崗位目標
負責設計、開發(fā)和部署基于人工智能(特別是模式識別)的模型與算法,賦能智能座艙臺架自動化測試系統(tǒng),實現(xiàn)對復雜座艙環(huán)境(如多路音頻源識別、圖像細微差異檢測、用戶交互意圖理解等)的智能感知、自動化判斷與高效測試。
核心職責
- AI模型開發(fā)與應用:
- 針對智能座艙測試需求(如音頻分類、圖像識別、異常檢測等),獨立或主導進行機器學習/深度學習模型的選型、設計、訓練、調(diào)優(yōu)和驗證。
- 構建高質(zhì)量數(shù)據(jù)集: 設計數(shù)據(jù)采集方案,處理、標注和增強用于模型訓練與測試的音頻(如人聲、音樂、導航提示音、環(huán)境噪音、收音機、報警音等)和圖像/視頻數(shù)據(jù)(如HMI界面元素、儀表盤狀態(tài)、駕駛場景模擬圖像、細微顯示差異等)。
- 開發(fā)核心識別能力:
- 音頻處理: 開發(fā)模型以識別和分類座艙內(nèi)的各種聲音源(如區(qū)分導航語音、藍牙音樂、FM收音機、乘客對話、系統(tǒng)提示音等),檢測音頻異常(如破音、雜音、音量突變)。
- 計算機視覺: 開發(fā)模型以識別HMI界面元素狀態(tài)、儀表盤指示燈/讀數(shù)、屏幕顯示內(nèi)容(如導航地圖信息、媒體信息)、檢測圖像/視頻流的細微差異(如UI渲染錯誤、顏色偏差、文字錯位、畫面卡頓)、模擬駕駛員/乘客行為識別(如手勢、視線)。
- 特征工程: 針對特定測試場景,設計和提取有效的多模模型
- 模型集成與測試自動化:
- 將訓練好的模型無縫集成到現(xiàn)有的自動化測試框架和臺架系統(tǒng)中。
- 開發(fā)自動化測試腳本/模塊: 利用模型輸出結果,編寫或增強自動化測試腳本,實現(xiàn)基于模型識別的自動化判斷、決策和結果驗證(例如:自動判斷當前播放的聲源是否正確;自動檢測UI界面是否符合預期;自動識別測試過程中的異常狀態(tài))。
- 設計基于模型的測試用例: 構思并實現(xiàn)利用模式識別能力的創(chuàng)新性自動化測試場景。
- 性能優(yōu)化與部署:
- 優(yōu)化模型性能,滿足嵌入式環(huán)境或邊緣計算設備(可能在臺架中模擬)對實時性、計算資源和功耗的限制。
- 負責模型的部署、監(jiān)控和維護,確保其在自動化測試環(huán)境中的穩(wěn)定性和可靠性。
- 持續(xù)評估模型在測試中的表現(xiàn),迭代優(yōu)化模型和算法。
- 協(xié)作與溝通:
- 與測試工程師、軟件開發(fā)工程師、系統(tǒng)工程師緊密合作,理解測試需求,定義AI解決方案的技術可行性。
- 清晰地向非技術背景的同事(如測試經(jīng)理、產(chǎn)品經(jīng)理)解釋模型能力、局限性和輸出結果。
任職要求 (硬性技能 - 核心)
- 教育背景: 計算機科學、人工智能、機器學習、模式識別、信號處理、電子工程、自動化或相關領域的碩士及以上學歷(優(yōu)秀本科生需具備非常突出的項目經(jīng)驗)。
- 編程能力: 精通 Python, 熟練使用 TensorFlow /
PyTorch / Keras 等主流深度學習框架。
- AI/ML 基礎: 扎實的機器學習、深度學習理論基礎,熟練掌握常見的監(jiān)督學習、無監(jiān)督學習算法。
- 模式識別專長:
- 音頻信號處理: 熟悉音頻特征提取(MFCC, Spectrogram等)、音頻分類、語音識別基礎、聲源分離等相關技術和庫(如Librosa, PyAudio)。
- 計算機視覺: 熟悉圖像處理(OpenCV)、目標檢測、圖像分類、圖像分割、細粒度圖像識別、圖像差異檢測等相關技術和模型(CNN, R-CNN, YOLO,
Segmentation Models等)。
- 軟件工程能力: 熟悉軟件開發(fā)生命周期,具備良好的代碼規(guī)范、版本控制(Git)和調(diào)試能力。熟悉Linux開發(fā)環(huán)境。
- 模型開發(fā)生命周期: 理解從數(shù)據(jù)準備、模型訓練、驗證評估到部署上線的完整流程。
任職要求 (優(yōu)先考慮 - 加分項)
- 測試領域經(jīng)驗: 有軟件測試、自動化測試經(jīng)驗,熟悉測試框架(如Robot Framework, Pytest, 或其他定制框架)和測試理念。
- 嵌入式/邊緣AI經(jīng)驗: 有模型輕量化、量化、剪枝經(jīng)驗,或有在嵌入式平臺/邊緣設備(如Jetson, Raspberry Pi)部署和優(yōu)化模型的經(jīng)驗。
- 智能座艙/汽車電子背景: 了解智能座艙系統(tǒng)架構、車載信息娛樂系統(tǒng)、車載音頻系統(tǒng)、ADAS相關視覺應用或汽車電子測試規(guī)范。
- 信號處理/時序分析: 對信號處理、時序數(shù)據(jù)分析有較深理解。
- 多模態(tài)融合: 有結合音頻和視覺等多模態(tài)信息進行建模分析的經(jīng)驗。
- 特定工具庫: 熟悉 Scikit-learn, Pandas, NumPy, OpenCV, Librosa 等數(shù)據(jù)處理和領域庫。
- 云平臺經(jīng)驗: 熟悉AWS SageMaker, Google AI Platform, Azure ML等云機器學習平臺的使用。
- C++/Java: 掌握 C++ 或 Java 有助于與底層系統(tǒng)或已有測試框架深度集成。