算法工程师

优缺点分析

角色解读

• 可向AI模型优化专家方向发展，成为团队核心技术骨干
• 积累端侧AI部署经验后，可转向AI系统架构或芯片算法协同等方向
• 在vivo内部可晋升为技术专家或技术管理岗位
• 开发和优化高通平台上的计算机视觉模型，专注目标检测和图像分割
• 进行模型性能分析（profiling），识别计算瓶颈并提出优化方案并落地
• 结合传统图像处理算法对模型能力不足的场景进行后处理优化
• 扎实的深度学习模型优化经验，包括算子优化、知识蒸馏、剪枝和量化
• 熟练掌握 C/C++ 和 Python，熟悉 Pytorch 框架
• 数字图像处理基础扎实，数学能力强
• 有高通平台或移动端AI部署经验者优先

申请策略

• 了解vivo在影像AI上的产品方向（如拍照、视频增强），在面试中展示相关兴趣
• 准备一个完整的模型优化案例，从profiling到优化方案再到最终效果
• 突出模型优化项目的具体成果，如推理速度提升、模型体积压缩、精度保持等量化指标
• 强调高通平台或移动端AI部署经验，如有Hexagon DSP、SNPE、AIMET等工具使用经历
• 展示C/C++编程能力，如底层算子优化或Android Native开发经验
• 提前学习高通AI工具链（如SNPE、AIMET）和模型量化方法
• 补充嵌入式系统或Android开发基础知识，便于模型集成

面试指南

• 对于优化类问题，遵循“问题-分析-方案-验证”的结构，先明确瓶颈指标，再逐步阐述优化策略
• 对于部署类问题，强调端侧资源限制（算力、内存、功耗），并展示具体调优手段
• 请介绍一次你进行模型量化的经历，你如何处理精度损失？
• 在模型部署中，如何分析计算瓶颈？你常用的profiling工具是什么？
• C/C++中，如何优化一个卷积算子的计算效率？
• 目标检测模型在移动端部署时，你如何平衡速度和精度？
• 什么是知识蒸馏？你用过哪些蒸馏方法？
• 复习模型压缩技术（量化、剪枝、蒸馏）的原理和常见工具