机器学习/工业视觉算法工程师

优缺点分析

角色解读

• 可成长为工业视觉算法专家，深耕缺陷检测、无监督检测等垂直领域
• 有机会向技术管理方向发展，带领团队完成产线级视觉系统的设计与落地
• 可横向拓展至更广泛的计算机视觉应用，如自动驾驶、智能安防等前沿领域
• 负责工业视觉检测算法的开发与维护，涵盖缺陷检测、目标定位、图像分割等任务，解决生产中的质量检测问题
• 参与算法方案设计，结合传统机器学习和深度学习方法，完成视觉引导、质量检测等场景的交付
• 跟进模型训练、数据标注、效果评估与调优的全流程，确保算法在产线上稳定运行
• 扎实的计算机视觉基础，熟悉检测、分割、分类、OCR等常见CV任务，能快速复现论文
• 熟练掌握Python，熟练使用PyTorch或TensorFlow等主流深度学习框架
• 具备机器学习和深度学习的理论功底，能够针对工业场景进行算法选型与优化

申请策略

• 申请时突出对工业视觉的理解和实际经验，小米重视落地能力
• 了解小米生态链和智能制造业务，在面试中展现你的业务敏感度
• 突出与工业视觉相关的项目经历，如缺陷检测、图像分割等，并详细描述你的贡献和成果
• 强调熟练使用PyTorch/TensorFlow，并附上可实现的项目代码或论文复现经验
• 展示你在CV任务中的广度，如检测、分割、OCR等，体现算法落地能力
• 补充学习传统图像处理算法（如OpenCV）和无监督检测方法，增强工业场景适配性
• 熟悉模型部署工具（如ONNX、TensorRT），了解边缘计算设备上的优化技巧

面试指南

• 对于项目介绍，采用STAR法则（情境、任务、行动、结果），突出量化指标和你的核心贡献
• 对于部署问题，可围绕模型压缩、硬件选择、推理优化（如TensorRT）和性能监控展开
• 对于算法选型问题，结合业务场景对比多种方法，说明为什么选择该方案，并讨论trade-off
• 介绍一个你做的计算机视觉项目，包括技术选型和难点解决
• 如何处理工业场景中的小样本或数据不平衡问题？
• 如何将训练好的模型部署到产线设备并保证实时性？
• 如何评估工业视觉检测算法的效果？
• 熟悉哪些传统机器学习方法？在什么场景下使用？