AI现场应用工程师

优缺点分析

角色解读

• 技术深耕方向：成为AI芯片领域的系统优化专家，深入底层硬件与算法协同设计
• 管理方向：积累项目管理和客户沟通经验，逐步转型为技术经理或解决方案架构师
• 行业拓展方向：随着AI芯片在各行业渗透，可向自动驾驶、智慧安防、金融等领域拓展
• 与客户对接技术需求，基于寒武纪芯片和软件栈设计解决方案并推动落地
• 负责AI模型（尤其是大模型）在寒武纪平台上的移植、适配和性能优化
• 管理客户项目进度，协调内部资源完成交付，并提供持续技术支持
• 精通C++/Python，熟悉Linux开发环境及常用调试工具
• 熟悉Pytorch或其他深度学习框架，理解模型训练和推理流程
• 了解大模型推理框架（如vLLM、DeepSpeed等），有实际部署经验者优先

申请策略

• 关注寒武纪的官方技术博客和文档，面试时展示对产品的了解
• 准备一个完整的项目案例：从需求分析到部署优化的全过程，以体现解决实际问题的能力
• 突出C++/Python编程能力，尤其是Linux下的调试和性能优化经验
• 详细描述深度学习模型部署项目，特别是使用Pytorch和推理框架的实战经历
• 如果有客户技术支持或项目管理经验，务必强调跨部门协作和沟通成果
• 提前熟悉vLLM、DeepSpeed等主流大模型推理框架，并尝试在本地搭建环境
• 补充硬件架构知识，了解GPU/NPU的并行计算原理，有助于面试中展示深度

面试指南

• 技术问题：先阐述原理，再结合自己的项目经验，最后给出量化结果
• 场景题：采用STAR法则（情境-任务-行动-结果），突出逻辑和沟通策略
• 谈谈你对寒武纪MLU架构的理解，与GPU相比有何异同？
• 描述一次你优化深度学习模型推理性能的经历，使用了哪些工具？
• 如何将一个大模型部署到嵌入式设备上？需要考虑哪些因素？
• 客户对模型精度不满意，你如何定位问题并沟通？
• 你如何管理多个客户项目的优先级？请举例说明
• 复习深度学习模型部署全流程：训练→导出→量化→推理优化