1、基于業務場景（如計算機視覺、自然語言處理、推薦系統等）設計或改進算法模型，例如：計算機視覺：目標檢測（YOLO、Faster R-CNN）、圖像分割（Mask R-CNN）、OCR識別；自然語言處理：文本分類、命名實體識別（NER）、機器翻譯、大模型微調（LoRA、SFT）；機器學習：特征工程、分類/回歸模型（XGBoost、LightGBM）、強化學習策略設計。
2、參與算法選型與評估，對比不同模型的精度、效率及可解釋性（如A/B測試驗證算法效果）；
3、主導數據采集、清洗、標注與增強（如圖像裁剪、文本脫敏、數據均衡處理），確保數據質量滿足模型訓練需求；
4、設計高效特征提取方案，結合領域知識構建特征工程（如時間序列特征、用戶行為特征）；
5、基于PyTorch、TensorFlow等框架搭建訓練流程，配置超參數（學習率、 batch size、迭代次數）并優化收斂效果；
6、對模型進行量化、剪枝、知識蒸餾，適配邊緣設備（如手機、嵌入式設備）或低延遲場景，降低部署成本；
7、優化推理速度（如TensorRT加速、ONNX格式轉換），滿足生產環境的實時性要求（如毫秒級響應）；
8、持續跟蹤模型線上性能（如精度衰減、數據漂移），通過增量訓練或算法迭代優化效果。
任職要求：
1、具備核心數學知識，例如：線性代數：矩陣運算、特征值分解、PCA降維（模型特征提取基礎）；概率統計：貝葉斯理論、概率分布（如高斯分布）、假設檢驗（A/B測試依據）；最優化理論：梯度下降、隨機梯度下降（SGD）、Adam等優化器原理（模型訓練核心）；微積分：偏導數、鏈式法則（反向傳播算法基礎）；
2、具備機器學習/深度學習理論掌握經典模型原理：決策樹、SVM、邏輯回歸、神經網絡（CNN/RNN/Transformer架構）；理解模型評估指標：準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值、ROC/AUC（模型效果量化）；
3、精通Python（主流開發語言，熟練使用NumPy、Pandas、Scikit-learn）；
4、熟悉C/C++（高性能計算場景，如模型推理加速）、CUDA（GPU并行編程）；
5、精通至少一種主流框架（PyTorch/TensorFlow/Keras），熟悉模型構建、訓練、部署全流程；
6、自然語言處理（NLP）：文本分類、命名實體識別（NER）、大模型微調（LoRA、SFT）、RAG（檢索增強生成）；
7、機器學習：特征工程、集成學習（XGBoost、LightGBM）、強化學習（策略梯度、Q-learning）；
8、具備模型優化能力，具備3年以上算法開發優化經驗。