AI Analytical Automation Engineer

优缺点分析

角色解读

• 技术专家路线：深入LLM及大模型工程化领域，成为公司内部AI应用架构师或技术负责人
• 综合发展路线：凭借业务理解与技术实现能力，可向AI产品经理或技术管理岗位发展
• 行业影响力路线：通过持续研究和实践，成为AI领域（特别是半导体行业AI应用）的技术专家
• 负责从零到一设计并实施公司内部的大型语言模型应用项目，将前沿AI技术落地到具体业务场景
• 专注于提升大语言模型的性能和效率，通过微调、优化等手段让模型更好地解决实际问题
• 利用RAG、Agent等先进技术栈搭建智能系统，并跟进AI领域的最新进展
• 扎实的机器学习/深度学习理论基础，精通Python和PyTorch是必备的编程与建模能力
• 必须熟练掌握LLM相关的提示工程、模型微调技术，并有使用LangChain、RAG等框架构建应用的实际经验
• 需要具备良好的工程素养，熟悉模型优化、容器化部署以及云平台使用，能将AI模型稳定地部署上线

申请策略

• 研究芯源系统（MPS）的主要业务和产品，思考AI技术可能在哪些环节（如芯片设计、测试、制造、销售）创造价值，在面试中展现你的业务理解
• 面试时准备能够清晰讲述你的AI项目故事：从问题定义、技术选型、实现细节到效果评估的完整过程
• 重点突出与大型语言模型（LLM）直接相关的项目经验，如模型微调、RAG系统搭建、Agent开发等
• 详细描述使用Python、PyTorch、LangChain等技术栈完成具体任务的案例和成果
• 强调工程化部署经验，如使用Docker容器化、云平台部署、模型优化（量化/剪枝）等实践
• 如果经验有限，可以通过个人项目实践RAG和Agent的开发，积累作品集
• 深入理解主流开源大模型（如LLaMA系列）的微调和部署流程，这在面试中常被考察
• 提升对半导体或硬件行业的基本认知，以便更好地理解AI技术在该公司业务中的潜在应用场景

面试指南

• 对于项目经验问题，采用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，重点突出你的技术决策和实际贡献
• 对于技术问题，先阐述基本原理，再结合具体应用场景说明其优缺点和适用性，最后可提及你的实践经验
• 对于方案设计题，先澄清业务目标和约束，再提出技术架构（如使用何种模型、RAG组件），并讨论关键步骤和潜在风险
• 请介绍一个你使用RAG或Agent技术构建的AI应用项目，遇到了哪些技术挑战以及如何解决的？
• 你如何对一个已有的大语言模型进行微调以适应特定业务场景？请描述你的方法和考虑因素
• 对于模型推理速度优化，你了解哪些技术（如量化、蒸馏）？在项目中是如何权衡性能与效果的？
• 如果让你为MPS的一个具体业务场景（例如，产品故障诊断知识库）设计一个AI解决方案，你的思路是什么？
• 系统复习Transformer、Prompt Engineering、主流微调方法（LoRA/QLoRA）和RAG的架构原理