工艺智能化算法工程师（南京）(J16746)

1. 整合实验、批记录、DCS/SCADA、PAT、检验及质量等多源数据，完成数据清洗、特征构建、批次对齐、探索分析和数据质量评估;

2. 应用 PCA、PLS、MPCA、回归、树模型、时间序列等方法，开展批次轨迹分析、关键过程参数识别、异常检测、质量/滴度预测和工艺关联分析;

3. 与工艺开发团队共同定义问题、建立假设、解释模型结论，并通过历史数据、实验或后续批次验证模型有效性;

4. 参与工艺窗口识别、关键参数优化、放大/缩小研究、偏差分析等工作;

5. 结合 DoE、贝叶斯优化、统计分析及必要的机理知识，形成“模型洞察—实验验证—知识沉淀”的迭代闭环;

6. 支持上游培养、下游纯化、PAT 在线监测等场景的预测预警和决策建议建设;

7. 参与需求预测、库存与供需分析、异常归因、情景模拟等运营分析场景;

8. 参与补货、产能、排产等优化问题的建模与原型验证，熟悉运筹优化方法者优先;

9. 不要求入职即成为供应链专家，但需具备将复杂业务抽象为数据和决策模型的能力;

10. 使用 Python、SQL 等工具构建可复现的数据分析与建模流程，形成数据口径、特征定义、模型版本和验证记录;

11. 与数据工程、应用开发团队协作，将成熟模型嵌入分析平台、运营工作台或预警流程;

12. 沉淀可复用的方法、代码和业务知识，逐步形成工艺与制造智能化能力体系。

1. 硕士及以上学历，数据科学、统计学、应用数学、计算机、自动化、控制科学、工业工程、化学工程、生物工程等相关专业。优秀本科候选人亦可考虑；

2. 具备 2 年及以上数据分析、机器学习、工业智能、过程建模、供应链算法或相关项目经验；

3. 熟练使用 Python 和 SQL，能够独立完成数据提取、清洗、分析、建模、评估和结果呈现；

4. 具备扎实的统计学和机器学习基础，理解监督学习、无监督学习、时间序列、模型评估、过拟合、数据泄漏、特征工程等核心概念；

5. 具备把模糊业务问题拆解为可验证问题的能力，能清晰说明模型的假设、适用范围、不确定性和验证方法；

6. 具备良好的沟通与协作能力，愿意进入工艺、生产和业务现场，与领域专家共同定义问题并持续学习。

优先条件

1. 有流程工业、制药、生物技术、化工、能源、制造、设备运维或工业自动化场景经验；

2. 熟悉 PCA、PLS、化学计量学、软测量、批次过程建模、过程控制或 PAT 相关方法；

3. 有生物制药上游培养、下游纯化、工艺开发、MSAT、质量分析或实验数据分析经历；

4. 熟悉 DoE、贝叶斯优化、因果分析、仿真、线性/整数规划、OR-Tools、Gurobi 或 CPLEX；

5. 有将模型部署到实际业务流程、数据平台或应用系统中的经验；

6. 有论文、开源项目、竞赛成绩或可展示的工业数据项目成果。