职责要求：
1.数据治理与架构设计：
负责炼钢生产多源数据（传感器时序数据、工艺日志、质检报告）的采集、清洗与存储，构建高可用数据仓库。
设计并优化ETL流程，使用Apache NiFi/Spark实现实时数据管道，确保数据高效流转与质量监控。
2.特征工程与领域知识融合：
结合冶金工艺知识，构建时序特征（如温度变化率、氧枪操作序列）及冶金特征（如碳当量、热效率指标）。
开发自动化特征生成工具，支持模型训练与实时推理。
设计并实现多模态混合模型（LSTM+随机森林），嵌入冶金机理约束（如脱碳动力学方程）。
优化模型性能，通过超参数调优、模型压缩（量化/剪枝）提升边缘端推理效率。
3.算法创新与验证：
开发时序-结构化数据联合训练框架，解决样本不均衡、小数据泛化问题。
设计A/B测试方案，验证模型在实际生产环境中的有效性。
将模型封装为API服务（FastAPI/Flask），支持工控机低延迟（<100ms）实时推理。
任职资格：
1.精通Python数据处理库（Pandas/NumPy），熟练使用SQL进行复杂查询与优化。
2.熟练掌握PyTorch/TensorFlow框架，有LSTM/Transformer时序模型实战经验。
3.熟悉分布式计算框架（Spark/Flink），有工业时序数据处理经验者优先。
4.熟悉OPC UA、Modbus等工业通信协议。
5.参与过工艺优化或预测性维护项目。
6.了解数据可视化工具（Grafana/Tableau），能快速定位数据异常。
7.熟悉集成学习算法（随机森林/XGBoost），了解模型解释性工具（SHAP/LIME）。
8.具备模型部署经验（ONNX/TensorRT），了解边缘计算优化技术。
9.对工业场景的数据特点（高噪声、强时序性）有深刻认知，有工艺优化项目经验，熟悉制造业数据特点（如传感器漂移、数据缺失场景），有钢铁、化工行业经验者优先。
10.逻辑清晰，具备较强的沟通能力，能将业务需求转化为技术方案。
能接受全国范围内出差~