AI算法工具链工程师（实习生）

优缺点分析

角色解读

• 通过实习积累自动驾驶算法工程化经验，可向算法工程师或工具链开发工程师方向发展
• 接触地平线全栈技术，表现优秀有机会转正，成为自动驾驶领域的专业人才
• 未来可深入钻研 AI 编译器、模型优化、芯片适配等方向，成为技术专家
• 负责客户支持，帮助客户将算法在地平线芯片上进行量化、部署和优化，确保模型高效运行
• 使用地平线自研工具链，指导客户开发高效的深度学习模型，解决实际部署中的问题
• 在智能驾驶场景中收集反馈，持续改进工具链的功能和易用性，提升客户体验
• 精通 C/C++/Python，熟悉 PyTorch、ONNX、TensorRT 等主流深度学习框架，具备良好的编程能力
• 掌握图像分类、目标检测、语义分割、点云感知或 PNC、端到端、VLA、世界模型等至少一种算法
• 了解模型量化原理，有嵌入式平台量化或部署经验者优先，具备 Linux 和 Git 开发环境使用能力

申请策略

• 投递时附上个人 GitHub 或技术博客，体现对自动驾驶和 AI 工程化的热情
• 突出深度学习框架（PyTorch、ONNX、TensorRT）的使用经验，最好有项目案例
• 强调量化或嵌入式部署相关的项目经历，体现对模型优化的理解
• 展示良好的沟通能力和团队合作精神，例如技术分享或协作开发经历
• 如果量化经验不足，建议提前学习模型量化原理和常用工具（如 TensorRT、ONNX Runtime）
• 熟悉 Linux 和 Git 的常用操作，了解基本的命令行调试技巧

面试指南

• 项目问题可采用 STAR 方法：描述场景、任务、行动和结果，突出技术细节
• 技术原理问题先给出明确定义，再分点说明步骤或优缺点，体现系统性思考
• 客户问题要体现解决问题的流程：先定位问题，再提出假设，最后验证并优化
• 请介绍一个你使用 PyTorch 完成的项目，包括数据准备、模型训练和部署过程
• 如何将 PyTorch 模型转换为 ONNX 格式？转换过程中需要注意哪些问题？
• 什么是模型量化？有哪几种量化方式？量化会带来哪些影响？
• 你对智能驾驶中的感知算法有哪些了解？列举几种常见的算法架构
• 如果客户在部署中遇到性能问题，你会如何排查和解决？