算法工程师【校招】

优缺点分析

角色解读

• 纵向深耕：成为能源AI领域的算法专家，主导核心预测模型与大模型架构设计
• 横向拓展：向AI产品经理或技术负责人发展，统筹算法团队与技术落地
• 行业融合：成为懂能源业务又精通AI技术的复合型人才，提升行业壁垒
• 构建电力负荷、光伏出力及电价的时序预测模型，为能源调度提供数据支持
• 优化树模型与深度学习模型，进行特征工程、模型迭代及偏差分析
• 开发计算机视觉(CV)算法，应用于能源场景的图像识别任务
• 参与大模型的训练与微调，探索AI在能源行业的深度应用
• 扎实的Python编程基础，熟练掌握PyTorch或TensorFlow等主流深度学习框架
• 深入理解机器学习与深度学习算法，特别是时序预测模型（如LSTM, Transformer等）
• 具备计算机视觉(CV)、NLP或图像处理的相关实践经验
• 良好的问题分析能力、快速学习能力和团队协作沟通能力

申请策略

• 提前了解正泰安能在分布式光伏、虚拟电厂等领域的业务模式
• 面试前梳理自己的技术栈，确保能清晰解释所用模型的原理及优缺点
• 突出与电力、能源相关的任何项目经历，即使非直接相关也可强调数据处理能力
• 详细列出掌握的深度学习框架及具体使用的模型结构，展示代码能力
• 如有Kaggle竞赛奖项、顶会论文或高质量GitHub项目，务必重点标注
• 复习并深入理解时序预测经典算法（ARIMA, Prophet, LSTM, Transformer等）
• 加强计算机视觉基础，熟悉常见CV任务（分类、检测、分割）的模型原理
• 准备1-2个完整的端到端算法项目案例，涵盖数据清洗、建模、评估全流程

面试指南

• STAR法则：情境(Situation)-任务(Task)-行动(Action)-结果(Result)，重点突出个人贡献和技术细节
• 理论结合实际：回答算法问题时，先讲原理，再结合具体项目中的数据特点说明选择依据
• 体现业务思维：不仅关注模型指标，更要提及模型如何解决实际业务痛点及带来的价值
• 请介绍一个你做过最复杂的时序预测项目，你是如何处理缺失值和异常值的？
• 对比一下树模型（如XGBoost/LightGBM）和深度学习模型在时序预测中的优劣及应用场景
• 在计算机视觉任务中，如果训练集和测试集分布不一致，你会如何调整模型？
• 请简述Transformer架构的核心机制，以及它在时序预测中的应用
• 你如何看待大模型在传统垂直行业（如能源）的落地挑战？