Machine Learning Engineer

优缺点分析

角色解读

• 可向AI推理运行时架构师方向发展，深入底层加速技术
• 积累边缘AI经验后，可转向自动驾驶、IoT等领域的AI应用
• 在高通内部，有技术专家或技术管理双通道晋升机会
• 开发和优化生成式AI推理运行时，重点提升大模型在边缘设备上的执行效率
• 维护模型执行流程、资源调度等核心模块，并参与跨团队协作推动技术落地
• 支持LLM和多模态模型在Android/Linux平台上的部署、性能调优与稳定性分析
• 精通C++，并有Java或Python的实际项目经验，能够高效进行工程开发
• 熟悉大模型部署方法论（LLM/LVM），具备边缘AI部署和优化经验
• 掌握Android/Linux开发环境和调试工具，理解资源受限环境下的性能与内存优化

申请策略

• 高通非常看重实际动手能力，建议在简历中附上GitHub或技术博客链接
• 了解高通在AI领域的布局，面试中展现对芯片与算法协同优化的理解
• 突出大模型部署经验，包括LLM/LVM在边缘设备上的优化案例
• 强调C++项目，尤其是涉及性能优化、内存管理、多线程等内容
• 展示对Android/Linux开发环境的熟悉程度，附带具体调试工具使用
• 补充Qualcomm SNPE/NPU开发相关经验（若有）会是极大加分项
• 学习模型量化、蒸馏等压缩技术，提升边缘部署能力

面试指南

• 使用STAR法则：情境-任务-行动-结果，量化效果
• 技术类问题：先讲原理，再举具体实现，最后总结
• 动机类问题：结合高通技术方向和个人职业规划
• 请描述一次大模型在边缘设备上的部署优化经历，你具体做了哪些工作？
• C++中如何管理内存以在资源受限环境下提升性能？
• 你对Transformer模型的计算图优化有哪些理解？
• 如何调试Android/Linux下的性能瓶颈？使用过哪些工具？
• 为什么选择高通以及我们对边缘AI的期望？