R&D Engineer

优缺点分析

角色解读

• 在工业AI领域深耕，从算法工程师成长为工业AI专家或技术负责人
• 向架构师或技术管理方向发展，带领团队实现AI在工业场景的规模化落地
• 跨领域向产品管理或行业顾问方向转型，结合技术背景与业务理解
• 参与工业AI算法研发，如预测性维护、异常检测、过程优化等，并推动算法在自动化平台和边缘设备上的部署
• 开发和优化控制算法，将AI模型与PLC、传感器等工业设备集成，实现智能控制
• 构建和维护工业数据管道，涵盖数据采集、清洗、特征工程、训练和推理全流程
• 探索AI Agent、机器视觉、多模态AI在工业场景中的应用，并支持现场调试与算法验证
• 精通Python和Linux，具备扎实的机器学习、深度学习、信号处理或控制理论基础
• 熟悉工业数据管道、时间序列处理和特征工程，有模型部署经验者加分
• 了解PLC、工业控制系统或现场总线协议（如Modbus、OPC UA）是一种优势
• 良好的技术写作和英语沟通能力，能够与分布式团队协作

申请策略

• 了解ABB的工业AI产品和解决方案，在申请中体现对公司的认同和兴趣
• 强调自己解决实际问题的能力和跨学科协作的意愿
• 突出AI项目经验，尤其是与工业相关的预测性维护、异常检测等案例
• 强调Python和Linux技能，以及数据管道、特征工程的实际操作经验
• 展示模型部署、边缘推理或性能优化的项目，体现工程化能力
• 如有PLC、Modbus、OPC UA或工业控制系统知识，务必在简历中突出
• 补充工业控制相关知识，如PLC编程、工业通信协议
• 学习模型压缩、边缘部署工具（如TensorRT、ONNX Runtime）

面试指南

• 使用STAR法则：情境（Situation）、任务（Task）、行动（Action）、结果（Result）来结构化回答项目经历
• 强调从数据采集到模型部署的完整闭环，突出工程化思维
• 展示学习能力和跨领域协作意愿，举例说明如何快速掌握新知识或融入团队
• 请介绍一个你完成的机器学习项目，重点说明数据如何处理和模型如何部署
• 你对时间序列数据有哪些处理经验？如何做特征工程？
• 你了解PLC或工业控制协议吗？如果模型需要与现有设备集成，你会如何实现？
• 如果模型在工厂现场部署后效果不佳，你会如何排查和优化？
• 如何与跨职能团队（如自动化工程师、产品经理）协作？