崗位目標(biāo)
負(fù)責(zé)設(shè)計(jì)、開發(fā)和部署基于人工智能(特別是模式識(shí)別)的模型與算法,賦能智能座艙臺(tái)架自動(dòng)化測(cè)試系統(tǒng),實(shí)現(xiàn)對(duì)復(fù)雜座艙環(huán)境(如多路音頻源識(shí)別、圖像細(xì)微差異檢測(cè)、用戶交互意圖理解等)的智能感知、自動(dòng)化判斷與高效測(cè)試。
核心職責(zé)
- AI模型開發(fā)與應(yīng)用:
- 針對(duì)智能座艙測(cè)試需求(如音頻分類、圖像識(shí)別、異常檢測(cè)等),獨(dú)立或主導(dǎo)進(jìn)行機(jī)器學(xué)習(xí)/深度學(xué)習(xí)模型的選型、設(shè)計(jì)、訓(xùn)練、調(diào)優(yōu)和驗(yàn)證。
- 構(gòu)建高質(zhì)量數(shù)據(jù)集: 設(shè)計(jì)數(shù)據(jù)采集方案,處理、標(biāo)注和增強(qiáng)用于模型訓(xùn)練與測(cè)試的音頻(如人聲、音樂、導(dǎo)航提示音、環(huán)境噪音、收音機(jī)、報(bào)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(chǎng)景模擬圖像、細(xì)微顯示差異等)。
- 開發(fā)核心識(shí)別能力:
- 音頻處理: 開發(fā)模型以識(shí)別和分類座艙內(nèi)的各種聲音源(如區(qū)分導(dǎo)航語音、藍(lán)牙音樂、FM收音機(jī)、乘客對(duì)話、系統(tǒng)提示音等),檢測(cè)音頻異常(如破音、雜音、音量突變)。
- 計(jì)算機(jī)視覺: 開發(fā)模型以識(shí)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(dǎo)航地圖信息、媒體信息)、檢測(cè)圖像/視頻流的細(xì)微差異(如UI渲染錯(cuò)誤、顏色偏差、文字錯(cuò)位、畫面卡頓)、模擬駕駛員/乘客行為識(shí)別(如手勢(shì)、視線)。
- 特征工程: 針對(duì)特定測(cè)試場(chǎng)景,設(shè)計(jì)和提取有效的多模模型
- 模型集成與測(cè)試自動(dòng)化:
- 將訓(xùn)練好的模型無縫集成到現(xiàn)有的自動(dòng)化測(cè)試框架和臺(tái)架系統(tǒng)中。
- 開發(fā)自動(dòng)化測(cè)試腳本/模塊: 利用模型輸出結(jié)果,編寫或增強(qiáng)自動(dòng)化測(cè)試腳本,實(shí)現(xiàn)基于模型識(shí)別的自動(dòng)化判斷、決策和結(jié)果驗(yàn)證(例如:自動(dòng)判斷當(dāng)前播放的聲源是否正確;自動(dòng)檢測(cè)UI界面是否符合預(yù)期;自動(dòng)識(shí)別測(cè)試過程中的異常狀態(tài))。
- 設(shè)計(jì)基于模型的測(cè)試用例: 構(gòu)思并實(shí)現(xiàn)利用模式識(shí)別能力的創(chuàng)新性自動(dòng)化測(cè)試場(chǎng)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(jì)算設(shè)備(可能在臺(tái)架中模擬)對(duì)實(shí)時(shí)性、計(jì)算資源和功耗的限制。
- 負(fù)責(zé)模型的部署、監(jiān)控和維護(hù),確保其在自動(dòng)化測(cè)試環(huán)境中的穩(wěn)定性和可靠性。
- 持續(xù)評(píng)估模型在測(cè)試中的表現(xiàn),迭代優(yōu)化模型和算法。
- 協(xié)作與溝通:
- 與測(cè)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(cè)試需求,定義AI解決方案的技術(shù)可行性。
- 清晰地向非技術(shù)背景的同事(如測(cè)試經(jīng)理、產(chǎn)品經(jīng)理)解釋模型能力、局限性和輸出結(jié)果。
任職要求 (硬性技能 - 核心)
- 教育背景: 計(jì)算機(jī)科學(xué)、人工智能、機(jī)器學(xué)習(xí)、模式識(shí)別、信號(hào)處理、電子工程、自動(dòng)化或相關(guān)領(lǐng)域的碩士及以上學(xué)歷(優(yōu)秀本科生需具備非常突出的項(xiàng)目經(jīng)驗(yàn))。
- 編程能力: 精通 Python, 熟練使用 TensorFlow /
PyTorch / Keras 等主流深度學(xué)習(xí)框架。
- AI/ML 基礎(chǔ): 扎實(shí)的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)理論基礎(chǔ),熟練掌握常見的監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)算法。
- 模式識(shí)別專長(zhǎng):
- 音頻信號(hào)處理: 熟悉音頻特征提?。∕FCC, Spectrogram等)、音頻分類、語音識(shí)別基礎(chǔ)、聲源分離等相關(guān)技術(shù)和庫(如Librosa, PyAudio)。
- 計(jì)算機(jī)視覺: 熟悉圖像處理(OpenCV)、目標(biāo)檢測(cè)、圖像分類、圖像分割、細(xì)粒度圖像識(shí)別、圖像差異檢測(cè)等相關(guān)技術(shù)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(zhǔn)備、模型訓(xùn)練、驗(yàn)證評(píng)估到部署上線的完整流程。
任職要求 (優(yōu)先考慮 - 加分項(xiàng))
- 測(cè)試領(lǐng)域經(jīng)驗(yàn): 有軟件測(cè)試、自動(dòng)化測(cè)試經(jīng)驗(yàn),熟悉測(cè)試框架(如Robot Framework, Pytest, 或其他定制框架)和測(cè)試?yán)砟睢?/li>
- 嵌入式/邊緣AI經(jīng)驗(yàn): 有模型輕量化、量化、剪枝經(jīng)驗(yàn),或有在嵌入式平臺(tái)/邊緣設(shè)備(如Jetson, Raspberry Pi)部署和優(yōu)化模型的經(jīng)驗(yàn)。
- 智能座艙/汽車電子背景: 了解智能座艙系統(tǒng)架構(gòu)、車載信息娛樂系統(tǒng)、車載音頻系統(tǒng)、ADAS相關(guān)視覺應(yīng)用或汽車電子測(cè)試規(guī)范。
- 信號(hào)處理/時(shí)序分析: 對(duì)信號(hào)處理、時(shí)序數(shù)據(jù)分析有較深理解。
- 多模態(tài)融合: 有結(jié)合音頻和視覺等多模態(tài)信息進(jìn)行建模分析的經(jīng)驗(yàn)。
- 特定工具庫: 熟悉 Scikit-learn, Pandas, NumPy, OpenCV, Librosa 等數(shù)據(jù)處理和領(lǐng)域庫。
- 云平臺(tái)經(jīng)驗(yàn): 熟悉AWS SageMaker, Google AI Platform, Azure ML等云機(jī)器學(xué)習(xí)平臺(tái)的使用。
- C++/Java: 掌握 C++ 或 Java 有助于與底層系統(tǒng)或已有測(cè)試框架深度集成。