美光科技
MTB Defect Insight Engineer
MTB Defect Insight Engineer
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公工艺工程
工艺工程
Ai/Ml
Fdc
Jmp
Spc
半导体制造
数据分析
缺陷分析
良率提升
值不值得投
71综合评分
综合评分 71
聚焦AI与半导体工艺融合的前沿技术岗，成长空间大，适合踏实钻研的工程型人才
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
1.1万
比工艺工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 300 个在招 · 其中工艺工程 85 个
市场机会
选择适中
台中 · 工艺工程 · 17 个在招
职位详情
关于这个职位
负责半导体制造过程中的缺陷分析与良率提升，通过数据分析和AI/ML模型进行空间签名分析、缺陷密度监控及预测性异常检测
制定缺陷检验策略，识别缺陷来源并消除影响良率的关键缺陷，以优化工艺流程并提高产品良率
最低要求
工程学或相关领域的学士或硕士学位
拥有0-2年半导体制造或工程领域的工作经验
具备ASSY（封装）缺陷分析以提升良率的基础知识
掌握SPC、FDC或数据分析工具（如JMP等）的基础知识
能够利用基础的数字和AI能力，负责任地运用AI技术进行研究、分析洞察、内容生成、流程改进、问题解决及实现业务目标
工作职责
数据分析：
良率相关性分析
空间签名分析
缺陷密度监控
工艺健康度仪表板开发
部署AI/ML模型（含Agentic AI）
预测性异常检测
缺陷管理：
制定缺陷检验策略
在线缺陷监控
缺陷帕累托分析
缺陷来源识别
消除影响良率的缺陷因素
减少致命缺陷
AI 洞察
优缺点分析
优点
- 直接接触AI与半导体工艺交叉的前沿场景，技术栈具备高迁移性与行业稀缺性
- 喜欢用数据解决实际问题、对半导体制造流程感兴趣且愿意深入一线的工程型人才
缺点 / 挑战
- 产线数据噪声较大，需长时间扎根现场排查隐性缺陷，对耐心与逻辑拆解能力要求较高
角色解读
- 可向高级良率工程师、数据科学家或工艺整合专家方向发展，逐步主导跨部门良率优化项目
- 深入半导体产线收集制造数据，运用统计方法与AI模型定位缺陷分布规律与良率波动原因
- 掌握SPC/FDC等工艺控制工具，熟练使用JMP等数据分析软件，具备基础机器学习部署能力
申请策略
- 提前了解美光核心产品线（DRAM/NAND），在求职信中体现对数据驱动工艺优化的理解
- 突出数据分析项目经历，强调使用JMP/Python等工具完成缺陷建模或良率归因的具体案例
- 补充统计学基础与机器学习算法原理，熟悉半导体封装测试（ASSY）常见缺陷类型与成因
面试指南
- 采用STAR法则结构化回答：背景痛点→数据收集与清洗方法→模型/工具选择依据→落地效果与量化收益→复盘迭代思考
- 请分享一个你使用数据分析工具解决质量或良率问题的完整案例
- 如何区分随机缺陷与系统性缺陷？你的排查思路是什么？
- 如果AI模型预测结果与现场实际不符，你会如何验证与调整？
- 你对SPC中的控制限设定有什么理解？
- 复习六西格玛基础概念与假设检验方法，准备1-2个可量化的数据分析项目复盘，熟悉半导体制造基本术语
职位点评
薪资福利65
成长发展85
工作生活60
使命价值75
薪资福利
65中等
跨国巨头通常提供规范的薪酬体系与法定保障，但初级岗位起薪涨幅相对平稳，长期激励依赖绩效表现。
薪资信号未披露（AI估算：8.5千–1.4万/月）
成长发展
85较高
岗位深度融合AI/ML与半导体工艺，接触前沿数据分析与良率优化技术，技术成长路径清晰。
技术前沿前沿/新兴技术
技术栈AI/ML、Agentic AI、SPC、FDC、JMP、缺陷分析
业务类型profit_center
工作生活
60中等
制造业工厂环境通常要求现场办公，工作节奏受生产计划影响，但作为工程岗通常享有标准工时与法定假期。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
75中等
参与全球领先的存储技术研发，直接赋能AI与5G等关键产业，社会价值与技术影响力显著。
行业发展稳定成熟行业
社会影响正向社会影响力较高
创新程度积极采用新技术
美光科技 的其他在招职位
相似职位推荐
Watch Jobs