恩智浦半导体
Senior Software Engineer
Senior Software Engineer
发布于 大约 3 小时前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
硕士
软件工程
PyTorch
TensorFlow
LLM
微控制器
低功耗
模型优化
嵌入式Ml
AI 估算 · 30k–50k
恩智浦为跨国巨头，高级工程师在北京薪资较高，结合技术水平与经验要求，估算月薪3-5万。
职位详情
关于这个职位
该职位专注于嵌入式设备上的机器学习推理引擎开发与优化，涉及模型训练、微调及部署
你将与跨团队合作，研究前沿技术并优化算法以适应资源受限设备
适合有扎实嵌入式开发经验和ML背景的工程师
最低要求
Master’s degree in Computer Science, Electrical Engineering, or a related field.
Strong experience with LLM, TensorFlow and/or PyTorch for model training and deployment.
Proficiency in programming languages such as C, C++, and Python.
Extensive experience in embedded software development and machine learning.
Excellent programming skills in at least one of the following: C, C++, or Python.
Proven ability to read and understand technical articles and research papers in English.
Strong problem-solving skills and attention to detail.
Good communication skills and the ability to work collaboratively in a team environment.
工作职责
Develop and optimize Embedded ML inference engines for microcontrollers.
Train and fine-tune machine learning models using LLM, TensorFlow and/or PyTorch to be deployed on resource-constrained devices.
Implement and experiment with techniques to improve model performance on low-power and memory-limited devices.
Collaborate with cross-functional teams to integrate ML solutions into embedded systems.
Conduct research on new machine learning techniques and tools specifically for Embedded ML applications.
Optimize machine learning algorithms to meet the performance and resource constraints of embedded systems.
Stay up-to-date with the latest advancements in Embedded ML by reading and interpreting technical articles and research papers.
优先资格
Proven experience with deploying machine learning models to embedded devices, specifically for Embedded ML applications.
Familiarity with embedded systems, microcontrollers, and real-time operating systems (RTOS).
Deep understanding of software development life cycle and best practices for embedded systems.
Previous experience in a full-time role or significant project in a related field.
Expertise in optimization techniques for low-power and low-latency machine learning models.
AI 洞察
优缺点分析
优点
- 技术前沿：聚焦嵌入式ML和LLM，属于高价值成长赛道
- 平台优势：恩智浦为半导体巨头，资源丰富，项目影响力大
- 技能积累：同时提升嵌入式开发和ML能力，复合型人才需求旺盛
- 适合有嵌入式开发背景且对机器学习充满热情的工程师，愿意深入底层优化，并适应快速学习节奏
缺点 / 挑战
- 技术难度高：需要在性能受限设备上实现复杂模型，优化挑战大
- 学习压力大：需持续跟踪最新研究，快速迭代技术方案
角色解读
- 技术深耕：成为嵌入式ML领域的专家，主导核心算法研发
- 架构升级：向系统架构师方向发展，负责整体嵌入式AI系统设计
- 管理转型：积累项目经验后，可晋升为技术团队负责人或技术经理
- 开发和优化微控制器上的嵌入式ML推理引擎，确保模型在资源受限设备上高效运行
- 使用TensorFlow/PyTorch等框架训练和微调机器学习模型，特别是LLM，并部署到嵌入式设备
- 与跨功能团队合作，将ML解决方案集成到嵌入式系统中，并研究前沿技术提升模型性能
- 精通C、C++和Python编程，具备扎实的嵌入式软件开发经验
- 熟练掌握TensorFlow/PyTorch进行模型训练和部署，有LLM相关经验优先
- 深入理解机器学习算法优化技术，能够针对低功耗和低延迟进行调优
申请策略
- 在简历中量化成果，如模型推理速度提升、功耗降低百分比
- 了解恩智浦的i.MX RT系列MCU和AI加速产品线，展示兴趣
- 突出嵌入式ML项目经验，尤其是模型在MCU上的部署和优化案例
- 强调C/C++/Python编程能力和TensorFlow/PyTorch使用深度
- 展示对LLM的理解和应用，如训练或微调经验
- 补充RTOS（如FreeRTOS）和微控制器架构知识
- 学习模型压缩、量化和剪枝等低功耗优化技术
面试指南
- 分步骤回答：先说明通用流程，再结合具体项目经验
- 强调实践：引用实际案例和性能数据支撑观点
- 如何将PyTorch模型部署到微控制器上？描述具体步骤和工具链
- 针对低功耗设备，你有哪些模型优化策略？
- 解释C/C++在嵌入式ML中的作用，如何手动优化关键代码？
- 你如何权衡模型精度和推理速度？举例说明
- 复习嵌入式ML常见技术栈（如TensorFlow Lite Micro、CMSIS-NN）
- 准备一个完整的项目案例，包含从模型训练到部署的完整细节
匹配度报告
72
综合匹配度
恩智浦高级嵌入式ML工程师，前沿技术栈、高成长性，但现场办公且加班不确定。
适合人群
适合追求技术成长、愿意投入高强度学习的技术型求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展85
工作生活60
使命价值70
薪资福利匹配
75中等
该职位薪资市场水准偏高，恩智浦为上市巨头福利完善，但具体薪资未披露。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
85较高
技术栈前沿（LLM、嵌入式ML），职位鼓励研究和学习，成长空间大。
技术前沿前沿/新兴技术
技术栈LLM、TensorFlow、PyTorch、嵌入式ML、微控制器
业务类型ambiguous
工作生活匹配
60中等
仅现场办公，未提及弹性或远程，北京工作可能通勤压力大，但加班信号未明确。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
半导体和嵌入式AI属于国家支持的高科技领域，行业前景好，但社会贡献非直接。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs