智能产线集成(J14683)

优缺点分析

角色解读

• 从数据分析师/算法工程师成长为半导体智能制造领域的资深数据科学家或技术专家
• 未来可向数据团队负责人或智能制造业务架构师方向发展
• 运用机器学习和AI算法对晶圆制造端的海量数据进行挖掘与分析，为业务部门提供决策支持
• 推动产线良率、机台产能和质量的提升，参与数据科学平台的建设与维护
• 熟练掌握Python/Java/Scala等至少一种编程语言及Linux开发环境
• 具备扎实的统计学、机器学习、深度学习基础，并熟悉Hadoop大数据生态组件

申请策略

• 展现对半导体行业的长期热情与稳定性，面试时可准备关于如何利用AI提升良率或产能的具体思考或案例
• 突出在机器学习、深度学习或大数据分析相关的项目经验，特别是涉及时间序列分析、计算机视觉或工业数据挖掘的经历
• 强调对Hadoop生态及Linux环境的实际开发能力
• 提前了解半导体晶圆制造的基础工艺流程（如光刻、刻蚀等），以便更好地理解业务场景
• 复习并巩固统计学与经典机器学习算法的底层原理

面试指南

• 采用STAR法则描述项目经历，重点突出数据处理的难点、算法选择的依据以及最终带来的业务价值
• 对于业务场景题，先明确分析目标，再梳理数据流转逻辑，最后给出具体的算法模型与验证方案
• 请介绍一个你使用机器学习或深度学习解决实际业务问题的项目，遇到了哪些挑战？
• 在Hadoop生态中，Hive和HBase的应用场景有什么区别？
• 如果晶圆产线良率突然下降，你会如何设计数据分析方案来定位问题？
• 如何处理工业场景下数据不平衡或噪声较大的问题？
• 准备1-2个深度参与的数据挖掘或算法落地项目，能够清晰讲述从数据清洗、特征工程到模型部署的全流程
• 了解长江存储的主营业务及半导体行业的基本常识