Inspection Software Engineer

优缺点分析

角色解读

• 纵向深化：成为计算机视觉专家或AI算法架构师，专注于更复杂的工业AI解决方案
• 横向拓展：转向智能制造系统架构或产品管理，负责整个检测系统的规划
• 技术管理：带领AI工程团队，负责多个产线的智能化升级项目
• 利用深度学习技术（主要是CNN）解决制造业中的实际缺陷分类问题
• 将AI模型落地到生产线，实现自动判定（Auto-Judgment），减少人工干预
• 负责模型的全生命周期管理，包括开发、部署、监控、重训和优化
• 作为技术与业务的桥梁，与制造和质量团队沟通，将质量标准转化为模型参数
• 扎实的机器学习/计算机视觉基础，特别是CNN架构及PyTorch框架
• 全栈或后端开发能力，熟悉Git、Docker、SQL及常用中间件
• 工业场景落地经验，理解如何将模型集成到硬件或现有检测系统中
• 良好的跨部门沟通能力，能使用中英文进行技术交流

申请策略

• 准备一个具体的项目案例，讲述从数据收集、模型训练到最终上线的全过程
• 体现双语沟通能力，简历中可简要提及英文工作环境经历
• 突出展示在工业或生产环境中部署过的CV模型案例，强调准确率提升和效率优化数据
• 详细列出使用的技术栈，特别是PyTorch、Docker、SQL以及任何与硬件集成的经验
• 强调跨团队协作经验，展示如何将非技术需求（质量标准）转化为技术方案
• 补充边缘计算部署知识，如ONNX、TensorRT等模型压缩和加速技术
• 了解自动光学检测（AOI）的基本原理和常见痛点
• 强化C#或.NET相关知识，因为JD中提到这是优先项，可能用于对接现有系统

面试指南

• STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)
• 技术深度：不仅讲用什么模型，更要讲为什么选这个模型，以及如何调优
• 业务视角：强调技术如何解决实际业务痛点（如降低成本、提高效率）
• 请介绍一个你曾经开发并部署的图像分类或缺陷检测项目，遇到的最大挑战是什么？
• 如何在数据不平衡的工业场景下优化CNN模型的性能？
• 描述一下你将机器学习模型集成到现有生产系统的具体步骤和遇到的问题
• 如果线上模型的准确率突然下降，你会如何排查和解决？
• 你如何理解‘自动判定’逻辑，如何平衡误报率和漏报率？