岗位职责:
设计并训练面向光纤传感时序数据(如DAS/DTS)的轻量化AI模型,实现异常事件检测、融合传统机器学习与深度学习模型,构建多模态融合分析框架;
针对边缘计算场景优化模型效率(参数量化、剪枝、蒸馏),满足实时预警需求。
负责从数据采集→清洗标注→特征工程→模型训练→部署推理的全流程开发;
搭建自动化训练平台(PyTorch/TensorFlow + MLflow/Kubeflow),提升模型迭代效率;
协同嵌入式团队完成模型在光纤解调仪等硬件设备的嵌入式部署(C++)。
跟踪图神经网络(GNN)、时序大模型(TimesNet)等新技术在城市安全领域的应用;
探索光纤数据与视频、IoT等多源信息的跨模态关联分析。
岗位要求:
熟练掌握Python、Matlab、C/C++等至少一种编程语言;
具有深度学习研发经验,熟练使用TensorFlow、Pytorch等至少一种深度学习框架,能够应用主流框架进行开发,并了解神经网络模型压缩常用方法;
具备时序数据分析经验(LSTM/GRU/TCN),有实际工业场景落地案例;
熟悉经典机器学习算法(集成学习、聚类分析)及调优方法;
具备独立承担子系统研发的能力,以第一作者身份发表过 SCI 论文或拥有发明专利者优先;
有大模型(BERT/GPT/ViT)微调或轻量化部署经验者加分。
工程经验:
独立完成过至少1个端到端AI项目(数据→上线),熟练使用Linux/Docker/Git;
掌握模型压缩技术(量化/蒸馏)及高性能推理框架(TensorRT);
熟悉大数据工具链(Spark/Flink)处理海量传感数据者优先。
应聘条件:
1、国内211/985高校知名高校统招本科及以上学历,计算机科学、人工智能、机器学习、电子工程、光学工程或相关专业优先;
2、3年及以上科研机构或高新技术企业工作经验优先;
3、年龄45周岁以下。
稳定性说明:
我们重视长期价值共建,核心团队平均司龄>5年,提供技术深耕土壤而非频繁转向。成员多成长为领域技术骨干或项目负责人。