Machine Learning/AI Customer Engineer

优缺点分析

角色解读

• 成为AI编译优化专家，主导芯片级AI模型部署方案
• 向架构师发展，参与下一代AI芯片的设计与优化
• 也可以横向拓展到多媒体或系统软件领域，成为全栈AI工程师
• 负责深度学习模型的编译和优化，将模型高效部署到高通AI芯片上
• 进行AI框架的集成和性能基准测试，如MLPerf，确保最佳性能
• 或基于高通移动/AI服务平台开发多媒体软件，涉及相机、音频等AI应用
• 精通C++、Python，熟悉至少一种深度学习框架（TensorFlow、PyTorch等）
• 深入理解深度学习模型结构（CNN、LSTM、RNN），有模型优化经验
• 熟悉AI加速器架构（如GPU），了解编译器技术
• 良好的英语读写和沟通能力

申请策略

• 了解高通的AI战略和产品线（如AI Engine），在面试中展示对芯片级AI的关注
• 准备1-2个完整的端到端AI模型部署案例，从训练到优化到硬件运行
• 突出深度学习模型优化或编译器开发的项目经验，展示具体成果（如性能提升百分比）
• 强调对主流AI框架（TensorFlow/PyTorch）的掌握，以及模型部署到端侧的经历
• 如有GPU编程（CUDA/OpenCL）或芯片相关经验，重点体现
• 英文简历和面试准备要到位，体现沟通能力
• 补充编译器知识（如LLVM、MLIR），了解AI编译器（如TVM、XLA）
• 熟悉高通平台开发工具（如Qualcomm Neural Processing SDK）和Hexagon DSP

面试指南

• 对于部署优化类问题，可以从模型量化、算子融合、内存优化、硬件特定指令等方面分层回答
• 对于模型理解类问题，先阐述基本原理，再联系硬件实现（如矩阵乘法、卷积加速）
• 调试类问题遵循：复现问题、定位层级（模型/框架/驱动/硬件）、使用工具（profiler/log）的流程
• 请解释如何将一个PyTorch模型部署到移动端并优化推理速度
• 描述CNN和RNN的区别，以及各自在硬件上的计算特点
• 如何评估一个AI框架的部署性能？你会关注哪些指标？
• 遇到模型在芯片上运行结果不对时，你如何调试？
• 对高通AI芯片（如Hexagon）的了解有多少？