机器学习平台研发工程师-福州

优缺点分析

角色解读

• 从模型部署工程师向AI平台架构师方向发展，掌握全链路优化能力
• 深入编译器与芯片协同设计领域，成为软硬件结合的技术专家
• 横向拓展至AI算法优化，或在技术管理岗位上带领平台团队
• 开发深度学习模型的计算图拆分与并行化工具链，提升模型在多核/多设备上的部署效率
• 建设和维护基于ONNX的算子切分与重写规则库，扩展其覆盖范围和稳定性
• 解决模型并行部署中的算子精度对齐、Shape兼容、边界条件等工程难题
• 与算法、编译器、硬件团队协作，确保模型从训练框架到推理平台的平稳落地
• 熟练掌握Python，具备良好的工程代码规范与调试能力
• 深入理解ONNX模型格式和计算图结构，熟悉算子拓扑与数据依赖
• 熟悉PyTorch或TensorFlow等主流深度学习框架，有模型转换或部署经验
• 对底层技术和系统级问题有浓厚兴趣，具备主动钻研的能力

申请策略

• 研究瑞芯微的芯片产品和AI业务方向，在面试中展示对公司的了解
• 强调对底层技术的热情，并举出通过自学或项目深入钻研的具体案例
• 突出Python工程能力，包括项目中的代码规范、单元测试和调试经验
• 重点描述模型转换或部署的实际项目，如PyTorch转ONNX、TensorRT部署等
• 展示对计算图和算子级别的理解，例如在项目中做过算子优化或Shape调试
• 如果参与过开源或底层工具开发，务必提及，以体现钻研能力
• 提前系统学习ONNX算子规范和计算图机制，尝试编写简单的算子重写脚本
• 了解模型并行化常用方法（如数据并行、模型并行、张量并行）及其在芯片上的实现

面试指南

• 针对技术事实类问题，用清晰的结构分步回答，先定义核心概念，再结合具体例子说明
• 针对项目经验类问题，采用STAR法则：背景-任务-行动-结果，突出你的具体贡献和问题解决过程
• 针对公司动机类问题，提前准备2-3个瑞芯微的产品或技术亮点，并联系自身技能和兴趣
• 请描述一次将PyTorch模型转换为ONNX并完成部署的全过程，遇到了哪些问题？
• 解释计算图的概念，以及TensorFlow和PyTorch中计算图的区别
• 如何判断模型转换后精度是否对齐？如果精度下降，你会怎么排查？
• 在多核设备上并行部署模型时，主要的性能瓶颈和解决方案是什么？
• 你对瑞芯微的AI芯片有什么了解？为什么想加入我们团队？