职位描述
PyTorch人工智能
一、教育背景与专业
- 博士/硕士优先。
- 专业方向：计算机科学、人工智能、机器学习、数据科学、数学、统计学、自然语言处理（NLP）、计算机视觉等相关领域。
二、核心技术能力
1. 大模型理论基础
- 深入理解大模型架构（如Transformer、GPT、BERT、Claude、Llama等），熟悉自注意力机制、位置编码、模型并行化等技术。
- 掌握大模型预训练、微调（Fine-tuning）、提示工程（Prompt Engineering）等核心方法。
- 深入理解大模型架构（如Transformer、GPT、BERT、Claude、Llama等），熟悉自注意力机制、位置编码、模型并行化等技术。
- 掌握大模型预训练、微调（Fine-tuning）、提示工程（Prompt Engineering）等核心方法。
2. 实战经验要求
- 模型开发：主导过大模型的全流程开发，包括数据预处理、模型训练、压缩优化、部署等。
- 场景应用：熟悉大模型在制造业垂直领域的落地案例，具备离散制造业解决方案设计能力。
- 问题排查：能快速定位大模型训练中的常见问题（如梯度消失/爆炸、过拟合、幻觉现象），并提出改进方案。
- 模型开发：主导过大模型的全流程开发，包括数据预处理、模型训练、压缩优化、部署等。
- 场景应用：熟悉大模型在制造业垂直领域的落地案例，具备离散制造业解决方案设计能力。
- 问题排查：能快速定位大模型训练中的常见问题（如梯度消失/爆炸、过拟合、幻觉现象），并提出改进方案。
3. 工具与框架
- 熟练掌握大模型开发工具链：
- 框架：PyTorch、TensorFlow、Hugging Face Transformers、DeepSpeed等。
- 加速工具：GPU/TPU集群、混合并行（数据并行、模型并行、流水线并行）、分布式训练框架（如Horovod）。
- 优化工具：量化压缩（QAT/FT）、剪枝、蒸馏（Knowledge Distillation）等。
- 熟悉大模型推理引擎（如vLLM、Triton）和部署工具（ONNX、TensorRT）。
- 熟练掌握大模型开发工具链：
- 框架：PyTorch、TensorFlow、Hugging Face Transformers、DeepSpeed等。
- 加速工具：GPU/TPU集群、混合并行（数据并行、模型并行、流水线并行）、分布式训练框架（如Horovod）。
- 优化工具：量化压缩（QAT/FT）、剪枝、蒸馏（Knowledge Distillation）等。
- 熟悉大模型推理引擎（如vLLM、Triton）和部署工具（ONNX、TensorRT）。
4. 数据处理与治理
- 精通大规模数据处理（清洗、标注、对齐）、数据集构建（如Supervised/Unsupervised Data）、数据质量评估。
- 熟悉多模态数据融合（文本、图像、语音、视频）及跨模态建模技术。
- 精通大规模数据处理（清洗、标注、对齐）、数据集构建（如Supervised/Unsupervised Data）、数据质量评估。
- 熟悉多模态数据融合（文本、图像、语音、视频）及跨模态建模技术。
三、行业经验与场景理解
1. 垂直领域深耕
- 至少拥有1-2个智能制造行业的完整项目经验，能将大模型技术与业务痛点结合。
2. 产品化思维
- 能将技术转化为可落地的产品方案，设计高可用、低成本的大模型服务体系（如API接口、SaaS平台）。
- 熟悉大模型相关的商业模式（如订阅制、按token计费、企业级私有化部署）。
四、软性素质与能力
1. 沟通与协作
- 能与技术团队（算法工程师、开发者）、业务团队（产品经理、行业专家）、客户（企业决策者）高效沟通，翻译技术语言为业务价值。
- 具备跨部门协作经验，推动大模型项目从需求到方案落地的闭环。
2. 快速学习与创新
- 紧跟大模型前沿技术（如MoE、RLHF、联邦学习），快速复现SOTA（State-of-the-Art）算法并适配业务场景。
- 具备创新思维，能提出针对大模型局限性的改进方案（如解决“幻觉”问题的强化学习策略）。
3.项目管理与风控
- 主导过大模型项目全生命周期管理，包括资源调配、进度把控、成本优化。
- 熟悉大模型开发中的合规与伦理风险（如数据隐私、算法偏见、知识产权保护）。
五、岗位职责
- 负责大模型技术在智能制造行业的应用场景探索与方案设计；
- 优化大模型训练效率与推理成本，解决复杂工程问题；
- 负责项目管理，带领团队完成大模型项目的实施交付。
登录查看完整内容
