AI Analytical Automation Engineer

优缺点分析

角色解读

• 可向AI架构师或技术专家方向发展，深入大模型底层优化
• 可转型为AI解决方案经理，负责跨部门业务落地
• 在半导体行业中积累行业知识，成为垂直领域AI领军人物
• 负责大语言模型项目的端到端实施，包括方案设计、部署和优化
• 通过Prompt工程和模型微调（LoRA/QLoRA）提升模型性能
• 搭建基于LangChain、RAG和Agent的AI系统，并进行量化、蒸馏等优化
• 跟踪行业最新技术动态，保持技术领先
• 扎实的机器学习/深度学习基础，精通Python和PyTorch
• 熟练掌握Prompt Engineering和LLM微调技术
• 有使用RAG、Agent等框架构建复杂AI应用的经验
• 熟悉模型优化（量化、剪枝）和开发部署工具（Git、Docker、云平台）

申请策略

• 关注MPS在半导体行业的业务场景，思考AI如何赋能电源管理等领域
• 在面试中展示对AI前沿技术的热情和学习能力
• 突出机器学习/深度学习项目经验，特别是NLP相关
• 详细描述LLM微调或Prompt Engineering的实际应用案例
• 强调端到端项目交付能力，包括部署和优化
• 展示使用Git、Docker、云平台等工程化工具的熟练度
• 可提前熟悉LangChain、RAG、Agent等框架的使用
• 补充模型量化、蒸馏等优化技术的实操经验

面试指南

• 用STAR法则描述项目：情境、任务、行动、结果，突出技术难点和个人贡献
• 对于技术原理类问题，从基础概念出发，结合实际应用场景举例说明
• 对于工程实践类问题，强调完整流程和问题解决思路，包含权衡和优化策略
• 请介绍一个你参与的大语言模型项目，包括架构设计和优化过程
• Prompt Engineering中你常用哪些技巧？如何评估Prompt效果？
• 解释LoRA和QLoRA的原理，以及它们在大模型微调中的优势
• 描述一下RAG系统的搭建流程，以及如何处理检索质量的问题
• 如何进行模型量化？量化后模型的精度损失如何评估和恢复？