1、基于业务场景（如计算机视觉、自然语言处理、推荐系统等）设计或改进算法模型，例如：计算机视觉：目标检测（YOLO、Faster R-CNN）、图像分割（Mask R-CNN）、OCR识别；自然语言处理：文本分类、命名实体识别（NER）、机器翻译、大模型微调（LoRA、SFT）；机器学习：特征工程、分类/回归模型（XGBoost、LightGBM）、强化学习策略设计。
2、参与算法选型与评估，对比不同模型的精度、效率及可解释性（如A/B测试验证算法效果）；
3、主导数据采集、清洗、标注与增强（如图像裁剪、文本脱敏、数据均衡处理），确保数据质量满足模型训练需求；
4、设计高效特征提取方案，结合领域知识构建特征工程（如时间序列特征、用户行为特征）；
5、基于PyTorch、TensorFlow等框架搭建训练流程，配置超参数（学习率、 batch size、迭代次数）并优化收敛效果；
6、对模型进行量化、剪枝、知识蒸馏，适配边缘设备（如手机、嵌入式设备）或低延迟场景，降低部署成本；
7、优化推理速度（如TensorRT加速、ONNX格式转换），满足生产环境的实时性要求（如毫秒级响应）；
8、持续跟踪模型线上性能（如精度衰减、数据漂移），通过增量训练或算法迭代优化效果。
任职要求：
1、具备核心数学知识，例如：线性代数：矩阵运算、特征值分解、PCA降维（模型特征提取基础）；概率统计：贝叶斯理论、概率分布（如高斯分布）、假设检验（A/B测试依据）；最优化理论：梯度下降、随机梯度下降（SGD）、Adam等优化器原理（模型训练核心）；微积分：偏导数、链式法则（反向传播算法基础）；
2、具备机器学习/深度学习理论掌握经典模型原理：决策树、SVM、逻辑回归、神经网络（CNN/RNN/Transformer架构）；理解模型评估指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值、ROC/AUC（模型效果量化）；
3、精通Python（主流开发语言，熟练使用NumPy、Pandas、Scikit-learn）；
4、熟悉C/C++（高性能计算场景，如模型推理加速）、CUDA（GPU并行编程）；
5、精通至少一种主流框架（PyTorch/TensorFlow/Keras），熟悉模型构建、训练、部署全流程；
6、自然语言处理（NLP）：文本分类、命名实体识别（NER）、大模型微调（LoRA、SFT）、RAG（检索增强生成）；
7、机器学习：特征工程、集成学习（XGBoost、LightGBM）、强化学习（策略梯度、Q-learning）；
8、具备模型优化能力，具备3年以上算法开发优化经验。