视觉算法开发工程师

优缺点分析

角色解读

• 技术专家路线：在视觉算法、优化算法或具身智能等某个垂直领域深耕，成为公司内部乃至行业内的技术权威
• 技术管理路线：凭借出色的技术能力和项目成果，逐步承担更多项目规划、团队协作或技术管理职责
• 跨领域融合：随着对业务的深入理解，可能将多种AI技术（如视觉+大模型+控制）进行更深度的融合创新，驱动智能制造升级
• 为电池制造等工业场景开发并优化视觉检测算法，用于产品缺陷的精准识别
• 研究并融合传统与智能优化算法，解决复杂的工程优化问题
• 开发集成多模态感知的具身智能控制算法，赋能工业机器人实现更智能的人机协作
• 负责大语言模型（LLM）和视觉语言模型（VLM）在工程领域的应用开发与优化
• 扎实的算法基础：需要精通计算机视觉、优化算法、机器人学或大模型技术栈中的至少一个领域
• 优秀的工程能力：熟练掌握Python/C++及PyTorch/TensorFlow，并拥有从算法开发到部署落地的全链条经验
• 解决问题的能力：能够针对高维度、多约束的实际工业问题设计创新的算法解决方案
• 学习与应用能力：需要快速跟进并应用最新的AI技术（如VLA架构、大模型微调、CUDA优化）到实际业务中

申请策略

• 仔细研读职位描述中列出的四个技术方向，在简历和面试中明确表达自己最匹配、最擅长的1-2个领域
• 了解宁德时代在智能制造和AI应用方面的公开信息，思考自己的技术能力如何与公司的业务需求相结合
• 重点突出与职位要求高度相关的算法项目经验，尤其是工业视觉检测、机器人控制或多模态大模型应用的具体案例
• 详细描述项目中使用的技术栈（如PyTorch、CUDA）、解决的具体技术难点以及量化的性能提升指标（如检测精度提升、优化效率提高）
• 展示从算法研究到模型部署的完整项目经历，证明自己的工程落地能力
• 深入研究一两个与职位最相关的技术方向（如工业视觉检测、具身智能或大模型应用），准备可展示的Demo或深入的技术分析
• 复习并实践优化算法（如元启发式算法、强化学习）和计算机视觉的核心模型与训练技巧
• 关注工业AI领域的最新进展，思考如何将前沿技术与实际的制造场景结合

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化地描述项目经验，重点突出个人贡献和技术决策过程
• 对于开放性设计问题，先阐述整体思路和框架，再讨论具体技术选型的考量因素（如精度、实时性、成本）
• 在回答技术概念题时，尝试结合具体的应用场景进行解释，展示你将理论与实践结合的能力
• 请详细介绍一个你完成的工业视觉检测或类似的AI落地项目，遇到了哪些挑战，是如何解决的？
• 如果让你为一个新的电池生产线设计缺陷检测系统，你会如何考虑数据采集、模型选择、部署和持续优化？
• 请解释一下你对具身智能或多模态大模型（如VLM）的理解，并设想它如何应用于工厂机器人
• 在模型部署阶段，你通常会遇到哪些性能瓶颈？你有哪些具体的优化经验（例如针对延迟、算力或内存）？
• 梳理并深度复盘自己过往最相关的1-2个项目，准备好详细的技术细节、遇到的困难和解决方案