音频算法实习生(ASR方向)

优缺点分析

角色解读

• 在实习期间可深入理解LLM-ASR全链路，从数据到训练再到评测，积累工业级项目经验
• 有机会发表论文或参与开源项目，为继续深造或求职加码
• 表现优秀可转正为正式算法工程师，未来向资深算法专家或技术管理方向发展
• 参与大模型语音识别（LLM-ASR）的训练和优化，调整模型参数和结构以提升识别准确率
• 负责训练数据的构建、清洗和质量分析，确保数据有效性，为模型训练提供高质量输入
• 参与模型的后训练流程，包括SFT、偏好学习、强化学习等，提升模型的对齐和生成能力
• 进行模型评测和案例错误分析，针对badcase优化模型效果，同时跟踪最新学术动态并复现实验
• 扎实的Python编程能力，熟练使用PyTorch框架进行模型开发
• 了解机器学习、深度学习基本理论，熟悉常见网络结构和训练技巧
• 掌握LLM和ASR相关基础知识，有相关项目或研究经验更佳
• 熟练使用ChatGPT、Cursor等AI编程工具，提升开发效率

申请策略

• 申请前深入了解声网在语音领域的产品和技术方向，在面试中展现对业务的思考
• 准备1-2个与ASR或LLM相关的项目亮点，说明遇到的难点和解决方案
• 突出Python和PyTorch相关项目经历，展示代码能力和项目复杂度
• 如果有NLP或ASR相关项目，详细描述你的角色和具体成果，比如模型性能提升等
• 强调机器学习基础课程和学习能力，如相关课程成绩或自学笔记
• 列出使用AI编程工具的经验，体现对新时代开发范式的掌握
• 补强LLM基础，特别是Transformer架构、训练方法、RLHF等概念
• 深入学习语音识别基础，如传统声学模型、特征提取、端到端系统

面试指南

• 对于项目问题，采用STAR法则：情境、任务、行动、结果，突出个人贡献和量化结果
• 对于技术原理问题，先阐明核心概念，再深入细节，最后联系实际应用，展现理解深度
• 对于动机问题，结合自身经历和技术热情，说明你为何匹配该实习岗位
• 请介绍一下你熟悉的一个机器学习项目，你具体负责了什么？
• Transformer的self-attention是如何的？为什么有效？
• 如何解决过拟合问题？列举常用的方法
• 你对LLM-ASR这个方向有什么了解？为什么感兴趣？
• 请解释一下SFT和RLHF的区别和联系