工作职责
1. 场景化AI方案落地
- 聚焦精密压铸、机加工环节，开发视觉质检算法（如铸件缺陷检测、尺寸精度校验），替代人工检测，提升检测准确率与效率。
- 基于设备传感器数据与生产日志，构建时序预测模型，实现压铸机、CNC等设备的故障预警与预测性维护，减少停机时间。
- 结合ERP/MES/APS系统数据，优化生产排产与调度算法，平衡产能、交期与成本，适配“三精三百”管理要求。
2. 数据处理与模型开发
- 对接生产、质检、设备等数据源，完成数据采集、清洗、标注与特征工程，搭建工业级训练数据集，解决数据孤岛问题。
- 选用适配工业场景的机器学习/深度学习算法（如CNN用于视觉质检、LSTM/Transformer用于时序预测），完成模型设计、训练、调参与优化。
- 针对产线边缘算力限制，开展模型轻量化（量化、剪枝），确保模型推理速度与精度平衡。
3. 工程化部署与系统集成
- 采用Docker等工具封装模型，通过FastAPI搭建推理服务，实现与MES、QMS等现有信息化系统的集成对接。
- 完成AI方案在产线的试点与推广，配合生产、质检团队完成上线测试与效果验证。
4. 技术迭代与知识沉淀
- 跟踪工业AI、大模型、机器视觉等领域新技术，探索在精密制造场景的创新应用（如小样本学习解决工业数据稀缺问题）。
- 编写技术文档、部署手册，沉淀AI落地方法论，推动跨部门技术交流。
5、负责AI Agent核心架构设计与开发，不断优化和提升大模型Agent的技术框架，构建高可用、低延时的分布式系统

 任职要求
1. 学历与专业：本科及以上学历，计算机科学、自动化、数据科学、电子信息等相关专业；硕士学历或有精密制造/压铸行业AI落地经验者优先。
2. 核心硬技能
- 编程基础：精通Python，熟悉NumPy、Pandas、Scikit-learn等工具；了解C++者优先（适配边缘端开发）。
- 框架与算法：熟练掌握PyTorch/TensorFlow至少一种深度学习框架；精通计算机视觉（目标检测/分割）、时序预测算法，有工业场景模型优化经验。
- 工程化能力：熟悉Docker容器化技术、FastAPI推理服务搭建；了解MLOps基础流程，具备模型监控与迭代能力。
- 行业适配：熟悉工业协议（Modbus/OPC UA）或MES/ERP系统数据对接经验者优先；了解精密压铸、机加工工艺或工业质检流程者加分。
3. 素质要求
- 具备较强的问题拆解能力，能将“无披锋、一次做准”等工艺要求转化为AI技术方案。
- 跨部门协作能力强，能高效对接生产、质检、IT团队，推动项目落地。
- 学习能力与抗压能力突出，适应制造业快速交付与持续优化的业务需求。
- 认同公司“以人为本、以质取胜”的经营理念，具备创新意识与工匠精神。
 
加分项
- 有精密制造行业AI质检、设备预测性维护、智能排产等项目落地经验。
- 掌握模型轻量化技术（TensorRT/ONNX）或边缘端（ARM/NPU）部署经验。
- 拥有AI相关专利、竞赛获奖或开源项目贡献者。
- 熟悉工业视觉检测设备（如三维扫描测量仪）数据处理流程。