崗位職責
掌握機器學習及深度學習的基礎知識
1）熟悉經(jīng)典算法（監(jiān)督/無監(jiān)督化學習、集成學習等）。
2）理解模型評估與優(yōu)化方法（交叉驗證、超參數(shù)調(diào)優(yōu)）。
3）掌握特征工程、數(shù)據(jù)清洗與預處理技術(shù)。
4）精通主流框架（TensorFlow/PyTorch/Keras）。
5）熟悉神經(jīng)網(wǎng)絡架構(gòu)（CNN、RNN、Transformer等）。
6）具備模型壓縮與優(yōu)化經(jīng)驗（量化、剪枝、蒸餾）。
熟練掌握自然語言處理及推薦系統(tǒng)
1）文本處理技術(shù)（分詞、詞向量、句法分析）。
2）熟悉預訓練模型（BERT、GPT、T5等）的微調(diào)與部署。
3）掌握文本生成、問答系統(tǒng)、信息抽取等任務。
4）協(xié)同過濾、內(nèi)容推薦、混合推薦算法。
5）熟悉召回、排序、重排等模塊設計。
深刻理解知識圖譜與語義理解
1）知識抽取、融合與存儲技術(shù)（如Neo4j、圖數(shù)據(jù)庫）。
2）熟悉本體建模、實體鏈接與關系推理。
3）了解語義搜索和知識推理算法。。
掌握數(shù)據(jù)標注與治理及數(shù)據(jù)庫
1）設計數(shù)據(jù)標注流程與質(zhì)量控制策略。
2）熟悉數(shù)據(jù)增強與合成技術(shù)。
3）了解Milvus、FAISS等向量檢索技術(shù)，支持高維數(shù)據(jù)快速匹配
4）熟練使用SQL/NoSQL數(shù)據(jù)庫（MySQL/MongoDB/Elasticsearch）
5）了解微服務架構(gòu)與消息隊列（Kafka/RabbitMQ）。
6）模型推理加速（ONNX、TensorRT）。