数据建模&大模型开发实习

优缺点分析

角色解读

• 实习期间积累AI+机器人领域的实战经验，表现优秀有机会转正
• 未来可向AI算法工程师、机器人软件工程师方向深入发展，参与更核心的算法研发
• 软银收购后，业务将更聚焦AI和机器人，个人发展空间广阔
• 负责机器人运动数据的分析与建模，使用深度学习技术预测电机和齿轮箱的异常状态
• 基于大语言模型（LLM）开发机器人运维助手，包括数据整理、模型微调和检索增强生成（RAG）系统的优化
• 参与产品迭代，完成模型训练、测试和部署，确保算法在实际场景中的有效性
• 精通Python编程，熟悉PyTorch深度学习框架
• 熟悉LLM开发框架如Transformers、LangChain，掌握RAG技术
• 具备Linux系统操作能力，能够进行数据预处理和模型训练
• 良好的英文读写能力，能够阅读技术文档和撰写报告

申请策略

• 在求职信中表达对AI+机器人方向的热情，结合软银收购事件展现对行业趋势的了解
• 突出深度学习或自然语言处理相关项目经历，如异常检测、文本生成等
• 强调Python和PyTorch的使用经验，附上GitHub链接或项目代码
• 若有LLM微调或RAG相关实践，务必重点描述
• 体现团队协作和英文能力，如参与过国际开源项目或有英文论文
• 如果时间允许，可以自学LangChain框架和RAG原理，并尝试构建一个小型问答系统
• 补充机器人运动学或工业自动化基础知识，有助于理解业务场景

面试指南

• 对于技术问题，先阐述核心原理，再结合具体案例说明实现过程，最后总结效果与反思
• 对于开放性问题，展现你对行业趋势的理解和个人兴趣，不必过分夸大
• 请介绍一个你使用深度学习做异常检测的项目，包括所用技术和最终效果
• 你对检索增强生成（RAG）的理解是什么？在哪些场景下适用？
• 你使用过哪些LLM微调方法？LoRA和全参数微调有什么区别？
• 为什么对机器人行业感兴趣？如何看待AI与机器人结合的未来？
• 请描述你处理过的一个Linux环境下的数据预处理任务
• 复习Transformer架构和常见LLM微调方法（如LoRA、P-Tuning）