百度数据智能平台解决方案架构师（供应链专家）（J96063）
任职要求
-专业背景与经验：本科及以上学历，理工科或供应链管理相关专业背景
-拥有5年以上半导体、芯片设计/制造、或汽车电子/整车制造行业的供应链管理或信息化项目经验
-本岗位看重实际业务理解与问题解决深度，对应聘者年龄无具体限制，欢迎资深专家投递
-核心能力：卓越的“翻译”能力： 具备极强的逻辑思维，能够熟练使用Visio、Xmind、Axure等工具绘制业务流程图和原型，能够通过文档和语言让技术人员听懂复杂的业务规则
-行业Know-how：…工作职责
-业务需求分析与转译：深入业务一线，调研半导体/汽车供应链中的计划（Planning）、采购（Sourcing）、制造（Making）及交付（Delivering）环节的实际痛点 -负责将复杂的业务逻辑（如晶圆Bank管理、多级委外加工、汽车零部件配套逻辑）转化为清晰的技术语言和系统需求文档，消除业务方与开发团队之间的理解鸿沟 -供应链解决方案规划：基于供应链价值流模型，对半导体、汽车及传统制造等行业客户的端到端供应链进行诊断，识别瓶颈、成本泄漏及风险点 -针对行业特有的长周期、高波动特点，主导设计供应链计划（APS）、采购协同（SRM）或库存管理系统的高阶方案 -构建端到端的业务流程蓝图，确保系统设计能够支持复杂的BOM结构、ECN变更及批次追溯要求 -系统落地与全生命周期管理：协同研发团队进行技术可行性评估，全程跟踪需求开发、测试及上线环节，确保交付成果与业务目标高度一致 -负责新功能的业务验收（UAT），并制定用户操作手册与培训计划，推动系统在业务场景中的实际落地 -流程优化与数据驱动：利用数据分析手段识别供应链瓶颈，提出流程重组或算法优化建议（如安全库存模型优化、需求预测准确率提升） -建立供应链关键指标体系（KPIs），通过数字化看板监控业务健康度
1. 负责智能制造AI平台的整体规划和构建，推动AI工具在汽车生产制造、供应链等场景的落地，提升运营效率与业务创新能力； 2. 负责AI平台架构设计、模块开发、应用部署、性能优化等，完成数据预处理、特征工程、模型训练和评估等工作，确保技术方案的可行性与行业适配性； 3. 完成AI算法的平台化、低代码封装，确保算子的高性能和易用性； 4. 制定智能化发展规划和推进方法，培训、启发、引导智能制造各业务版块逐步提升自主创新能力； 5. 跟踪AI技术前沿动态和发展趋势，拓展与AI厂商、高校、科研机构等合作，推动制造领域人工智能技术研发路径拆解和应用，提出行业创新解决方案； 6. 牵头内部AI赋能培训计划和团队建设，打造具备AI视野、数字化能力以及业务知识的复合型团队。
1.大模型驱动的智能分析系统开发： 构建基于大模型的智能数据分析平台，集成RAG、Agent等框架，实现自然语言交互式数据查询、自动化报告生成及业务决策支持； 开发多模态数据处理系统（文本、图像、时序数据），结合大模型实现智能数据清洗、特征提取及跨模态关联分析； 2. 前沿技术探索与业务落地： 探索大模型与行业场景结合，如智能营销用户增长策略、供应链预测优化、风险智能体（Risk Agent）开发，推动数据智能产品创新。
岗位职责： 1. 基于业务战略及数字化转型方向，结合业界技术/业务发展趋势，识别并规划领先机会点，对标公司SP/BP业务目标，前瞻性设计公司级/领域级IT应用架构蓝图，主导核心竞争力构建； 2. 主导产品的应用架构、数据架构和体验拉通设计，负责输出解决方案，贴合用户需求，提供智能化应用方案，协同IT应用的SP/BP规划和应用架构的研发和实施； 3. 负责系统新增、迭代解决方案的验收和核准发布，操作应用的作业指导的拟制和发行以及用户培训； 4. 负责主导企业数据治理项目，建立数据管理架构和数据质量管理体系，推动融合业务流程嵌入系统流程迭代并实施，保证企业上线数据质量。
1. 系统架构设计 • 主导物流领域大模型应用系统的全生命周期架构设计，包括智能调度引擎、路径优化算法、预测性分析平台等核心模块，构建高可用、可扩展的分布式系统。 • 设计基于大模型的智能决策系统架构，集成多模态数据处理（如物流轨迹、图像识别、自然语言工单）与实时推理能力，支持亿级业务请求的高并发场景。 2. 技术方案落地 • 制定大模型（如LLM、多模态模型）在物流场景的技术实施方案，包括模型选型、微调策略（如领域适配训练）、部署架构（云边端协同）及服务治理方案。 • 开发企业级AI工具链，实现自动化模型监控、弹性资源调度（Kubernetes集群）及灾备容错机制，保障生产环境稳定性。 3. 跨领域协作与优化 • 与算法团队、业务部门深度协作，将大模型能力转化为实际应用（如路径规划、智能调度、营运异常检测、运力预测），推动技术成果在运输、末端配送、中转等环节落地。 • 主导系统性能优化，通过模型压缩（量化/蒸馏）、缓存策略、计算资源调度等技术，降低端到端响应延迟与硬件成本。 4. 前沿技术研究 • 探索大模型与物流科技结合的创新场景（如自主决策Agent、数字孪生），推动RAG增强检索、多Agent协作等新技术在行业标杆项目中的应用。