中/高级机器学习算法工程师（优化平台）

优缺点分析

角色解读

• 从高级工程师发展为算法专家或技术负责人
• 可向芯片-算法协同方向深耕，成为AI基础设施领域专家
• 积累大模型部署经验，向端侧AI或自动驾驶等热门领域拓展
• 基于芯片特性（如量化、稀疏）开发NN压缩工具，提升模型部署效率
• 设计大模型量化压缩工具，支持端侧落地
• 与业务算法团队协作，持续优化工具性能和用户体验
• 扎实的AI压缩算法基础，熟悉量化、稀疏、Winograd等技术
• 精通至少一种主流量化工具（如TensorRT、SNPE、PPQ等）
• 有CUDA或Triton优化经验，熟悉硬件加速方案
• 良好的编程能力和工程实践

申请策略

• 研究大疆产品线（如无人机、车载）中对AI模型的需求，在面试中展示理解
• 准备一个完整的技术方案介绍，展现系统设计能力
• 突出在量化/稀疏/Winograd等技术的工具开发经验，附上具体项目成果
• 强调使用过的主流工具（如TensorRT、SNPE）及优化效果
• 展示大模型量化或端侧部署经验，若有开源贡献更好
• 补充QAT工具设计和大模型量化方案的实践经验
• 熟悉CUDA/Triton编程，提升底层优化能力

面试指南

• 从问题背景、技术方案、实现细节、效果评估四个维度展开
• 强调数据支撑和对比实验，体现工程思维
• 结合具体案例，展示解决问题的逻辑
• 请详细解释你设计过的量化工具，如何处理精度和速度的平衡？
• 比较不同量化方案（PTQ vs QAT）的优缺点及应用场景
• 如何针对特定芯片（如高通DSP）优化模型推理性能？
• 大模型量化中常见的问题有哪些？如何解决？
• 复习量化基础理论，包括定点数、校准方法等