算法工程师

优缺点分析

角色解读

• 可以在端侧AI优化领域深耕，成为技术专家，主导核心算法的性能突破
• 有机会向技术管理方向发展，带领团队负责整个端侧AI优化方向
• 由于与芯片团队紧密合作，未来可向AI芯片架构设计或软硬协同优化方向拓展
• 负责构建与竞品对比的量化测试模型和KPI体系，以衡量端侧AI性能
• 深入分析AI算法流程中的性能瓶颈，通过可视化工具呈现负载情况
• 研发并优化关键业务（如Vision、NLP、OCR、LLM）的推理速度，实现高效的端侧AI
• 与算法和AI芯片团队协作，将优化成果转化为实际产品功能
• 精通Python和PyTorch，具备扎实的编程和模型开发能力
• 熟悉模型压缩、量化、剪枝等端侧推理优化技术
• 具备出色的沟通和写作能力，能清晰表达技术方案和优化成果
• 拥有计算机科学或相关领域的硕士或博士学位，具备扎实的理论基础

申请策略

• 在申请前，深入了解小米在端侧AI领域的最新动态和技术布局，在面试中展现你的热情和见解
• 准备一个能体现你性能优化能力的项目案例，从问题定义、方案设计到最终效果，完整讲述
• 突出在端侧或边缘设备上部署和优化AI模型的具体项目经验，包括使用的技术和方法
• 量化展示你的优化成果，例如模型推理速度提升的百分比、内存占用减少等
• 强调Python和PyTorch的熟练程度，可附上GitHub链接或技术博客
• 如有与芯片或硬件协同设计的经验，务必重点描述
• 系统学习模型压缩、量化、知识蒸馏等端侧优化技术
• 熟悉至少一种移动端推理框架，如MNN、TFLite、NCNN等

面试指南

• 回答项目经验时，可采用STAR法则（情境、任务、行动、结果），重点突出你的技术决策和量化成果
• 对于优化方案类问题，可从问题分析、瓶颈定位、方案选型、实验验证和效果评估的逻辑展开
• 在讨论KPI设计时，要体现从用户场景出发，结合技术指标（如延迟、准确率）和商业目标进行综合考量
• 请详细描述一个你做过的最复杂的模型优化项目，遇到了哪些挑战，如何解决的？
• 在端侧部署LLM时，你会如何考虑内存、功耗和速度的权衡？
• 如何设计一套KPI体系来衡量我们端侧AI模型相对竞品的性能优势？
• 你对PyTorch的底层实现有哪些深入理解？如何用它进行性能调优？
• 如果让你优化一个手机上的OCR模型，你的思路和步骤是什么？