一、核心职责

1.模型开发与构建：设计、实现并优化时序深度学习模型（如LSTM， GRU， 自编码器），用于对多元生物过程传感器数据和反应动力学曲线进行实时监控、预测和异常检测。
2.解决方案落地：主导从数据预处理、特征工程、模型训练、阈值设定到系统部署上线的完整项目周期，确保算法模型在真实工业环境中稳定、可靠地运行。
3.跨学科协作：与试剂专家、工艺工程师和软件工程师紧密合作，理解生物过程的底层机制，将领域知识融入模型设计，并将数据洞察转化为可执行的工艺优化与质量控制策略。

二、要求
1. 学历背景
拥有计算机科学、统计学、生物医学工程、化学工程、生物信息学或相关领域的硕士或博士学位。
2. 技术能力：
扎实的时序数据分析基础：精通ARIMA、指数平滑等传统时序模型，并理解其局限性。
深厚的深度学习经验：具备至少1-2个使用LSTM或类似循环神经网络处理多元时间序列数据的实际项目经验（如预测、分类、异常检测）。
熟练的编程技能：精通Python及数据科学栈（如Pandas, NumPy）。必须具有使用至少一个主流深度学习框架（如TensorFlow/PyTorch）的实战经验。
实践经验：拥有完整的模型开发与部署生命周期经验，包括数据清洗、模型训练、评估、调优及性能监控。

3. 行业知识与思维：
对生化/免疫反应过程（如生化反应、免疫检测）有基本理解，并具备强烈的兴趣将数据科学与生物技术相结合。
具备出色的解决问题能力，能够将模糊的生物过程问题转化为定义清晰的技术任务。