算法开发&软件开发工程师(J11055)

模型开发与迭代：针对培养基优化、细胞培养参数预测、纯化条件推荐、制剂稳定性预测等场景，设计并实现ML模型；负责数据预处理→特征工程→模型选型与训练→交叉验证→超参数调优的全流程；把算法模型封装为内部可用工具。

可复用Pipeline建设：编写可复用的ML Pipeline代码，建立模型版本控制与实验追踪机制；

模型可解释性：在工艺科学家配合下进行SHAP/LIME等可解释性分析，确保模型输出对工艺人员可理解；

工具链与基础设施：搭建和维护团队模型训练与推理环境；开发面向AI Champion的轻量分析工具（Streamlit/Gradio应用），降低AI使用门槛；

跨板块技术支持：为AI Champion提供模型使用培训和技术答疑；协助各板块进行数据分析与可视化的quick win项目，快速建立信任；

文档与知识沉淀：编写模型开发文档和使用手册，定期组织内部技术分享，维护团队代码仓库和技术Wiki。

负责接口开发、可视化后台、实验数据自动导入、SHAP可解释性模块开发、软件开发。

学历背景：硕士及以上学历，计算机科学、数据科学、生物信息学、化学信息学或相关专业；

专业经验及能力： ① 3年以上ML/DL项目开发经验（博士期间的项目可计入）； ② 精通Python及其数据科学生态（pandas、numpy、scikit-learn、pytorch或tensorflow）； ③ 有结构化数据（表格型、实验记录型）建模的扎实经验，而非仅图像/NLP方向； ④ 理解基础的统计实验设计（DoE）概念，或愿意在入职后快速学习； ⑤ 有良好的代码规范和版本管理习惯（git）； ⑥ 有将模型包装为可交付工具（API、Web App、报告）的经验；熟悉算法：贝叶斯优化、XGBoost、随机森林、多目标遗传算法、主动学习、机理-机器学习混合代理模型；

综合素质：对生物制药领域有好奇心和快速学习意愿（入职后提供4-6周抗体工艺基础培训）；能在业务需求不完美、数据不干净的真实工业环境中工作；加分项：有生物制药/化学/材料科学等实验科学领域数据处理经验、熟悉贝叶斯优化（BoTorch/Optuna）、有RDKit/Biopython经验、有MLOps工具经验（MLflow/DVC）、了解GxP合规基本要求。有前端后端和私有化部署经验。