猿急送>

广州其它兼职程序员

ID：403013

蕴要自信

算法工程师

公司信息：
互联网公司

工作经验：
8年

兼职日薪：
500元/8小时

兼职时间：
下班后
周六
周日
可工作日远程

所在区域：
广州
天河

技术能力

拥有8年以上工作经验的AI算法工程师，我拥有深厚的技术栈和实战经验，专注于以下核心领域：

1. 图像识别与计算机视觉：
* 核心技术：精通各类神经网络架构 (包括但不限于 CNN、Transformer 系列如 ViT、Swin Transformer)，目标检测（YOLO系列、Faster R-CNN），图像分割（U-Net, Mask R-CNN），图像分类、OCR，以及生成模型在图像领域的应用（如 GANs 可控生成、Diffusion Models）。具备处理大规模图像数据集、数据清洗及增强的经验。
* 行业应用：成功开发过工业质检（缺陷自动识别）、医疗影像分析（病灶分割与分类）、遥感图像解译（地物识别）、零售场景分析（顾客行为/货架分析）等落地项目。
2. 知识库构建与应用：
* 技术掌握：深入理解并实践知识图谱构建流程（知识抽取NER/RE、知识融合、本体构建）、向量数据库（如 Milvus, FAISS, ChromaDB, Pinecone）的选型、部署与优化，熟悉 RAG 技术栈的各个组件。
* 应用场景：专注于构建高效、精准的企业级问答系统、智能客服知识库、文档智能检索平台，解决海量非结构化信息的高效组织和查询难题。
3. 大型语言模型：
* 模型理解与应用：熟悉主流大模型架构（如 GPT、LLaMA 系列、ChatGLM、Qwen、ERNIE等），具备大模型微调（PEFT技术如 LoRA/QLoRA、Prefix-tuning、Prompt Tuning）、模型压缩（量化 Quantization、剪枝 Pruning）、推理加速部署等关键技术能力。
* 开发经验：熟练使用 Hugging Face Transformers、LangChain、LlamaIndex 等工具链进行大模型应用开发。具备将大模型能力与知识库（RAG）、工具调用（Function Calling）、Agent框架结合的能力，构建复杂的智能应用。
4. 全链路 AI 工程化能力：
* 模型训练与部署：熟悉 PyTorch、TensorFlow 等深度学习框架，具备模型分布式训练经验，熟悉容器化技术（Docker）、API 化部署（如 Flask/FastAPI）以及云服务平台（AWS/GCP/Azure 或国内平台）的使用。
* 数据处理与优化：具备扎实的 Python、数据处理（Pandas/Numpy）、SQL 等基础，关注模型性能优化（推理速度、资源占用）、效果评估指标设计与监控。

核心价值：我的优势在于不仅具备前沿算法的理解和开发能力，更能从实际业务问题出发，设计和部署可落地的端到端（End-to-End）AI解决方案，特别是在融合图像识别、知识库信息检索与大模型理解推理能力方面，能创造出更强大的智能应用（如多模态交互、图文联合理解与分析、智能文档处理IDP等），帮助企业解决复杂问题并挖掘数据价值。

项目经验

以下是我在企业级知识库智能化升级项目中的核心经验，结合了图像识别、大模型与知识库技术，实现了从数据治理到智能应用的完整闭环，显著提升了企业知识管理效率：

项目一：企业知识库智能分类与意图识别系统

项目背景

某大型制造业企业原有知识库存在文档分类混乱、搜索效率低（平均检索耗时>2分钟）的问题。传统关键词匹配无法理解用户意图，导致关键文档利用率不足30%。

技术方案与创新

1. 多模态文档智能分类
- 基于Transformer架构构建文档特征提取模型，融合文本（BERT嵌入）、图像（CNN提取布局特征）和元数据（作者、版本等），实现PDF/PPT/表格等11类文件的自动分类。
- 针对扫描件OCR文本模糊问题，引入对抗生成网络（GAN）增强训练数据，提升脏污文档的识别鲁棒性。分类准确率达98.7%（工业界平均为92%）。
2. 用户意图识别引擎
- 采用层次化意图识别框架：
- 第一层：基于BiLSTM+CRNN的粗粒度意图分类（如“查询制度”“技术问题”）；
- 第二层：结合知识图谱与微调大模型（Qwen-7B）解析细粒度需求（如“2024年差旅报销标准”需关联财务制度、城市分级数据）。
- 通过用户行为序列建模（点击/停留时长），动态优化意图预测结果，使搜索意图匹配准确率提升至91%。
3. 知识库增强与RAG优化
- 构建企业专属知识图谱：从非结构化文档中抽取实体（产品型号、流程节点）和关系，存入Neo4j图数据库，支撑语义推理。
- 设计动态权重检索机制：根据用户角色（如财务/工程师）调整知识库检索优先级，关键信息召回率提升35%。

落地效果

- 知识库平均查询响应时间从120秒降至3.2秒，文档利用率从30%提升至85%；
- 支持125路高并发访问，赋能HR、法务等部门实现智能问答，替代60%人工咨询。

项目二：事物自动化处理系统

创新点

- 事物分类模型：采用YOLOv5改进版识别扫描件中的印章/签名区域，结合CRNN提取文字信息，实现合同、发票的自动归档（准确率99.2%）。
- 工作流引擎：基于LangChain构建智能体（Agent），自动触发文档审批、版本合并等操作，事务处理效率提升200%。

技术栈：Python/PyTorch/Transformer/Hugging Face/Neo4j/LangChain

价值总结：通过AI重构企业知识流，将静态文档库转化为动态智能中枢，为业务决策提供实时支持。