智能制造AI应用主任工程师-Manufacturing AI Application Development Staff Engineer(J18552)

优缺点分析

角色解读

• 技术专家路线：在制造业AI领域深耕，成为特定方向（如CV、LLM应用）的首席架构师
• 技术管理路线：带领团队负责更复杂的智能制造项目，晋升为技术负责人或部门经理
• 行业解决方案专家：深入理解半导体制造全流程，成为“AI+制造”的复合型顾问
• 设计与开发应用于半导体制造的机器学习、视觉和大模型算法，解决良率、缺陷等核心问题
• 负责AI模型的全生命周期管理，包括部署上线、监控预警和持续优化
• 利用LLM和RAG技术构建制造知识库，提升工程师的文档查询与报告生成效率
• 探索并开发嵌入生产、质量、设备等环节的AI Agent，实现工作流自动化与智能决策
• 精通Python和主流机器学习框架，有扎实的算法设计与模型训练能力
• 熟悉MLOps流程，具备使用Slurm、Docker等工具进行模型部署和运维的经验
• 了解LLM应用技术栈，如RAG、微调、向量检索，并有实际开发经验
• 优秀的跨领域沟通能力，能理解制造业务需求并将其转化为AI问题

申请策略

• 在求职信或面试中，表达对“AI赋能制造业”这一交叉领域的浓厚兴趣和深入思考，展现你的业务理解意愿
• 研究长鑫存储的产品线和公开的智能制造相关信息，在面试中能提出有见地的问题，展示你的主动性和准备度
• 突出在半导体制造、工业质检或大型离散制造领域的AI项目经验，尤其是完整生命周期交付案例
• 详细描述使用Python和机器学习框架解决具体业务问题的技术方案与成果
• 强调MLOps实践，以及使用容器化工具进行模型部署和监控的经验
• 如果有LLM/RAG相关的开发经验或技术探索，务必清晰列出
• 补充学习半导体制造（特别是存储芯片）的基本工艺流程和关键质量指标（如良率、缺陷类型）
• 深化对MLOps工具链（如MLflow, Kubeflow, Airflow）和云原生部署技术（Kubernetes）的理解与实践

面试指南

• 使用STAR法则（情境、任务、行动、结果）来结构化你的项目经历回答，重点突出你的决策和技术选择
• 对于业务转化问题，强调你如何与业务方沟通、分析数据、定义评估指标，并展示出将技术与业务对齐的能力
• 对于系统设计类问题，从数据、模型、服务、监控等多个维度进行阐述，体现你的系统性思维和工程化落地能力
• 请介绍一个你主导的、在制造业场景中落地的AI项目，遇到了哪些独特的挑战？如何解决的？
• 你如何将一个模糊的制造业务问题（如‘提升某设备OEE’）转化为一个具体的AI建模目标？
• 对于模型部署后性能下降（模型漂移）的情况，你会设计怎样的监控和再训练机制？
• 如果要用大语言模型构建一个工艺文档问答系统，在知识检索准确性和生成答案可靠性方面，你会考虑哪些关键因素？
• 你如何看待AI技术在半导体制造中的应用前景与当前的主要瓶颈？