【创新业务】数据模型开发研究员（合肥）(J53458)

优缺点分析

角色解读

• 在数据算法领域深耕，可发展为资深算法工程师、技术专家，负责更复杂系统的设计
• 随着项目经验积累，有机会承担技术负责人或项目经理角色，主导产品级应用落地
• 结合制造业场景，可向工业智能、智能制造等交叉领域的资深研发或架构师方向发展
• 负责数据模型的具体开发工作，包括大模型的训练、微调与部署
• 研究并开发多传感器（如视觉、语言）数据融合的算法，并构建实时任务调度系统
• 承担模型训练全流程的数据管理，包括数据质量评估、半自动标注、合成增强等
• 具备扎实的软件算法工程基础，掌握Python等编程语言及常用机器学习框架
• 了解大模型（LLM）的开发、微调流程及相关技术
• 对多模态数据处理（如视觉、语言）和传感器数据融合有一定研究或实践经验
• 熟悉数据处理流程，包括数据清洗、标注、增强（如Domain Randomization）等技术

申请策略

• 提前了解京东方在智能制造、工业互联网等领域的业务布局和技术方向，思考数据算法如何赋能其核心业务
• 准备一个能够完整阐述数据模型开发项目（从数据准备到模型评估）的深度案例，以备面试深入讨论
• 重点突出与数据模型开发、大模型、多模态学习相关的课程设计、科研项目或实习经历
• 详细描述在数据质量、数据标注或合成方面的实践案例，展示对数据工程的理解
• 强调解决具体技术问题的思路和成果，用项目经验体现工程落地能力
• 系统复习大模型（如Transformer架构、微调方法）相关理论与实践
• 学习或深化传感器数据处理（如视觉SLAM、点云处理）及数据融合相关知识
• 通过开源项目或Kaggle竞赛，实践数据清洗、增强和模型部署的全流程

面试指南

• 项目问题：使用STAR法则（情境、任务、行动、结果），重点描述你遇到的技术难点、采用的算法/模型以及最终的量化成果
• 技术问题：结合具体理论（如多模态注意力机制、异常检测算法）和你的项目实践经验来回答，展现理论与实践的结合
• 动机问题：将个人技术兴趣（如大模型、数据工程）与公司产业应用（如智能制造、屏幕检测）相结合，体现你的热情和匹配度
• 请介绍一个你完成过的与数据模型开发或大模型相关的项目
• 你如何理解并实现多传感器数据的融合？有哪些常用的方法或挑战？
• 如果让你负责一个数据质量自动评估模型，你会考虑哪些维度和检测方法？
• 什么是Domain Randomization？它在数据合成中起什么作用？
• 你为什么选择加入京东方从事数据模型开发？