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。