算法开发岗

优缺点分析

角色解读

• 从算法优化工程师向资深算法专家发展，深耕模型压缩与硬件适配领域
• 可转向AI芯片设计或自动驾驶等前沿领域，技术复用性强
• 在京东内部可晋升为技术专家或团队负责人，带领算法优化团队
• 设计并优化双目深度模型在端侧设备的推理性能，包括量化、剪枝、蒸馏等压缩技术
• 深入理解NPU、GPU、DSP等芯片架构，利用硬件特性提升模型推理速度和能效比
• 构建双目模组量产所需的标定与测试工具链，确保硬件批量生产的质量一致性
• 与算法、硬件团队协作，推动模型在嵌入式设备上的落地应用
• 精通C/C++/Python，熟悉Linux开发环境，具备扎实的代码能力
• 深入理解深度学习原理，熟悉PyTorch/TensorFlow等框架
• 熟悉TensorRT、ONNX、RKNN等端侧推理框架，有实际部署经验
• 了解3D几何视觉和相机标定原理，有嵌入式设备优化经验者优先

申请策略

• 关注京东科技的业务方向，了解其在物流、零售等场景的AI应用
• 在面试中展示对硬件和算法结合的理解，强调实际落地经验
• 突出模型量化、剪枝、蒸馏等实际项目经验，展示性能提升数据
• 强调在嵌入式设备或AI芯片上的部署优化案例，如使用TensorRT、RKNN等
• 展示C++/Python编程能力和Linux开发经验，可附代码仓库
• 如有双目视觉或3D几何相关项目，务必提及
• 提前学习TensorRT、RKNN等推理框架的底层原理
• 了解NPU、DSP等硬件架构的编程模型，如OpenCL、Vulkan

面试指南

• 使用STAR法则：情境、任务、行动、结果，突出量化效果和性能提升
• 结合具体硬件特性，说明如何利用指令集或稀疏计算
• 强调实验对比和调优过程，展示问题解决能力
• 请介绍一个你主导的模型量化项目，如何平衡精度和速度？
• 你如何针对特定硬件（如NPU）优化模型推理？
• 解释INT8量化的原理和常见挑战
• 你如何设计一个双目深度模型的端侧部署方案？
• 在嵌入式设备上部署模型时，你如何调试性能瓶颈？