境，在导师指导下完成服务部署，做了 Wi-Fi 模块和App的联调测试，记录了延迟和加密情况，确保实验系统能稳定跑；**
|
|||
|
|
5. 协助完成模型优化与加速实验，~~学习使用 ONNX 模型转换 与 TensorRT 加速工具，配合工程师进行模型压缩与推理速度测试，观察优化前后的性能差异，并整理实验数据形成对比报告~~**学习用 ONNX 做模型转换，尝试用 TensorRT 做加速，对比了优化前后的推理速度，并整理成实验报告；**
|
|||
|
|
6. ~~参与项目过程管理，使用 Git 进行版本控制与代码提交，协助导师整理阶段性测试问题清单，借助 Jira 跟踪任务进展，配合团队完成系统调试、A/B测试与改进建议，推动项目进入迭代优化环节~~**在项目管理上也有参与，会用 Git 提交代码，帮导师整理测试问题清单，学着用 Jira 跟踪进度，协助团队做调试和改进。**
|
|||
|
|
|
|||
|
|
# 二、专业技能
|
|||
|
|
|
|||
|
|
### （一）核心能力
|
|||
|
|
|
|||
|
|
1. ~~掌握从数据预处理到模型部署的全流程技术栈：熟练使用PyTorch/TensorFlow框架进行模型开发，掌握ONNX模型转换与量化技术，能够使用Docker容器化部署模型，并具备Flask/FastAPI等框架的RESTful API开发能力，实现AI系统的生产环境集成~~**掌握从数据预处理到模型部署的基本流程，会用 PyTorch 框架做模型开发，学过 ONNX 转换和简单的模型量化，能用 Docker 部署模型，也能用 Flask/FastAPI 做 API；**
|
|||
|
|
2. ~~精通基于Transformer架构的模型微调技术，具有丰富的Hugging Face生态实战经验。能够针对分类、生成、预测等场景，通过Layer冻结、LoRA微调、梯度裁剪等高级技术，在数据稀缺条件下有效提升模型性能，实现95%+的准确率优化~~**对 Transformer 架构的模型微调有一定了解，用过 Hugging Face 的工具，尝试过 Layer 冻结、LoRA 微调、梯度裁剪等方法来提升模型效果；**
|
|||
|
|
3. ~~具备将业务需求转化为技术方案的系统能力，熟练使用UML图、时序图进行方案设计。能够完成技术可行性分析及投入产出评估，撰写专业的技术方案文档，并协调前后端开发团队推动方案落地~~**能把业务需求转成技术方案，画过简单的流程图，能写基础的技术文档，并在团队里协助推动方案落地；**
|
|||
|
|
4. ~~精通使用Pandas/NumPy进行大规模数据清洗与分析，掌握特征选择、维度压缩、异常值处理等高级特征工程技术。能够运用Spark进行分布式数据处理，解决实际业务中的特征稀疏、样本不平衡等挑战~~**会用 Pandas/NumPy 做数据清洗和分析，接触过特征选择和异常值处理等方法；**
|
|||
|
|
5. ~~持续跟踪LLM、多模态、AIGC等前沿方向，具备阅读和实现顶会论文的能力。已在个人项目中应用LangChain、向量数据库等新技术，探索RAG系统在垂直领域的创新应用，并完成效果验证~~**平时会关注 LLM、多模态、AIGC 等前沿方向，尝试过用 LangChain 和向量数据库做一些小实验；**
|
|||
|
|
6. ~~熟悉Agile/Scrum开发流程，精通Git版本控制与CI/CD流水线搭建。具有丰富的跨团队协作经验，能够使用Jira进行任务管理，推动模型开发、A/B测试、迭代优化的完整闭环，确保项目高质量交付~~**熟悉 Agile/Scrum 的基本流程，会用 Git 做版本管理，也能配合团队用 Jira 跟踪任务，参与过 A/B 测试和迭代优化；**
|
|||
|
|
7. ~~掌握模型压缩、蒸馏、量化等优化技术，能够通过TensorRT加速推理过程，实现推理速度300%+的提升。精通模型评估指标体系，能够设计多维度测试方案，确保模型在生产环境的稳定性和可靠性~~**学习过模型压缩、蒸馏和量化，尝试用 TensorRT 做过推理加速，对比过优化前后的差异。**
