软件模型开发工程师

了解设备数据采集与分析：对接自动化、电气、软件及工艺团队，梳理设备数据源，包括PLC、SCADA、传感器、MES等，明确数据采集频率、点位含义、时间同步、存储方式与数据质量要求；负责数据清洗、去噪、缺失值处理、异常值识别、多源数据对齐与标准化；

数据分析与特征工程：对设备时序数据进行探索性分析，挖掘温度、压力、流量、液位、电导率、pH、Brix、振动、电流、功率等参数与设备状态、产品质量、能耗之间的关系。构建时域、频域、统计类特征，建立可复用的特征库。将工艺问题转化为可建模的数据问题，定义模型目标与评价指标；

AI模型设计与开发：根据业务场景选择合适算法，包括回归、分类、聚类、异常检测、时序预测、深度学习等。典型场景包括：泵、均质机、换热器等关键设备故障预警与剩余寿命预测；UHT杀菌温度、CIP清洗效果、调配精度等工艺优化；批次质量预测、软测量、能耗优化；设备异常工况识别与根因分析；其它医药，食品相关模型的预测和虚拟环境的搭建。负责模型训练、调参、交叉验证与离线评估；

模型部署与系统集成：将模型部署到云端、边缘端或上位机，提供API或嵌入SCADA/MES系统。与软件、自动化人员协作，实现实时推理、报警推送与可视化展示。关注推理延迟、资源占用、稳定性与安全性；

模型迭代与维护：建立模型监控机制，跟踪数据漂移、概念漂移与模型性能衰减。制定重训练策略，定期更新模型版本，支持A/B测试、灰度发布与回滚。维护模型文档、版本记录、训练数据集与评估报告。负责模型全生命周期管理，推动MLOps流程落地；

跨部门协作与业务落地：与工艺、机械、电气、软件工程师紧密合作，验证模型效果并推动现场应用；参与设备研发项目评审，提供数据智能方向的技术方案，对相关人员进行数据思维与AI应用培训

能力要求：

逻辑思维与严谨性：必须心思缜密，能考虑到各种边界情况和异常分支；

编程与数据能力：精通Python，熟悉SQL，熟练使用Pandas、NumPy、Scikit-learn、Matplotlib/Plotly等； 熟悉至少一种深度学习框架，如PyTorch、TensorFlow； 熟悉XGBoost、LightGBM等常用算法库；

算法与建模能力：扎实的机器学习、深度学习、统计建模基础。熟悉回归、分类、聚类、异常检测、时序预测等方法。熟悉ARIMA、LSTM、Transformer、孤立森林、自编码器等模型。具备特征工程、模型评估、误差分析能力；

工程化与部署能力：熟悉Docker、Git、CI/CD、MLflow等工具。了解FastAPI、Flask、ONNX、TensorRT等模型部署方式。有边缘计算、云端部署或工业现场部署经验者优先；

工业数据与协议：了解OPC UA、Modbus、MQTT、Profinet等工业通信协议。了解PLC、SCADA、MES、时序数据库（InfluxDB、TimescaleDB）者优先。理解设备数据特点：多源异构、高采样率、噪声大、标签少、工况变化大。

特质要求：

专业精通，具备深厚专业知识，能应对复杂挑战；

应变创新，能快速适应变化，以创新思维解决全新问题；

具备较强的业务理解与问题转化能力；

善于与各方沟通协作；

熟悉优化算法、强化学习、数字孪生、机理模型与数据驱动融合；

有专利、论文、竞赛获奖或开源项目贡献优先