算法工程师(27届校招)

优缺点分析

角色解读

• 从单点算法研发做起，逐步独立负责工业智能场景
• 深耕大模型与工业AI应用，成长为工业算法专家
• 也可向算法团队负责人或智能化项目技术管理方向发展
• 研发机器学习、时序预测、异常检测等算法，解决设备预测、工艺优化、能耗优化等工业问题
• 对SCADA、PLC、传感器、视频等多源工业数据做清洗、特征提取与建模
• 开发工业视觉、大模型、知识库、智能体等应用，支撑运维与生产决策场景
• 负责算法优化部署、现场测试与持续迭代
• 扎实的机器学习与深度学习基础，熟悉时序预测与异常检测方法
• 具备多源工业数据处理与特征建模能力
• 了解工业视觉、大模型、智能体等AI应用技术
• 有模型部署、系统集成与现场验证的工程化能力，能接受出差

申请策略

• 面试中明确表达对出差与现场测试的接受度
• 准备一个算法从建模到落地部署的完整案例
• 突出机器学习/深度学习项目成果与量化指标
• 展示时序预测、异常检测或工业视觉相关的实战经历
• 强调模型部署与工程化的经验（边缘设备、服务端）
• 有工业现场课题或实习经历优先呈现
• 补齐SCADA、PLC等工业数据源的基本认知
• 了解大模型、RAG与智能体的应用开发方法

面试指南

• 用「业务问题-数据-模型-部署-效果」全链路结构讲项目
• 工程类问题强调稳定性、实时性与资源约束的平衡
• 优化类问题体现数据回灌、迭代机制与工业价值导向
• 介绍一个时序预测或异常检测项目，你如何选模型与评估效果？
• 多源工业数据噪声大，你如何做清洗与特征提取？
• 模型如何部署到边缘设备，遇到什么工程问题？
• 大模型或智能体在工业场景如何落地？
• 现场测试发现模型效果不达预期，你如何持续优化？