人工智能工程师岗位职责
岗位定位：人工智能工程师主要负责AI算法研发、模型训练优化、数据体系搭建、模型部署落地与迭代运维，结合业务场景输出标准化、可落地、高可用的人工智能技术解决方案，支撑产品智能化升级与数字化业务落地，兼顾技术创新、工程落地与业务价值闭环。
一、核心技术研发职责
1. 负责机器学习、深度学习、大模型、多模态（CV/NLP）等人工智能算法的研究、设计、实现与迭代优化，根据不同业务场景选型适配模型架构，完成算法难点技术攻关。
2. 开展大模型微调、Prompt工程、LoRA微调、量化压缩、蒸馏优化等工作，提升模型准确率、推理速度、泛化能力，降低模型部署成本，适配端侧、服务端多场景落地需求。
3. 跟进行业前沿AI技术，持续迭代技术体系，复现前沿算法模型，结合公司业务完成技术落地与创新升级，搭建适配企业业务的AI技术体系。
二、数据体系建设职责
1. 负责业务数据的采集、清洗、筛选、预处理、特征工程构建，搭建规范、高质量的训练数据集与测试数据集，保障模型训练数据质量。
2. 规范数据标注流程，制定数据标注标准，指导标注团队开展精准标注，解决数据稀疏、数据噪声、样本不均衡等问题，为模型训练、迭代提供稳定数据支撑。
3. 建立数据迭代机制，基于线上业务数据持续更新数据集，实现数据、模型、业务的闭环优化。
三、模型训练与优化职责
1. 搭建模型训练、验证、评估全流程管线，运用分布式训练、混合精度训练等技术提升训练效率，完成模型超参调优、实验对比、效果复盘。
2. 建立完善的模型评估指标体系，从准确率、召回率、稳定性、鲁棒性、推理效率等多维度开展模型评测，输出评测报告，持续优化模型效果。
3. 针对模型幻觉、过拟合、精度衰减、场景适配差等问题进行专项优化，保障模型在真实业务场景的稳定输出。
四、工程落地与部署运维职责
1. 负责AI模型的工程化落地，完成模型封装、接口开发、服务化部署，搭建高并发、高可用、低延迟的AI推理服务体系。
2. 开展模型轻量化、推理加速、资源优化工作，适配服务器、边缘设备、终端等多部署环境，降低算力与服务器资源成本。
3. 负责线上AI服务的日常运维、问题排查、性能监控、故障修复，保障AI系统7×24小时稳定运行，持续优化服务响应速度与可用性。
五、业务对接与需求落地职责
1. 对接产品、业务、运营团队，拆解业务需求，将模糊业务痛点转化为标准化、可落地的AI技术方案，输出需求分析、方案设计、落地规划文档。
2. 参与智能产品、AI赋能项目的需求评审、技术评审、方案落地，配合业务完成智能化功能迭代，实现AI技术赋能业务提效、增收、提质。
3. 跟踪线上AI功能使用数据、用户反馈与业务指标，持续迭代优化模型与功能，形成技术落地、效果评估、迭代升级的完整闭环。
六、技术规范与文档管理职责
1. 遵守团队技术规范与开发流程，规范代码编写、版本管理、实验管理，保障项目可复用、可迭代、可维护。
2. 撰写技术方案、算法文档、模型手册、部署文档、迭代日志、测试报告等全套技术资料，沉淀标准化AI研发与落地SOP。
3. 参与团队技术分享、技术复盘、技术攻坚，搭建团队AI技术沉淀体系，提升整体技术研发与落地能力。
七、合规与风险管控职责
1. 严格遵守数据安全、隐私保护、AI伦理相关规范，规避数据泄露、模型滥用、内容违规、算法偏见等风险。
2. 对AI生成内容、模型输出结果进行风险校验，建立风控机制，保障产品合规、安全、稳定运营。
岗位核心能力要求（配套参考）
1. 熟练掌握Python编程语言，精通PyTorch、TensorFlow等主流深度学习框架；
2. 扎实掌握机器学习、深度学习、大模型微调、特征工程、模型优化等核心技术；
3. 具备完整的AI模型训练、评估、部署、运维全流程落地经验；
4. 具备较强的业务理解能力、问题攻坚能力、逻辑思维能力，可独立完成AI项目从方案到落地的全流程工作。