Assistant Software Engineer

优缺点分析

角色解读

• 一年合同期内可快速积累半导体制造数据与 AI 数据工程的实战经验，为转向数据工程师、AI 平台工程师或 MLOps 方向打基础
• 若表现优秀，有机会在半导体设备、智能制造或工业数据领域继续深耕，向数据平台或算法数据链路负责人方向发展
• 也可借由跨部门协作了解芯片制造工艺，形成「数据 + 半导体领域知识」的复合优势
• 负责搭建半导体设备与产线数据的采集、清洗、校验和整理工具，保证进入分析环节的数据可用、可信
• 设计自动化的数据质量检查规则，识别缺失、重复、不一致或异常的记录，并输出数据质量报告
• 为 AI 模型开发和系统验证准备数据集，维护数据标注工作流以及源数据到评估结果之间的可追溯链路
• 扎实的 Python 编程能力与 SQL 查询能力，能处理结构化数据和带时间戳的时序数据
• 理解数据质量治理的基本方法，包括校验规则设计、异常检测、去重与一致性检查
• 熟悉数据库操作、数据转换（ETL）与数据集版本管理工具，能保证数据与实验配置可复现
• 具备良好的技术文档撰写和问题排查能力，能把数据问题讲清楚、写明白

申请策略

• 提前了解安世半导体的产品线（分立器件、逻辑与功率 MOS 等）以及半导体制造的基本流程，面试中能体现对行业的兴趣
• JD 以英文撰写，建议准备一份英文简历，并练习用英文描述项目
• 由于是合同制岗位，可在面试中主动询问转正机会、合同续签条件与团队后续规划
• 突出 Python 与 SQL 的实际使用经历，最好有可量化的数据处理规模，例如处理过多少条记录、多大的数据表
• 展示数据清洗与质量校验相关的项目，说明你设计过哪些校验规则、如何发现并修复脏数据
• 如果有数据集标注、版本管理（如 Git、DVC）或实验可追溯性的实践，务必写清楚
• 把课程项目、毕业设计或实习中与数据分析、自动化脚本相关的内容整理成完整案例
• 补齐数据质量与数据治理的基础知识，熟悉常见校验框架与异常检测思路

面试指南

• 技术问题采用「场景—方案—验证」结构：先说明数据规模和业务背景，再讲清你选择的方法与工具，最后用量化结果或质量指标证明方案有效
• 行为问题采用 STAR 结构，重点讲你独立排查问题的过程，体现分析与 troubleshooting 能力
• 遇到不熟悉的领域知识时，坦诚说明并展示你的学习路径，例如如何查阅文档、向工程师请教、快速验证假设
• 你如何设计一套数据质量检查规则来识别缺失、重复和异常的生产数据？
• 请举例说明你用 Python 处理时序数据的经历，遇到过哪些数据问题，如何解决？
• 如何保证从原始数据、处理后的数据集到模型评估结果之间的可追溯性？
• 你如何为一个 AI 训练项目准备和标注数据集？如何控制标注质量？
• 作为应届生，你如何快速理解半导体设备数据背后的工艺含义？