|
|||
|
|
|
|||
|
|
### （二）复合能力
|
|||
|
|
|
|||
|
|
1. 人工智能应用能力：了解人工智能的发展路径与主流算法框架（如Transformer、多模态模型），初步掌握LLM调用、Prompt编写与图文生成工具的使用方法，具备AI基础素养与合规意识。
|
|||
|
|
2. 基础编程能力：掌握数组、链表、哈希表、堆栈、树与图等核心数据结构的原理与使用场景，具备使用Python进行数据处理与基础编程的能力。
|
|||
|
|
3. Agent智能体开发基础能力：理解Agent的基本结构与工作机制，了解其在物联网、自动化控制和多任务协同中的应用模式，初步具备使用LangChain等主流框架实现简单任务编排和功能调用的能力。
|
|||
|
|
4. 嵌入式与边缘设备部署基础：了解物联网设备中的嵌入式系统架构，具备边缘设备操作系统、驱动管理与资源调度机制的基本认知，能够协助完成设备配置与系统调优任务。
|
|||
|
|
5. 计算机系统基础理解能力：具备从计算机底层结构（CPU架构、缓存设计、指令系统）到上层操作系统演进（Linux、虚拟化、边缘OS）的系统理解能力，能够初步分析软硬件协同机制与设备运行原理。
|
|||
|
|
6. 网络通信协议理解能力：理解TCP/IP模型、Wi‑Fi、蜂窝通信、BGP路由等核心网络协议，了解云计算架构下的网络基础设施与数据传输机制，具备构建连接与排查通信问题的基础能力。
|
|||
|
|
7. 持续学习能力：关注技术前沿趋势，如扩散模型、多模态大模型等方向，具备持续学习的意愿与主动探索的习惯，能够主动跟进新技术动态并将其应用于实际学习或项目尝试中。
|
|||
|
|
8. Linux系统操作能力：能够在Linux环境下完成磁盘管理、用户权限配置、网络设置等常规操作，熟悉文件系统与命令行工具，具备脚本自动化与远程运维的初步经验。
|
|||
|
|
9. 自动化脚本应用能力：会使用Python对本地数据进行基础处理、接口调用任务，能够使用小型自动化工具来提升开发与运维效率，具备基础的异常处理与日志记录能力。
|
|||
|
|
10. 版本管理与协同开发能力：掌握Git的本地提交、远程仓库操作流程，具备多人协作开发、代码评审与冲突解决的工作经验。
|
|||
|
|
|
|||
|
|
# 三、个人评价
|
|||
|
|
|
|||
|
|
~~在项目实践中，具备从数据预处理到模型部署的完整技术能力，能够使用 Pandas/NumPy 进行语音数据清洗、特征选择与异常值处理，确保数据质量稳定。熟练掌握 PyTorch 框架，能够开展语音识别模型的微调实验，并尝试 LoRA 微调与梯度裁剪等优化方法，积累了性能提升的实践经验。熟悉 Flask 接口开发，能够完成智能家居场景下的联动控制与设备状态反馈测试。具备 Docker 容器化与 ONNX 模型转换的初步经验，能够协助完成模型压缩与推理加速实验，并通过 TensorRT 优化观察性能差异。掌握 Git 与 Jira 等工具的使用，能支持版本管理与任务跟踪，参与团队的迭代优化流程。学习过程中保持对 Hugging Face、LangChain 等前沿技术的关注，能够结合论文与开源代码提出优化思路，展现出持续学习和探索精神，为未来AI技术工程师岗位积累了扎实基础~~**在实习中积累了从数据处理到模型部署的经验，比如用 Pandas/NumPy 做语音数据清洗和特征处理，用 PyTorch 试着做过模型微调，接触过 LoRA 和梯度裁剪等优化方法。也做过 Flask 接口实验，让设备能联动控制；尝试用 Docker 和 ONNX 做部署和转换，学习了 TensorRT 加速。平时会用 Git 和 Jira 辅助团队协作。对 Hugging Face、LangChain 等新技术保持关注，喜欢动手尝试并总结经验，具备一定的探索精神和学习潜力。**
|