岗位目标
负责设计、开发和部署基于人工智能（特别是模式识别）的模型与算法，赋能智能座舱台架自动化测试系统，实现对复杂座舱环境（如多路音频源识别、图像细微差异检测、用户交互意图理解等）的智能感知、自动化判断与高效测试。
核心职责
- AI模型开发与应用：
- 针对智能座舱测试需求（如音频分类、图像识别、异常检测等），独立或主导进行机器学习/深度学习模型的选型、设计、训练、调优和验证。
- 构建高质量数据集： 设计数据采集方案，处理、标注和增强用于模型训练与测试的音频（如人声、音乐、导航提示音、环境噪音、收音机、报警音等）和图像/视频数据（如HMI界面元素、仪表盘状态、驾驶场景模拟图像、细微显示差异等）。
- 开发核心识别能力：
- 音频处理： 开发模型以识别和分类座舱内的各种声音源（如区分导航语音、蓝牙音乐、FM收音机、乘客对话、系统提示音等），检测音频异常（如破音、杂音、音量突变）。
- 计算机视觉： 开发模型以识别HMI界面元素状态、仪表盘指示灯/读数、屏幕显示内容（如导航地图信息、媒体信息）、检测图像/视频流的细微差异（如UI渲染错误、颜色偏差、文字错位、画面卡顿）、模拟驾驶员/乘客行为识别（如手势、视线）。
- 特征工程： 针对特定测试场景，设计和提取有效的多模模型
- 模型集成与测试自动化：
- 将训练好的模型无缝集成到现有的自动化测试框架和台架系统中。
- 开发自动化测试脚本/模块： 利用模型输出结果，编写或增强自动化测试脚本，实现基于模型识别的自动化判断、决策和结果验证（例如：自动判断当前播放的声源是否正确；自动检测UI界面是否符合预期；自动识别测试过程中的异常状态）。
- 设计基于模型的测试用例： 构思并实现利用模式识别能力的创新性自动化测试场景。
- 性能优化与部署：
- 优化模型性能，满足嵌入式环境或边缘计算设备（可能在台架中模拟）对实时性、计算资源和功耗的限制。
- 负责模型的部署、监控和维护，确保其在自动化测试环境中的稳定性和可靠性。
- 持续评估模型在测试中的表现，迭代优化模型和算法。
- 协作与沟通：
- 与测试工程师、软件开发工程师、系统工程师紧密合作，理解测试需求，定义AI解决方案的技术可行性。
- 清晰地向非技术背景的同事（如测试经理、产品经理）解释模型能力、局限性和输出结果。
任职要求 (硬性技能 - 核心)
- 教育背景： 计算机科学、人工智能、机器学习、模式识别、信号处理、电子工程、自动化或相关领域的硕士及以上学历（优秀本科生需具备非常突出的项目经验）。
- 编程能力： 精通 Python， 熟练使用 TensorFlow /
PyTorch / Keras 等主流深度学习框架。
- AI/ML 基础： 扎实的机器学习、深度学习理论基础，熟练掌握常见的监督学习、无监督学习算法。
- 模式识别专长：
- 音频信号处理： 熟悉音频特征提取（MFCC, Spectrogram等）、音频分类、语音识别基础、声源分离等相关技术和库（如Librosa, PyAudio）。
- 计算机视觉： 熟悉图像处理（OpenCV）、目标检测、图像分类、图像分割、细粒度图像识别、图像差异检测等相关技术和模型（CNN, R-CNN, YOLO,
Segmentation Models等）。
- 软件工程能力： 熟悉软件开发生命周期，具备良好的代码规范、版本控制(Git)和调试能力。熟悉Linux开发环境。
- 模型开发生命周期： 理解从数据准备、模型训练、验证评估到部署上线的完整流程。
任职要求 (优先考虑 - 加分项)
- 测试领域经验： 有软件测试、自动化测试经验，熟悉测试框架（如Robot Framework, Pytest, 或其他定制框架）和测试理念。
- 嵌入式/边缘AI经验： 有模型轻量化、量化、剪枝经验，或有在嵌入式平台/边缘设备（如Jetson, Raspberry Pi）部署和优化模型的经验。
- 智能座舱/汽车电子背景： 了解智能座舱系统架构、车载信息娱乐系统、车载音频系统、ADAS相关视觉应用或汽车电子测试规范。
- 信号处理/时序分析： 对信号处理、时序数据分析有较深理解。
- 多模态融合： 有结合音频和视觉等多模态信息进行建模分析的经验。
- 特定工具库： 熟悉 Scikit-learn, Pandas, NumPy, OpenCV, Librosa 等数据处理和领域库。
- 云平台经验： 熟悉AWS SageMaker, Google AI Platform, Azure ML等云机器学习平台的使用。
- C++/Java： 掌握 C++ 或 Java 有助于与底层系统或已有测试框架深度集成。