AI智能工程师

优缺点分析

角色解读

• 纵向可在算法专家方向发展，深耕工业视觉与智能感知，成为技术骨干或技术负责人
• 横向可向智能AI体整体架构、智能控制、自动驾驶等相邻方向拓展，形成复合型能力
• 随着工程机械智能化升级，具备“算法＋工业场景”双重经验的人才在行业内稀缺度较高
• 围绕旋挖钻机做整机智能化算法研发，覆盖机器视觉、工况识别、智能感知、智能控制与故障预测等方向
• 从需求拆解、方案设计、技术评审到模型训练、优化和落地部署，完整参与算法工程闭环
• 参与智能AI体的建设规划与需求分解，并编写智能化相关的标准与规范文档
• 跟踪工业AI、机器人感知、自动驾驶、时序预测、多模态感知等前沿技术，做预研和原型验证
• 扎实的深度学习基础，熟悉 PyTorch、TensorFlow 框架，能用 Python 独立完成模型开发与调优
• 精通目标检测、图像分割、目标跟踪、分类识别、异常检测等视觉算法，并能在复杂工业场景中做优化
• 具备模型轻量化、推理加速与边缘端部署能力，能把算法真正跑在设备上
• 较好的跨团队沟通协调能力，能与机械、电气、控制等专业同事协作推进项目

申请策略

• 提前了解旋挖钻机的基本工作原理和主要工况，面试中能体现出对业务场景的理解会明显加分
• 关注公司在智能化、电动化方向的公开资料和技术发布，理解团队当前的技术阶段与痛点
• 突出视觉算法项目，尤其是目标检测、分割、跟踪类项目，写清数据集规模、模型结构与你负责的模块
• 量化展示效果指标，如 mAP、推理时延、模型体积压缩比例、部署硬件平台等
• 如有边缘设备（如 Jetson、工控机、嵌入式 GPU）部署经验，务必单独成段说明
• 若有工业、能源、交通等非互联网场景经验，强调数据获取难、工况复杂情况下的解决方案
• 补齐模型轻量化与推理加速能力，如量化、剪枝、TensorRT/ONNX Runtime 等部署工具链
• 了解时序数据分析与故障预测常用方法，如 LSTM、Transformer、异常检测模型，匹配岗位的预测类需求

面试指南

• 项目类问题用“背景-难点-方案-结果”结构回答，重点讲清你做的技术决策和取舍理由，最后给出可量化结果
• 开放设计题先澄清业务目标和约束（数据、算力、实时性），再给方案框架，最后说明验证方式和风险点
• 算法优化题按“数据层面—模型层面—部署层面”三层展开，体现系统性思维而非单点技巧
• 请介绍一个你主导过的视觉算法落地项目，从数据、模型到部署全过程是怎么做的？
• 在工业场景中样本少、标注成本高、类别不均衡时，你会怎么设计训练方案？
• 如何把模型压缩并部署到算力有限的边缘设备上？你用过哪些加速手段，效果如何？
• 如果让你为旋挖钻机设计一个工况识别或故障预测方案，你会怎么拆解需求和选型？
• 你如何跟踪前沿技术，并把一篇论文或新方法转化成可用的原型？