【创新业务】算法研发工程师（合肥）(J53471)

优缺点分析

角色解读

• 初级算法工程师 → 高级算法工程师：深入工业领域，负责更复杂的模型设计与优化，成为技术骨干
• 技术专家路线：在工业数据分析或特定算法领域（如时序预测）成为公司内部专家
• 业务结合路线：深入理解制造工艺，转型为智能制造解决方案架构师或数据产品经理
• 负责从工厂生产线上采集和清洗工业时序数据，并进行特征工程，为模型构建做准备
• 运用机器学习和深度学习算法（如LSTM、Transformer）建立预测模型，用于监控或优化关键生产指标
• 将训练好的模型进行封装，并通过API等方式部署到工业服务器，使其在实际生产中发挥作用
• 将分析结果通过可视化图表展示，并撰写报告，向业务方解释数据洞察
• 扎实的Python编程能力，熟练使用pandas、numpy进行数据处理
• 掌握机器学习与深度学习基础，对LSTM、Transformer等时序模型有认知，能使用相关框架（如PyTorch/TensorFlow）
• 了解SQL，能进行数据查询与提取，并具备数据可视化和报告撰写能力
• 对工业数据和应用场景有兴趣，具备良好的学习与沟通协作能力

申请策略

• 了解京东方作为面板制造龙头，其核心业务与生产流程，思考算法在其中的潜在应用点
• 面试时可以表达对“用技术赋能制造业”的理解与认同，这将是一个加分项
• 突出与Python数据处理、机器学习相关的课程项目、竞赛或实习经历，尤其是涉及时间序列数据的项目
• 在简历中明确体现对“工业数据”、“智能制造”或相关领域的兴趣与认知
• 展示扎实的编程能力（如GitHub项目）和良好的文档撰写能力
• 复习并实践时序预测相关模型（如ARIMA, LSTM, Transformer）的代码实现
• 学习工业物联网(IIoT)和智能制造的基础知识，了解常见的工业数据类型和应用场景
• 尝试在公开的工业数据集（如轴承故障预测、设备剩余寿命预测）上完成一个完整的项目

面试指南

• 项目经验问题：采用STAR法则，重点描述任务背景、你的具体行动（技术选型、模型尝试、问题解决）和最终结果/量化收益
• 技术概念问题：先给出清晰定义，再结合实际场景（如本岗位的工厂数据）举例说明，最后可以谈谈自己的理解或疑问
• 场景应用题：分步骤思考（数据问题？模型问题？部署问题？业务理解偏差？），展现结构化分析能力和与业务沟通的意识
• 请介绍一个你做过的数据分析或机器学习项目，遇到了什么挑战，如何解决的？
• 对于工业时序数据（如设备传感器数据），你会考虑哪些特征工程方法？
• 请解释一下LSTM和Transformer在处理序列数据上的优缺点
• 如果模型预测结果与实际生产结果有较大偏差，你会如何分析和排查原因？
• 你对我们公司所在的显示制造行业有什么了解？认为算法技术可以应用在哪些环节？