1. 团队与体系管理（占比30%） 团队建设： 负责AI视觉算法科室的升级，包括人才画像定义、招聘、培训、考核及激励，打造高绩效的算法与数据团队。 流程规范： 完善并沉淀工业AI图像训练的标准作业流程（SOP），包括数据采集规范、数据清洗与标注规范、模型训练与评估规范、发版上线流程等。 资源统筹： 合理分配算力资源（GPU集群）、人力资源，统筹内外部数据标注团队的管理与质量把控，实现降本增效。 2. 核心算法与模型训练（占比45%） 技术攻关： 针对工业场景的痛点（如缺陷样本极少、无缺陷样本极多、缺陷特征微小、反光/噪点干扰等），主导小样本学习、无监督/半监督学习、异常检测等前沿算法的落地。 模型训练与调优： 带领团队进行目标检测、语义分割、图像分类等核心模型的训练、调参及优化，确保模型在召回率、精准率及推理速度上满足工业严苛标准。 数据工程： 构建高质量工业图像数据集，主导数据增强策略、难例挖掘及主动学习机制，持续提升模型鲁棒性。 前沿追踪： 持续关注工业视觉及大模型（如Vision Transformer、多模态大模型在工业的应用）的最新进展，推动技术预研与业务结合。 3. 落地交付与跨部门协同（占比25%） 端到端交付： 与硬件、软件开发团队紧密配合，确保AI模型在边缘计算设备（如Nvidia Jetson、国产NPU、FPGA等）上的高效量化、压缩与部署，满足产线实时性要求。 4. 业务赋能： 深入理解制造业务（如3C、半导体、新能源等），与产品经理、现场工程师对接，将业务需求转化为算法解决方案，推动AI项目在真实产线的闭环验收。

1. 教育背景 统招硕士及以上学历，计算机科学、人工智能、自动化、数学等相关专业；博士优先。 2. 经验要求 行业经验： 5年以上计算机视觉/人工智能领域工作经验，其中3年以上工业视觉（AOI/外观检测/智能测量）实战经验。 管理经验： 2年以上技术团队管理经验，有带领10人以上算法/数据团队成功交付项目的经历。 项目经验： 主导过至少2个大规模工业AI图像检测项目的全流程落地（从数据到部署），有处理过千万级工业图像数据者优先。 3. 技术能力 算法功底： 深入理解CNN/ViT等网络架构，熟练掌握目标检测（YOLO系列等）、分割（SAM/U-Net等）、分类等算法及其工业变体。 编程能力： 扎实的Python/C++功底，熟练使用PyTorch/TensorFlow至少一种框架；熟悉Linux开发环境及Git代码管理。 工业特性： 深刻理解工业图像与自然图像的区别，精通针对工业场景的数据增强、难例挖掘、模型轻量化（TensorRT/ONNX/量化剪枝等）技术。 数据工程： 熟悉数据标注平台及质量控制流程，了解主流数据存储与处理技术。 4. 综合素质 具备强烈的责任心和抗压能力，能够适应制造业务的紧迫性； 优秀的跨部门沟通能力，能用业务语言与非技术部门（如生产、质量部门）同频对话； 具备技术前瞻性与商业敏锐度，能平衡“技术极致”与“业务可用”。