算法实习生

毫秒级信号数据预处理 负责高频秒级时序信号的清洗、降噪、归一化、分段对齐等数据处理工作，构建标准化的信号分析数据集，保障数据质量与后续分析的准确性。

特征挖掘与模式沉淀 结合业务场景需求，从时域、频域、时频域等多维度挖掘信号的功能特征与异常模式，梳理特征与业务问题的关联规律，沉淀可复用的特征体系。

大模型融合算法开发 基于大语言模型能力，设计并实现信号问题的自动定位、智能分类、辅助根因分析等算法方案，探索大模型在时序信号分析场景的落地路径，提升问题排查效率。

分析工具开发与优化 将算法能力封装为可复用的分析工具、脚本或可视化功能，支撑业务团队的日常问题排查与数据分析需求，持续优化工具的易用性与分析效果。

业务需求对接与迭代 深度理解业务场景与痛点需求，协同业务、研发团队对齐算法目标，根据业务反馈持续迭代优化特征体系与算法方案。

本科及以上在读学生，计算机科学与技术、电子信息、自动化、统计学、数学等相关专业，2027 届及以后毕业生优先。

具备扎实的数据处理能力，熟练使用 Python 语言，精通 Pandas、NumPy 等数据处理库，能够独立完成时序数据的清洗、统计与分析工作。

掌握机器学习、深度学习基础理论，熟悉分类、异常检测、时序分析等常见算法，有相关项目、竞赛或科研经验者优先。

了解主流大语言模型的使用逻辑与调用方式，有 Prompt 工程、大模型 API 开发、RAG 应用等相关经验者优先。

具备良好的业务理解能力与逻辑思维，能够快速拆解业务需求并转化为可落地的算法方案，有较强的沟通协作与问题解决能力。

实习保障：每周可到岗 4 天及以上，实习周期不少于 3 个月，可长期实习者优先。 加分项 - 有时序信号处理、故障诊断、工业监控、运维 AIOps 等相关领域项目或研究经验 - 熟悉 SciPy、PyWavelets、librosa 等信号处理工具库，有信号特征工程实战经验 - 熟悉 PyTorch、TensorFlow 等深度学习框架，有模型微调、小模型蒸馏相关经验 - 有大模型 Agent 开发、数据分析工具化产品、可视化看板开发经验 - 具备较强的工程落地能力，能够独立完成从算法原型到工具化输出的全流程