兆易创新
AI数据算法开发
AI数据算法开发
发布于 大约 13 小时前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
Gnn
Pytorch
Tensorflow
强化学习
数据分析
机器学习
深度学习
特征工程
算法架构
AI 估算 · 25k–40k
AI算法岗薪资较高，北京一线城市，5年经验硕士有竞争力，参考行业水平。
职位详情
关于这个职位
该职位负责将业务问题转化为AI算法解决方案，涉及机器学习、深度学习、GNN、强化学习等技术，覆盖特征工程、模型训练到工程化部署全流程
适合有5年以上经验、精通Python和PyTorch/TensorFlow的算法工程师
最低要求
硕士及以上学历，计算机、电子工程、自动化、数学或相关专业
年以上机器学习/深度学习相关经验，具备复杂系统建模与算法架构设计能力
精通 Python，熟悉主流数据处理工具（Pandas / NumPy / Scikit-learn 等），具备良好的工程实现能力
精通机器学习与深度学习核心算法（回归、分类、神经网络、CNN、GNN、强化学习等），理解算法原理与适用边界
熟练掌握 PyTorch 或 TensorFlow，具备独立完成模型训练、调优与效果评估的能力
有实际企业级算法项目落地经验，能够独立完成从需求分析到模型上线的全流程工作
具备大规模数据处理经验，熟悉分布式训练或模型性能优化优先
熟悉 Linux、Git 等开发环境，具备良好的系统设计与代码规范意识
工作职责
深入调研企业研、产、供、销、服全业务链条，挖掘真实业务痛点，将业务问题转化为机器学习与 AI 算法解决方案
以机器学习、深度学习、数据分析、优化算法为核心工具，设计、研发与落地算法应用，支撑研发效率提升、研发成本降低、产品质量改善、供应链效率优化、销售预测精准化、客户服务体验升级等关键目标
负责算法全流程工作：包括数据理解、数据处理、特征工程、模型训练、调优验证、效果评估，输出可落地、可复用的算法方案
负责核心算法架构设计与模型优化，涵盖机器学习、深度学习、GNN、强化学习等技术方向，形成可持续演进的算法体系
与研发、生产、供应链、销售、客服等业务部门紧密协作，推动算法模型工程化部署、灰度上线、线上监控与持续迭代，实现技术价值闭环
跟踪行业前沿 AI 技术与最佳实践，结合企业实际场景进行技术预研与创新落地，沉淀企业级算法能力与标准化方案
参与企业AI数据资产与算法平台建设，制定数据规范与建模范式，沉淀可复用算法能力与技术标准
AI 洞察
优缺点分析
优点
- 技术栈前沿，涉及GNN、强化学习等新兴领域，有利于个人技术深度积累
- 业务场景丰富（研发、供应链、销售等），可积累多行业AI落地经验
- 公司为国内知名半导体企业，平台稳定，项目资源充足
- 需要较强的业务理解能力，将复杂业务问题转化为算法问题有一定难度
- 算法全流程覆盖，对工程化部署和沟通协作能力要求高
- 半导体行业技术迭代快，需要持续学习保持竞争力
- 适合有5年以上算法经验、热爱技术钻研、希望深入企业级AI落地的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 算法专家：深入钻研某一方向（如GNN、强化学习），成为团队技术权威
- 技术管理：积累项目经验后向技术Leader或架构师方向发展
- 业务专家：结合行业知识，转型为AI解决方案架构师或产品经理
- 将业务问题转化为机器学习/深度学习算法解决方案，覆盖研发、生产、供应链等全链条
- 负责数据理解、特征工程、模型训练、调优与效果评估，确保算法可落地
- 与业务部门协作推动模型工程化部署与持续迭代，实现技术价值闭环
- 跟踪前沿AI技术，进行预研与创新落地，沉淀算法能力与标准方案
- 精通Python及数据处理工具（Pandas、NumPy、Scikit-learn），工程实现能力强
- 深入掌握机器学习与深度学习核心算法（回归、分类、CNN、GNN、强化学习等）
- 熟练使用PyTorch或TensorFlow，具备独立训练与调优能力
- 具备大规模数据处理和分布式训练经验者优先
申请策略
- 面试前准备一个完整的算法项目案例，从问题定义到上线全流程阐述
- 关注兆易创新的业务方向（存储芯片），思考AI如何助力其研发和生产效率提升
- 突出5年以上机器学习/深度学习项目经验，特别是企业级落地案例
- 详细说明在GNN、强化学习等前沿技术上的实践成果
- 展示Python、PyTorch/TensorFlow的熟练度，以及数据预处理和模型优化经验
- 如有大规模数据处理或分布式训练经验，务必强调
- 提前复习GNN和强化学习的经典算法与论文，准备相关案例
- 熟悉常用数据处理和特征工程技巧，可结合实际场景准备
面试指南
- STAR法则：情境-任务-行动-结果，清晰展示项目背景、个人贡献和量化成果
- 技术-业务平衡：先理解业务痛点，再选择合适算法，解释为何选这个方案
- 工程化思维：强调代码规范、模型可复现、监控与迭代机制
- 请详细描述你主导的一个企业级机器学习项目，从需求到上线的全过程
- GNN和传统神经网络相比有哪些优势和适用场景？你是否有实际应用经验？
- 如何处理不平衡数据集？在特征工程中你通常使用哪些方法？
- 模型上线后如何进行效果监控和持续迭代？
- 如果业务部门提出的需求与技术实现有冲突，你如何协调？
职位点评
62
综合评分
技术前沿、项目实战丰富，但薪资未明、WLB不确定，适合技术驱动型人才。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
最适合发展性动机强的求职者，追求技术成长和前沿项目，对WLB要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展85
工作生活40
使命价值50
薪资福利
60中等
薪资未在JD中披露，但基于岗位级别和市场行情，预计处于中上水平；福利未提及，补偿性一般。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
85较高
技术栈前沿（GNN、强化学习等），实际项目经验可显著提升能力，但成长路径未明确说明。
技术前沿前沿/新兴技术
技术栈GNN、强化学习、机器学习、深度学习、PyTorch、TensorFlow
业务类型ambiguous
工作生活
40较低
仅现场办公，未提及弹性工作或远程，办公地点未明确，WLB信息缺失。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
50较低
半导体行业稳定但非高速增长，AI算法对业务效率提升有正面作用，但社会影响力一般。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
兆易创新 的其他在招职位
相似职位推荐
Watch Jobs