量化部署算法工程师

优缺点分析

角色解读

• 可在端侧AI部署方向深耕，成为技术专家，主导复杂项目的优化和架构设计
• 可拓展至AI芯片设计、编译优化等底层领域，成为软硬结合的全栈人才
• 有潜力走向技术管理岗位，带领团队负责完整产品线的部署落地
• 负责将训练好的深度学习模型部署到机器人端侧芯片（如NPU、GPU、DSP），进行性能调优，确保实时高效运行
• 运用INT8/INT4量化和剪枝等技术压缩模型，在尽量不损失精度的前提下减小体积、降低计算开销
• 深入理解芯片硬件架构，利用稀疏计算、专用指令集等特性优化推理速度与能效比
• 与算法、硬件团队紧密协作，解决部署中的技术难题，持续迭代优化端侧推理效果
• 精通C/C++和Python，熟悉Linux开发环境，具备扎实的代码能力和软件工程习惯
• 深入理解深度学习原理，熟悉PyTorch/TensorFlow等主流框架，能独立完成模型转换与优化
• 熟悉TensorRT、ONNX、RKNN等端侧推理框架，具备实际模型部署经验
• 了解NPU、DSP等嵌入式硬件架构，有端侧优化经验者优先

申请策略

• 投递前了解京东机器人业务（如物流仓储机器人）的具体应用场景
• 简历中量化描述性能提升成果，用数据说话
• 关注京东科技技术博客或公开分享，了解团队技术栈和风格
• 突出模型量化、部署、加速相关的项目经验，尤其是端侧芯片上的实际落地案例
• 强调对TensorRT、ONNX、RKNN等推理框架的熟练使用，并附上性能提升的具体数据（如提速百分比）
• 展示C++/Python编程能力和Linux环境下的开发经验，可提及代码优化成果
• 如有嵌入式设备或AI芯片优化经验，务必在显著位置标出
• 系统学习INT8量化原理、剪枝算法，了解混合精度训练等前沿技术

面试指南

• 技术性问题：采用“原理-方法-实践”结构，先讲核心概念，再说明通常做法，最后结合项目经验举例
• 经验类问题：使用STAR法则（情境-任务-行动-结果），突出你的决策思路和可量化的成果
• 如何对一个PyTorch模型进行INT8量化？有哪些量化方法与注意事项？
• 如果模型在NPU上推理速度慢，你会如何排查和优化？请给出具体步骤
• TensorRT和ONNX Runtime的异同是什么？在实际项目中如何选择？
• 如何平衡模型压缩率与精度损失？
• 描述一个你遇到的最棘手的模型部署问题，以及你是如何解决的
• 准备一个完整的模型部署项目案例，从模型转换、量化到性能调优的完整链路