岗位要求：
1. 计算机科学、人工智能、机器学习、自动化、工业工程等相关专业硕士、博士学历。
2. 5年以上算法研发经验，其中至少3年以上大模型（或深度学习）相关研发经验，有工业人工智能、设备预测性维护领域研发经验者优先。
3. 具备大模型架构设计、微调、优化等全流程研发经验，熟悉 Transformer 等基础模型原理，有针对特定领域（如工业、医疗、金融）的专用大模型研发经验者优先。
4.有带领算法团队开展研发工作的经验，具备良好的团队管理与技术指导能力，能够推动团队攻克关键技术难题。
5.工业预测性维护知识：熟悉设备全生命周期管理流程，掌握设备关键部件（如电机、轴承、泵体、电池模组等）的故障机理、诊断方法及寿命评估模型；了解预测性维护领域的常用算法（如振动分析、油液分析等）。
6.数据处理与工业知识：精通时序数据、结构化数据、非结构化数据的处理方法；了解制造业生产流程与设备特点，熟悉 OT 数据采集、传输与存储技术；具备工业知识图谱构建与应用的相关知识。
岗位职责：
职责1：大模型研发战略与规划
1）基于设备预测性维护业务需求（故障预测、故障原因智能诊断、备件剩余寿命预测等），制定大模型研发路线图，明确模型选型、技术攻关方向及迭代计划，主导核心技术方案的论证与决策。
2）跟踪全球大模型、工业人工智能及预测性维护领域的技术前沿，引入先进算法理念与技术方法，推动团队技术创新，提升项目在行业内的技术竞争力。
3）结合锂电等制造业设备运维的行业特点，定义大模型在工业场景的评估指标体系（如故障预测准确率、诊断召回率、寿命预测误差等），确保研发成果满足业务实际需求。
职责2：大模型全流程研发与优化
1）主导设备预测性维护专用大模型的架构设计，包括基础模型选型、领域自适应微调、小样本学习、知识蒸馏等关键技术环节，解决工业场景数据稀缺、噪声大、领域适配难等问题。
2）负责核心算法模块的研发，针对故障预测场景优化时间序列预测算法与大模型的融合方案，针对智能诊断场景构建设备故障知识图谱与大模型的知识对齐机制，针对备件寿命预测场景设计多源数据融合的寿命评估模型。
3）针对 OT 设备数据（如振动、温度、压力、电流等时序数据，PLC、SCADA 系统的结构化数据）的特性，优化数据预处理、特征工程及模型输入编码方案，提升模型对工业数据的理解与处理能力。
4）推动模型轻量化与推理效率优化，结合工业场景实时性要求，通过模型压缩、算子优化、分布式推理等技术，确保模型在边缘端或云端的高效部署。