感知模型剪枝量化工程师_XC

优缺点分析

角色解读

• 可向自动驾驶算法专家方向发展，深耕模型压缩与部署领域
• 也可拓展至更广泛的AI基础设施工程师角色，涉及更多硬件适配与系统级优化
• 长期可转向技术管理岗位，带领团队攻克更复杂的端侧AI难题
• 专注于自动驾驶感知模型的轻量化处理，通过剪枝和量化技术降低模型复杂度
• 搭建模型压缩流水线，解决模型在车规级芯片或嵌入式平台上的部署难题
• 监控压缩后的精度损失，确保模型在实际驾驶场景中的安全性和可靠性
• 深入理解深度学习模型结构（CNN/Transformer/BEV）
• 精通模型压缩技术（剪枝、量化、蒸馏）及其底层原理
• 熟练掌握PyTorch框架及TensorRT/ONNX Runtime等推理加速工具
• 具备C++/Python编程能力，能进行底层性能分析和代码优化

申请策略

• 准备一个完整的端到端案例，从模型训练、压缩到部署全流程
• 了解博世在该领域的技术栈和业务重点，展现匹配度
• 面试中多体现工程思维，不仅懂算法，更懂如何让它跑得快、跑得稳
• 突出展示模型压缩前后的性能对比数据（如FPS提升、内存减少比例）
• 详细列举使用过的量化/剪枝工具链及具体优化案例
• 强调在资源受限平台（如NPU/GPU）上的部署经验和解决的问题
• 深入学习TensorRT或特定NPU平台的算子优化技巧
• 补充计算机体系结构知识，理解内存带宽、缓存命中率对性能的影响

面试指南

• 使用STAR法则（情境、任务、行动、结果）描述项目经历
• 重点阐述问题分析思路、技术方案选型依据、遇到的坑及解决方案、最终达成的量化成果
• 展示对底层原理的理解，而不仅仅是API调用
• 请详细介绍你做过的一次模型量化或剪枝经历，遇到了什么难点？如何解决？
• PTQ和QAT的区别是什么？在什么场景下你会选择哪种方案？
• 如何评估剪枝后的模型精度损失？有哪些常用的评估指标？
• 在嵌入式平台上部署模型时，如何优化内存占用和推理速度？
• 面对不同精度的算子混合情况，如何进行混合精度策略的设计？