自然語言處理算法工程師

一、核心能力要求
1.編程語言
Python（必備）：精通NumPy/Pandas數據處理、PyTorch/TensorFlow/Keras框架，熟悉SciKitLearn等傳統ML工具庫。
C++/Java/Scala（加分項）：高性能計算、系統底層優化、工業級部署場景（如實時推理引擎開發）。
2.算法與模型
傳統ML：監督學習（線性回歸/SVM/決策樹）、無監督學習（聚類/PCA）、強化學習。
深度學習：
CV方向：CNN（ResNet/YOLO）、DiffusionModels（StableDiffusion）。
NLP方向：RNN/LSTM、Transformer（BERT/GPT）、多模態與LLM微調。
3.開發框架與工具
深度學習框架：PyTorch（研究首選）、TensorFlow（生產部署）、HuggingFace（NLP生態）。
大數據處理：ApacheSpark/Flink、Kafka（流數據處理）、Hadoop生態。
云與MLOps：AWSSageMaker/AzureML/GCPVertexAI、MLflow/Kubeflow、Airflow。
二、進階技術能力
1.數據處理與工程化
數據清洗、特征工程、數據增強（如GAN生成合成數據）。
分布式存儲與計算（HDFS/Spark）、向量數據庫（FAISS/Milvus）。
2.模型優化與部署
性能優化：模型量化/剪枝、GPU加速（CUDA）、多線程/分布式訓練。
部署方案：容器化（Docker/K8s）、Serverless、邊緣設備（ONNXRuntime）。
3.領域適配經驗
垂直領域（金融/醫療/心理學）的數據與術語適配能力（如醫療NER模型開發）。
隱私合規：數據脫敏（GDPR）、模型偏見檢測、倫理風險評估。
三、崗位職責
1.架構設計與技術規劃
設計端到端AI系統架構（數據管道→訓練→部署→監控），制定技術路線圖（如LLM/AutoML引入評估）。
確保高可用、高性能及合規性（如數據隱私、模型審計）。
2.工程化落地與優化
主導MLOps框架搭建（模型版本管理、自動化訓練/監控）、實時推理優化（低延遲<100ms）。
優化分布式計算架構（Spark/Flink）、成本控制（Spot實例/模型壓縮）。
3.技術領導與創新
主導跨團隊協作（數據/產品/業務），將需求轉化為技術方案（如對話系統設計）。
四、任職要求
1.基礎背景
計算機科學/數學/統計學本科及以上學歷，2年以上架構設計經驗。
2.全流程項目經驗
至少參與過2個以上完整AI項目（需求分析→數據準備→模型訓練→部署運維)
掌握Git版本控制、CI/CD自動化測試流程
3.跨領域協作能力
心理學/醫療/金融等垂直領域知識轉化能力（如情感咨詢機器人需心理學術語適配)
4.倫理與合規實踐
隱私數據脫敏處理、模型偏見檢測、AI倫理風險評估經驗