岗位职责：
1. 参与AI技术规划与战略设计：根据公司的整体战略和业务目标，参与制定AI技术发展的规划和实施路线图；分析并识别业务部门的痛点，评估AI技术在各业务领域的潜力，提出具体的应用场景和技术解决方案。
2. AI应用的落地与实施：参与AI项目的整个生命周期，从需求分析、技术选型、方案设计到最终的产品实现和部署。确保AI应用能够真正提高工作效率、提升产品质量，并解决实际的业务问题。
3. 数据分析和模型支持：提供数据分析和建模支持，确保AI应用的算法和模型能够基于真实的数据进行有效训练；参与数据采集、清洗、标注等工作，确保高质量的数据输入。
技能要求：
1. AI技术基础与应用能力：
（1）熟悉常见的机器学习和深度学习算法，如回归、分类、聚类、神经网络（CNN, RNN, Transformer等）、强化学习、对抗神经网络等，能够根据业务需求选择合适的算法。
（2）具备一定的自然语言处理能力，能够应用NLP技术处理文本数据、语音识别、文本生成、情感分析等应用场景。
（3）具备使用计算机视觉技术处理图像和视频的能力，如目标检测、图像分类、面部识别等应用。
（4）熟悉Python编程语言、同时熟悉C和JAVA的更佳。熟悉在Python下的神经网络框架，如TensorFlow、PyTorch、Keras等。
2. LLM技术与应用能力：
（1）理解LLM的工作原理：专家需要了解LLM（如GPT、BERT等）的架构、训练过程、使用的算法（例如Transformer架构）以及大规模数据训练对模型性能的影响。
（2）行业定制化：具备将LLM应用于特定领域（如机顶盒、摄像头等研发领域和生产、财务领域等）的能力，能够理解行业特定的语言和需求，并为其定制AI解决方案。
（3）熟悉LangChain、LlamaIndex等LLM框架，可以依托这类型的框架实现LLM的快速应用和部署。
（4）与其他AI技术的整合能力：理解如何将LLM与其他技术相结合，打造跨系统的智能体或Agent。同时能够将LLM应用通过API形式集成到公司现有的产品和业务系统中，形成完整的AI业务支持。
（5）具备识别和过滤模型生成内容的能力，确保输出符合合规和安全要求。了解LLM的黑箱特性，并能够在某些情况下解释模型决策的依据，增加AI系统的透明度。
（6）多模态与跨领域应用：具备将LLM与其他技术（如计算机视觉、音频处理等）结合的能力，创建多模态的AI解决方案。
（7）熟悉行业内的通用标准，如OpenAPI。了解如何将外围能力与LLM相结合，实现完整工作流。了解数据库管理和构建、服务的并发支持。
3. 数据治理能力：
（1）数据质量管理：AI业务专家需要能够确保数据质量，识别和处理缺失数据、异常值、重复数据等问题。熟悉数据预处理技术，如归一化、标准化、特征工程等，确保数据能够有效地用于AI建模。确保来自不同数据源的数据的一致性和完整性，避免数据冲突或丢失，建立清晰的数据验证规则。
（2）数据合规与隐私保护：确保数据使用符合国家的法律和公司的要求，制定严格的数据访问权限管理策略，确保用户数据在AI模型训练、应用和部署过程中得到有效保护。能够识别潜在的数据安全风险，并能够采取措施防止数据泄露或未经授权的访问，尤其是在云环境或分布式环境下。
（3）数据生命周期管理：管理数据的整个生命周期，包括数据的创建、存储、使用、销毁等环节。确保数据能够高效、安全地流动，避免冗余数据带来的负担。
4. 战略性思维与业务洞察能力：
（1）能够结合公司的整体战略目标，设计出符合业务需求的AI技术路线图。根据市场趋势、技术演进和公司现有的业务状况，提出长期和短期的AI发展规划，确保AI技术在公司内部的价值最大化。
（2）深入理解公司的核心业务，能够识别业务流程中的痛点，结合AI技术提供切实可行的解决方案。尤其要能够分析业务痛点，并提供AI落地的可行性建议。
（3）市场与行业趋势分析：时刻关注市场与行业的AI技术趋势。评估新兴AI技术对业务的潜在影响和可能性。