机器学习平台开发工程师-福州

优缺点分析

角色解读

• 深耕模型部署与推理优化方向，成为AI基础设施专家
• 横向扩展至编译器开发、硬件加速或算法优化，成为全栈AI工程师
• 向技术管理方向发展，带领团队构建核心工具链
• 设计并开发深度学习模型计算图拆分与并行化工具链，提升模型在多核/多设备环境下的部署效率
• 建设和维护基于ONNX的算子切分与重写规则库，确保规则的正确性和扩展性
• 分析并解决模型并行部署中的精度对齐、形状兼容性及边界条件等工程问题
• 与算法、编译器和硬件团队紧密协作，推动模型从训练框架到推理平台的端到端落地
• 精通Python，具备良好的工程代码规范和调试能力
• 深入理解ONNX模型格式和计算图结构，熟悉算子拓扑关系和数据依赖
• 熟练使用PyTorch或TensorFlow，有模型转换或部署经验
• 对底层技术（编译器、硬件加速）有浓厚兴趣和持续钻研精神

申请策略

• 在面试中强调你对底层技术的热情和钻研精神，可以准备一个你解决过的复杂工程问题案例
• 了解瑞芯微的芯片产品线和AI应用场景，思考你的工作如何与他们硬件结合
• 突出深度学习框架使用经验，特别是模型部署、转换或推理加速项目
• 强调对ONNX或其他中间表示格式的理解和实践，包括算子切分、图优化等
• 展示扎实的Python编程能力，附上代码库链接或技术博客
• 如果有参与开源机器学习项目或编译器相关经验，务必提及
• 深入阅读ONNX官方文档和源码，理解算子规范和图优化策略
• 学习MLIR或TVM等编译器框架，了解计算图优化和代码生成原理

面试指南

• 结构化回答：先说明概念，再举具体例子，最后总结教训
• 例如解释ONNX结构时，先简述protobuf定义，再说Node/Graph结构，最后提如何用Python解析
• 问题解决类：STAR框架（Situation-Task-Action-Result），描述场景、任务、采取的行动和最终效果
• 技术深度类：从原理到实践，先讲理论再结合亲手操作经验，展示深入理解
• 请解释ONNX模型格式的基本结构，以及计算图中的节点和边如何表示
• 在模型部署中，你遇到过哪些精度对齐问题？如何解决的？
• 描述一下你使用过的深度学习框架（PyTorch/TensorFlow）的模型转换流程和常见坑
• 如果你需要将一个模型拆分为多个子图在多设备上并行执行，你会考虑哪些因素？