岗位职责:
1. 维护模型训练工具链,优化深度学习模型训练框架,支撑深度学习算法部署落地。
2. 深度学习算法应用成果转化,负责深度学习算法的工程化、服务化和产品化。
3. 对深度学习最新算法与架构进行调研,实现,并进行改进。
4. 算法SDK通用框架构建与优化,保证深度学习算法部署落地的高效稳定,可移植可扩展。
方向和机会
1. 人脸比对(Face Recognition):如何提升人脸识别精度,在千万底库中,证明我是“我”?如何在端边产品中“游刃有余”,让模型速度超快的同时,精度还很高?如何做硬核的AI技术,洞悉多种阻隔,适配黑夜白天,纵横国内海外?
2. 活体检测(Face Anti-spoofing):如何在实战中保证落地广度及精度?如何迭代和交付单一任务但是多场景的通用模型?如何优化甚至是解决开集问题?
3. 深度伪造与检测(DeepFake/Face Manipulation/Face Forgery Detection):如何保证篡改真实性瞒过人眼?如何辨识高真实度的假人脸?如何换脸、换声音、换表情、换五官、以及任意换?
4. 物体检测(Object Detection):现有的检测解决方案已经达到最有了吗?下一个在工业界落地的目标检测技术是什么?如何更优雅的让目标检测做到各个场景下通用?
5. 视频理解与分析(Video Understanding and Analysis):如何高效利用海量视频数据?如何利用海量无标注视频提升有监督视频任务的性能?如何生成有意义的视频?
6. 通用表征(General Representation):视觉统一模型是否真的可以实现?如何设计和训练出具有良好迁移能力的模型?如何利用少量数据完成工业模型的生产?
7. 新行业(New Product):是否感觉做的算法一直找不到落地场景?一个满足落地要求的算法应该具备什么样的特质?AI项目还有更大的想象空间吗?
任职要求:
1. 计算机、软件、电子等相关专业,本科及以上学历。
2. 扎实的计算机基础知识,熟悉C/C++开发,编程功底扎实,熟悉数据结构与算法,熟悉linux或嵌入式平台的开发工作。
3. 知晓图像处理的基本操作算法步骤以及功能,有深度学习算法开发或模型调试经验,熟悉深度学习基本原理。
4. 有深度学习研究经验优先,熟悉任一深度学习框架如 PyTorch/TensorFlow/MXNet 的源码,在AI算法部署落地方面有经验优先。
5. 有较强的进行代码调试和解决技术问题的能力,有大中型开源项目或商业项目的开发经验者优先。
6. 实习时间要求半年以上,每周至少4天。