智能视觉应用工程师 Intelligent Vision Application Engineer(J21011)

优缺点分析

角色解读

• 专业纵深：深耕计算机视觉与多模态大模型在工业领域的应用，成为该交叉领域的算法专家或技术架构师
• 横向拓展：从算法研发扩展到对半导体制造工艺的理解，可能转向技术管理或成为AI赋能半导体制造的复合型专家
• 行业影响：在积累了丰富的工业场景落地经验后，可成为该领域内有影响力的技术专家，参与制定行业标准或推动技术变革
• 在半导体制造的具体场景（如晶圆缺陷识别、工艺视频分析）中，研发和落地多模态大模型等前沿计算机视觉算法
• 将算法模型与工厂的良率分析系统、缺陷管理平台进行深度集成，确保算法能解决实际的生产问题并带来可衡量的业务提升
• 负责算法从需求定义、方案设计、代码实现、模型训练到最终在生产环境中部署、调优和维护的全流程
• 需要扎实的计算机视觉和深度学习理论基础，并熟练掌握PyTorch或TensorFlow等主流框架进行模型开发与部署
• 具备使用Python或C++进行算法模块开发的能力，以及在Linux环境下独立工作的技能
• 需要较强的工程落地能力，能够处理模型性能优化、稳定性保障等工程化问题，并有项目全周期交付经验

申请策略

• 仔细研究长鑫存储的主营业务和产品，了解公司在半导体存储芯片制造中的定位和技术挑战
• 在简历和求职信中，强调自己对将AI技术应用于实体产业、解决具体工程问题的热情和兴趣
• 重点突出计算机视觉或图像处理相关的算法项目，特别是涉及模型设计、训练、部署的完整闭环经验
• 明确列出掌握的编程语言（Python/C++）、深度学习框架（PyTorch/TensorFlow）和Linux环境使用经验
• 如有任何工业场景（不限于半导体）的算法落地经验或数据分析经验，务必详细描述，体现解决实际问题的能力
• 复习和强化计算机视觉（特别是目标检测、图像分割、异常检测）与深度学习（尤其是Transformer、多模态模型）的核心理论
• 学习半导体制造的基础知识，特别是缺陷检测、良率分析相关的概念，以便面试时能更好地理解业务需求
• 梳理并准备1-2个自己主导的算法项目案例，能够清晰阐述从问题定义、方案选型、实现到效果评估的全过程

面试指南

• 对于项目经历类问题，使用STAR法则（情境、任务、行动、结果）结构化回答，突出个人贡献和项目成果的量化数据
• 对于技术方案设计类问题，先分析业务场景的核心需求和约束条件（如精度、速度、数据特点），再提出分阶段的算法思路，体现系统思维
• 对于行业理解类问题，结合JD中的业务场景（良率、缺陷识别）进行阐述，展现你的快速学习能力和业务洞察力
• 请描述一个你主导过的计算机视觉算法项目，从需求到上线的完整流程是怎样的？遇到了哪些技术难点？如何解决的？
• 如果需要在半导体晶圆图像上检测微小的、形态多变的缺陷，你会如何设计算法方案？考虑哪些关键因素？
• 多模态大模型（如视觉-语言模型）可能如何应用于工业质检场景？请谈谈你的理解或设想
• 你如何看待算法研发与工程落地之间的平衡？在推动算法生产部署时，你通常会关注哪些方面？
• 你对半导体制造行业的视觉应用挑战有哪些了解？你认为这个领域与其他视觉应用场景（如自动驾驶、人脸识别）最大的不同是什么？