资深感知算法工程师(模型训练优化)

优缺点分析

角色解读

• 可向自动驾驶算法专家、AI系统架构师方向发展，成为底层AI基础设施的技术权威
• 或转型为AI模型部署与优化团队的技术负责人，主导跨部门的工程落地与性能攻坚
• 研发自动驾驶感知与预测的深度学习算法，推动前沿技术在量产场景中的落地
• 负责模型压缩、训练及推理优化方案的设计与工程实现，提升算法在边缘端的运行效率
• 评估并优化主流深度学习框架，结合底层硬件架构解决性能瓶颈
• 精通C++与Python，熟悉计算机体系结构及Linux开发环境，具备出色的底层编程能力
• 具备CUDA/TensorRT等AI加速库开发经验，掌握模型量化、剪枝等压缩技术
• 熟悉分布式训练与模型并行技术，拥有深度学习框架二次开发或深度优化经验

申请策略

• 了解初速度在自动驾驶感知与预测方面的最新技术路线及量产落地情况，准备针对特定场景的模型优化案例
• 突出在模型压缩、量化、剪枝及推理加速（TensorRT/CUDA）方面的实际落地项目与性能提升数据
• 展示分布式训练或深度学习框架二次开发的经验，强调对计算机体系结构的深刻理解
• 深入学习最新的大模型推理优化技术（如vLLM、TensorRT-LLM）及异构计算架构
• 复习计算机体系结构、C++高级特性及CUDA内存模型，巩固底层基础

面试指南

• STAR法则（情境、任务、行动、结果），重点突出量化数据（如延迟降低百分比、吞吐量提升倍数）
• 底层原理结合工程实践，从算法逻辑到硬件架构全面剖析排查思路与优化手段
• 请详细描述一个你主导的模型压缩或推理优化项目，最终性能提升了多少？
• 在CUDA开发中，你是如何解决内存带宽瓶颈或计算资源利用率低的问题的？
• 分布式训练中，模型并行与数据并行有什么区别？你在实际项目中是如何选择和优化的？
• 针对自动驾驶感知模型，在边缘端部署时通常会遇到哪些瓶颈，你是如何解决的？
• 复习CUDA编程模型、TensorRT优化流程及Transformer/CNN模型的底层算子实现
• 准备1-2个具有挑战性的性能调优案例，能够深入讲解遇到过的极端Corner Case及解决过程