Data Analytics Engineer (RDSS)

优缺点分析

角色解读

• 在工业AI领域深耕，成为制造智能方向的专家或技术负责人
• 横向扩展至其他业务部门的数据分析工作，或向数据科学家、算法高级工程师发展
• 积累行业经验后，可转型为AI产品经理或技术咨询顾问
• 负责设计并部署机器学习模型，解决制造过程中的实际问题，如预测设备故障、优化工艺参数
• 与全球的工程师和业务团队协作，将制造需求转化为技术方案，并推动项目落地
• 处理和分析海量工业数据，包括数据清洗、特征工程、模型训练和部署监控
• 扎实的AI/ML理论基础，熟悉监督学习、无监督学习、深度学习等主流算法
• 掌握Python及常用数据科学库（如TensorFlow、PyTorch、scikit-learn），具备Linux环境开发能力
• 了解制造业流程或具备工业数据分析经验者优先，尤其熟悉时间序列、图像或文本数据

申请策略

• 了解康宁的制造4.0战略，在面试中展示对工业数字化转型的兴趣
• 提前准备一个与制造相关的项目案例，用STAR法则详细说明
• 突出端到端的AI/ML项目经验，尤其是从数据理解到模型部署的完整流程
• 强调在制造业或相关工业领域的数据分析成果，如良率提升、缺陷检测等
• 展示对深度学习、NLP或计算机视觉的实际应用案例，并提供GitHub或技术博客链接
• 补充工业数据常用的时间序列分析、异常检测等技能
• 学习数据管道工具（如Airflow、Kafka）和云平台（如AWS、GCP）以提升工程化能力

面试指南

• 对于项目类问题，采用STAR法则：情境、任务、行动、结果，突出技术细节和业务影响
• 对于技术问题，先定义问题，再列举可能的解决方案，最后给出你的推荐理由
• 场景应用题，建议先理解业务目标，再提出技术方案，并说明权衡
• 请描述一个你从头到尾完成的机器学习项目，你在其中扮演什么角色？
• 如何处理工业数据中常见的缺失值和不平衡问题？
• 请解释如何选择适合分类/回归问题的模型？
• 你了解哪些深度学习模型？在制造场景中你会如何应用？
• 如何评估一个部署后的模型性能？如果性能下降你会怎么处理？