1、对接生产、质检、设备等数据源，参与企业关键数据的规划、清洗、流转与同步工作，确保各个系统之间的数据标准统一、指标一致，搭建工业级训练数据集，解决数据孤岛问题； 2、聚焦AI技术在装备制造领域的落地机会，探索视觉识别在硅透镜、硅电容等产品的表面缺陷检测、尺寸测量、定位引导等场景中的应用，选用适配工业场景的深度学习算法（如CNN）完成模型设计、训练与优化； 3、基于设备运行数据与产品生产数据，开展特征工程、模型训练与持续优化，聚焦异常检测、故障诊断及智能控制策略优化等典型工业AI应用场景； 4、跟踪人工智能、大语言模型等前沿技术发展趋势，结合公司精密制造业务场景，探索大模型在知识图谱、视觉识别、预测分析、设计辅助等方面的应用场景，提出可行的数字化、智能化应用方案； 5、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；采用Docker等工具封装模型，通过FastAPI搭建推理服务，实现与PLM/OA/ERP/MES等现有信息化系统的融合创新与集成对接； 6、跟踪工业AI、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。

1、硕士学历； 2、计算机科学与技术、人工智能、软件工程、自动化、控制科学与工程、数据科学、应用数学、统计学等相关专业； 3、精通Python；了解C++者优先（适配边缘端开发）； 4、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； 5、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； 6、具备扎实的机器学习基础，熟悉常用算法原理与训练流程；具备时序数据分析与建模经验；熟练使用Git，具备良好的工程素养； 7、了解工业通信协议（如ModbusTCP/RTU、OPCUA等）者优先；有精密制造、半导体、光电行业AI落地项目经验者优先； 8、对Qwen、DeepSeek、Llama等大语言模型算法原理有深刻了解，掌握Docker容器化技术或者VLLM框架，能够将大模型顺利部署到生产环境中。