AI视觉实习生Intern（太仓）

优缺点分析

角色解读

• 通过实习积累AI视觉全栈经验，可转向算法工程师或高级视觉工程师方向
• 有机会接触完整工业项目，未来可往项目负责人或技术专家发展
• 表现优异者可能获得转正机会，进入跨国公司正式岗位
• 负责深度学习视觉算法（目标检测、分类、OCR等）的开发与性能优化，使用A100 GPU进行训练
• 参与模型容器化管理与部署，以及部分传统工业视觉测试调试工作
• 结合设备实际应用场景，推动AI视觉项目从开发到落地
• 扎实的计算机视觉基础，熟悉目标检测、分类、OCR等算法
• 熟练使用Python或C++，了解Linux环境
• 掌握至少一种深度学习框架（PyTorch/TensorFlow/Keras/Caffe）

申请策略

• 了解舍弗勒在工业视觉方面的业务，面试中展示对行业应用的理解
• 主动询问项目细节和团队技术栈，体现积极性和匹配度
• 突出计算机视觉相关项目经验，如目标检测、分类等
• 强调编程能力（Python/C++）和深度学习框架使用经验
• 如有GPU训练或模型部署经历，务必详细描述
• 提前复习图像处理和深度学习基础，尤其是目标检测、OCR算法
• 熟悉Docker容器化部署的基本操作

面试指南

• 项目经验问题：用STAR法则（情境-任务-行动-结果）组织回答，突出技术难点和你的贡献
• 技术对比问题：先给出客观对比（如易用性、性能、社区），再结合项目需求说明选择理由
• 部署问题：强调从训练到推理的流程（模型导出、容器化、接口封装），注意工业场景中的实时性和稳定性
• 请讲一下你做过的一个目标检测项目，包括数据集、模型选择和结果
• 为什么选择PyTorch而不是其他框架？对比过性能吗？
• 如何将训练好的模型部署到工业环境中？考虑过哪些因素？
• 传统视觉和AI视觉的区别和应用场景是什么？
• 你对OCR算法了解多少？说说常见的实现思路