MTB Operations Intelligence Engineer (FY28 NCG)

优缺点分析

角色解读

• 纵向深耕：可发展为高级运营智能专家、制造数据科学家或系统架构师
• 横向拓展：转向半导体智能制造、供应链规划或数字化转型管理岗
• 行业跃迁：积累AI+制造经验后，可向头部科技企业或咨询机构的技术顾问方向发展
• 负责半导体制造产线（PWF/A&T）的排程与派工系统开发与维护，优化生产流程
• 运用Python、SQL、BI工具及AI/LLM技术进行数据分析、建模与自动化报表开发
• 跨部门协同推进厂区计划系统升级，制定并分享制造最佳实践（BKMs）
• 扎实的工业工程与运筹学基础，熟悉半导体制造流程与MES/APS系统
• 熟练的编程与数据处理能力（Python/C#/SQL/NoSQL），掌握BI可视化工具
• AI技术应用能力，能结合LLM与云平台开发AIoT或自动化解决方案
• 优秀的跨团队沟通与项目管理能力，具备较强的主动学习意识

申请策略

• 关注美光在AI赋能制造方面的最新战略动态，面试时可结合具体业务痛点提出见解
• 准备1-2个完整的项目案例，清晰阐述“问题-方法-工具-结果”闭环
• 突出半导体/离散制造领域的排程优化、APS/MES系统实操经验
• 量化展示使用Python/SQL/Tableau等工具提升效率或降低成本的具体项目成果
• 强调AI/LLM在实际业务场景中的应用案例，而非单纯罗列框架
• 补充运筹学优化算法（如线性规划、启发式算法）在排程中的应用
• 强化云平台（AWS/Azure）与AIoT架构的基础知识
• 提升跨文化/跨部门沟通技巧与结构化表达能力

面试指南

• STAR法则：情境(Situation)-任务(Task)-行动(Action)-结果(Result)，重点突出个人贡献与技术选型依据
• 业务导向思维：先阐明业务痛点与目标，再说明技术路径，最后用量化指标验证效果
• 系统化视角：展现对数据流、系统接口、人机协同的整体考量，避免孤立讨论单一工具
• 请分享一个你优化生产排程或资源调度的具体案例，使用了哪些算法或工具？
• 如何将LLM或AI模型实际落地到制造现场的排程或派工场景中？
• 面对不同厂区的数据标准不一致，你会如何设计数据治理或共享机制？
• 请描述一次你推动跨部门技术落地的经历，遇到阻力时如何化解？
• 复习运筹学与工业工程核心概念，熟悉半导体制造关键指标（OEE、Cycle Time等）