职责1:工业数据处理与数据集构建
1)负责多源工业数据的采集与预处理，包括0T设备数据(传感器振动、温度、压力、电流等时序数据,PLC、SCADA系统结构化数据)和II系统数据(ERP、MES、CMMS中的运维记录、备件信息等)，解决数据异构、噪声大、缺失值多等问题。
2)设计并实现数据清洗、归一化、特征提取、数据增强等流程，针对工业设备数据的时序性、周期性特点，开发专用数据处理脚本与工具。
3)结合业务需求及历史失效模式记录完成故障数据标注，构建设备预测性维护专用数据集(包括故障样本库、正常运行样本库、备件寿命样本库)，建立数据质量评估体系，确保数据集满足模型训练要求。
4)数据中台建设，设计时序数据存储与管理方案，实现训练数据的高效调取与迭代更新。？
职责2:算法研发与模型调优
1)负责协助核心算法模块的研发与实现，包括故障预测的时间序列算法(如LSTM、ICN、Prophet等)、故障诊断的分类算法(如CNN、XGBoost等)及备件寿命预测的回归算法，配合研发负责人完成与大模型的融合方案设计。
2)针对工业场景数据稀缺的问题，开展小样本学习、迁移学习、半监督学习等技术的应用与调优，提升模型在低数据量场景下的泛化能力。
3)参与大模型的领域自适应微调，负责训练数据筛选、微调策略设计及模型效果评估，优化大模型对工业设备运维知识的理解与应用能力。
4)协助构建算法模型评估体系，针对故障预测准确率、诊断召回率、寿命预测误差等核心指标，开展模型对比实验与迭代优化，输出算法性能报告。
任职要求：
1.硕士及以上学历，计算机科学、人工智能、机器学习、自动化、数学等相关专业。
2.3年以上AI数据处理或算法研发经验，具备工业互联网、智能制造或设备运维领域相关经验者优先。
3.具备扎实的数据处理能力，有时序数据、工业设备数据处理经验者优先;熟悉机器学习、深度学习算法，有大模型微调、行业专用模型研发经验者优先。
4.了解工业设备预测性维护场景，熟悉设备故障机理、运维流程或锂电等制造业生产特点者优先。
5.数据处理知识:精通数据清洗、特征工程、数据增强等数据处理技术;熟悉时序数据库(如InfluxDB、TimescaleDB)与关系型数据库的使用;了解工业数据采集协议(如Modbus、OPC UA、 MQTT)。
6..算法知识:掌握机器学习经典算法(如决策树、随机森林、XGBoost等)与深度学习算法(如CNN、LSTM、Iransformer等);熟悉时间序列预测、分类、回归等任务的算法原理了解大模型的微调、知识蒸馏、小样本学习等技术。
7.工业领域知识了解设备全生命周期管理流程，熟悉设备关键部件的故障类型与诊断方法了解锂电、汽车等制造业的生产流程与设备特点者优先。
8.工程工具知识:熟悉Python、C++等编程语言;精通PyIorch、TensorFlow等深度学习框架;熟悉Scikit-learn、Pandas、NumPy等数据处理与分析工具;了解 Docker、Git等工程化工具。