贵州省人工智能实验室算法工程师

优缺点分析

角色解读

• 技术路线：从算法工程师成长为高级研究员或技术专家，深入大模型或AI4Science领域，成为团队核心
• 管理路线：在项目中展现领导力后，可晋升为技术组长或AI实验室的负责人，带领团队攻关
• 跨领域发展：积累电信和AI交叉经验后，可转向产品经理或解决方案架构师，负责AI产品化
• 探索AI在电信业务中的应用场景，如智能客服、网络优化、用户画像等，将算法落地到实际系统
• 参与大模型研发，包括LLM和视觉大模型的训练、微调、推理优化，以及基于大模型的Agent应用开发
• 从事AI4Science方向的多模态研究，处理气象、医药、材料等领域的多模态数据，推动跨学科AI应用
• 扎实的机器学习、深度学习基础，熟练掌握NLP、CV、推荐系统或强化学习等至少一个方向的核心算法
• 熟悉主流大模型（如GPT、BERT、ViT）及其训练和推理方法，有实际调参或部署经验
• 具备较强的编程能力，精通Python，熟悉PyTorch、TensorFlow等框架，有分布式训练经验更佳
• 良好的科研能力，能阅读顶会论文，有论文发表或竞赛获奖经历会加分

申请策略

• 了解中国电信的数字化转型战略和AI布局，在面试中展现对业务场景的理解
• 贵阳是相对冷门的AI城市，但对长期发展有利，建议表达出愿意在贵阳长期工作的意愿
• 突出在NLP、CV或大模型方向的项目经验，特别是实际落地的案例，如将模型部署到线上系统
• 强调顶会论文或知名竞赛获奖经历，展示科研能力
• 如有电信、气象、医药等交叉学科项目，务必重点描述，体现跨领域能力
• 补充多模态学习和大模型微调的相关知识，熟悉Hugging Face、DeepSpeed等工具
• 如果缺乏工程落地经验，可动手做一个小型Agent应用或参与开源大模型项目，积累实战经历

面试指南

• STAR法则：描述项目背景、你的任务、具体行动和最终成果，突出技术难点和你的贡献
• 原理+实例：先解释算法原理，再结合项目实例说明应用效果，体现理论与实践结合能力
• 结构化思考：从问题定义、数据、模型、评估、部署等步骤系统性地回答，展示工程思维
• 请介绍一下你参与过的大模型项目，包括模型选型、训练策略和部署经验
• 多模态对齐常用的方法有哪些？如何解决模态缺失问题？
• 在电信业务中，你如何评估一个AI应用的价值？请设计一个客户流失预测的方案
• 如何利用强化学习优化推荐系统？请举例说明
• 你读过哪些AI4Science相关的前沿论文？你认为AI与科学结合的关键挑战是什么？