美光科技
ENGINEER, MTB PI
ENGINEER, MTB PI
发布于 3 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辅助分析
半导体制造
工艺整合
数据驱动
机器学习
根因分析
生成式Ai
良率提升
预测建模
值不值得投
74综合评分
综合评分 74
前沿AI与半导体工艺融合、技术成长空间大、驻厂工作节奏紧凑
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
2.2万
比工艺工程中位数高
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 450 个在招 · 其中工艺工程 约 160 个
市场机会
选择面较广
台中 · 工艺工程 · 约 120 个在招
职位详情
关于这个职位
负责通过数据驱动方法和AI辅助分析提升晶圆制造良率与工艺整合优化
运用机器学习与生成式AI工具识别工艺偏差、缺陷特征及制造风险，开发预测模型进行良率预估与过程稳定性监控
跨部门协作部署AI解决方案，支持先进工艺控制(APC/SPC/FDC)系统实施，并利用AI工具提升工程效率与知识管理
最低要求
职位描述中未明确列出硬性最低要求，但隐含要求具备半导体制造工艺、数据分析或相关工程背景，能够熟练运用数据驱动方法与AI/机器学习工具进行良率提升与工艺整合优化
需具备跨团队协作能力，熟悉先进工艺控制(APC)、统计过程控制(SPC)及故障检测分类(FDC)系统
工作职责
{通过数据驱动方法论和AI辅助分析，推动良率提升与工艺整合优化
,应用机器学习和AI工具识别工艺偏差、缺陷特征、良率拖累因素及制造风险
,开发用于良率预测、缺陷预防和工艺稳定性监控的预测模型
,利用AI驱动的数据分析平台加速根本原因调查与决策制定
,与数据科学、制造、设备工程和产品工程团队合作，为半导体制造开发与部署AI解决方案
,支持先进工艺控制(APC)、统计过程控制(SPC)、故障检测与分类(FDC)及AI启用监控系统的实施
,利用生成式AI工具提高工程生产力，实现报告自动化、数据摘要整理及知识管理优化
}
优先资格
优先掌握人工智能与机器学习工具在半导体制造中的应用
熟练使用生成式AI工具提升工程生产力、自动化报告及知识管理
具备数据科学与制造、设备工程、产品工程团队协同落地AI解决方案的经验
AI 洞察
优缺点分析
优点
- 依托全球头部存储芯片企业平台，接触前沿半导体制造与AI融合技术
- 工作内容高度契合工业智能化趋势，技能复用性强且市场需求旺盛
- 企业福利体系完善，培训资源与职业发展通道清晰，利于长期技术深耕
- 适合具备半导体或材料工程背景，同时对数据分析与AI技术有浓厚兴趣，追求技术深耕与智能制造转型的求职者
缺点 / 挑战
- 半导体产线对稳定性要求极高，需快速响应并解决突发性工艺异常，工作压力较大
- AI模型在真实制造环境中的落地需大量数据清洗与实地验证，初期可能面临数据质量瓶颈
- 跨部门协作涉及多方利益与技术对齐，沟通成本较高且需兼顾工程可行性
角色解读
- 可向资深工艺整合工程师、良率提升专家或制造数据科学家方向发展
- 积累AI与半导体制造交叉经验后，可转型为技术管理岗或主导智能制造数字化转型项目
- 长期可成为半导体工艺与数据融合领域的行业专家，参与下一代晶圆厂智能化架构设计
- 聚焦半导体制造环节的良率提升与工艺整合，利用数据分析和AI技术解决产线实际问题
- 负责搭建预测模型与监控系统，实时识别工艺异常与潜在风险，保障生产稳定性
- 跨部门协同推进AI工具在制造流程中的落地应用，优化工程报告与知识管理体系
- 熟练掌握半导体制造工艺与良率分析基础，具备较强的数据处理与统计分析能力
- 熟悉机器学习算法及其在工业场景的应用逻辑，能独立完成数据清洗与模型训练
- 了解APC、SPC、FDC等先进工艺控制体系，具备根因分析与故障排查经验
- 具备良好的跨团队沟通与项目推进能力，能将技术方案转化为产线可执行的流程
申请策略
- 提前研究美光科技在台主要制程节点与产品方向，面试时展现对半导体制造痛点与AI赋能逻辑的理解
- 关注公司可持续发展与技术创新战略，体现长期发展意愿与文化契合度
- 突出半导体制造工艺、良率分析或相关实验设计的项目经验
- 详细列举使用Python/R/MATLAB等工具进行数据挖掘、建模或自动化的具体案例
- 强调跨部门协作解决复杂工程问题的实际成果与量化收益
- 补充机器学习基础课程（如监督学习、时间序列分析）及生成式AI在工程场景的应用实践
- 深入学习半导体量测技术与SPC/APC标准规范，掌握工业数据预处理流程
- 提升SQL、大数据处理框架及可视化工具的实际操作能力
面试指南
- 采用STAR法则结构化回答，重点突出业务背景、数据获取与预处理方法、模型选择依据及最终业务价值
- 针对工艺问题，展示从宏观趋势到微观参数的逐层下钻逻辑，强调假设检验与闭环验证
- 说明模型落地时的工程约束（如算力、实时性、误报率）与迭代优化过程
- 请分享一个你利用数据分析或AI工具解决实际工程问题的案例
- 面对产线突发良率波动，你的排查思路与数据验证步骤是什么？
- 如何评估机器学习模型在半导体制造场景中的有效性与可解释性？
- 复习半导体制造工艺基础与常见缺陷模式，梳理个人项目中数据 pipeline 与模型评估指标
- 准备1-2个完整的技术落地案例，涵盖问题定义、方案设计与结果复盘
职位点评
薪资福利75
成长发展85
工作生活60
使命价值70
薪资福利
75中等
元数据显示为已上市的规模型科技企业，结合岗位层级与市场定位，薪酬福利体系较为完善，整体满足度良好。
薪资信号未披露（AI估算：1.5千–2.8万/月）
福利待遇医疗、牙科和视力保险、疾病或受伤期间的收入保护计划、带薪家庭假、带薪休假计划、带薪假日
成长发展
85较高
岗位深度融合AI与半导体制造，技术栈前沿，内部培训与跨团队协作机制完善，职业成长空间广阔。
技术前沿前沿/新兴技术
技术栈机器学习、AI辅助分析、生成式AI、预测模型、APC、SPC、FDC
成长机会professional growth、robust paid time-off program
业务类型profit_center
工作生活
60中等
半导体制造属重资产密集型产业，通常需驻厂支持产线运行，工作节奏受生产计划影响，WLB一般。
工作模式未明确
办公地点工厂/生产基地
加班情况未提及（无法判断）
使命价值
70中等
致力于将信息转化为智能，推动技术进步与社会数字化发展，具备明确的行业使命感与创新价值。
行业发展稳定成熟行业
社会影响正向社会影响力较高
使命信号transform how the world uses information to enrich life for all、accelerate the transformation of information into intelligence
创新程度积极采用新技术
Watch Jobs