多模态与机器学习学员_BCSC

项目背景： 聚焦企业工程数字化与办公智能化升级，致力于构建面向复杂业务场景的下一代智能决策与内容理解系统。 在实际工程环境中，我们关注从“模型能力”到“业务价值”的转化路径，推动前沿 AI 技术在办公与工厂生产制造智能辅助决策中的规模化落地，实现从 PoC 到生产级系统的稳定演进。 核心内容： 多模态建模与VLM落地应用 深度参与视觉语言模型（VLM）及多模态大模型在企业场景中的应用研发；围绕文档理解（PDF、扫描件、表格）、图文对齐、语义检索等任务，设计并优化模型结构与推理流程，实现复杂非结构化数据的高质量解析与信息抽取。 参与 Agent 系统的推理控制与编排策略设计，包括思考模式（thinking mode）控制、工具调用（Tool Use）流程管理，以及多层级 Memory 策略的设计与优化， 短期/长期记忆机制的设计， Memory 生命周期管理，提升系统响应效率、推理稳定性与系统可扩展性。 参与工厂的生产制造与质检过程中的人工代替方案，落地Transformer、CNN模型进入生产制造环节 机器学习与特征建模 结合经典机器学习方法，对业务数据进行建模与分析；引入统计学习、概率建模与不确定性估计方法，提高模型在真实场景中的鲁棒性与泛化能力；参与特征工程、数据分布分析及模型评估体系构建。 推动技术工程化与系统落地 推动前沿算法（如 LLM/VLM、RAG、多模态 embedding、Agent 框架等）向工程系统转化；负责模型服务化、推理优化（如 batching、量化、蒸馏）、以及在实际业务系统中的集成与部署，确保系统在性能、稳定性与可扩展性方面满足生产要求。

计算机科学、统计学、人工智能或相关专业背景（硕士及以上优先） 扎实的机器学习基础，熟悉常见模型（如 Transformer、CNN、序列模型等） 有视觉语言模型（VLM）、多模态学习或大模型（LLM）相关经验优先 熟悉至少一种深度学习框架（PyTorch / TensorFlow），具备良好的工程能力 理解统计学习方法（如贝叶斯建模、概率图模型、A/B testing 等）者优先 有实际项目落地经验（如 RAG 系统、文档解析、搜索推荐等）者优先 良好的问题拆解能力与工程抽象能力，能够推动复杂系统从0到1落地 加分项： 有文档理解（OCR、版面分析、信息抽取）相关经验 有大规模数据处理经验（Spark / Ray / 分布式训练） 参与过企业级 AI 系统或平台化建设 有强化学习经历