长鑫存储CAD AI工程师 | CAD AI Engineer(J16574)
任职要求
【任职要求】： 1. 硕士及以上，计算机科学、电子工程等相关专业。 2. 熟悉Python，了解深度学习框架（TensorFlow/PyTorch），具备大模型调优、部署及落地经验。 3. 了解主流EDA工具链（如Cadence、Synopsys、Mentor等）及芯片设计流程。 4. 有AI+EDA/芯…
工作职责
【工作职责】：EDA智能化 1. 参与AI大模型与EDA工具、芯片设计流程的深度融合，推动智能化EDA平台开发，提升设计效率与自动化水平。 2. 针对芯片设计中的复杂问题（如布局布线、仿真验证、功耗优化等），开发高效AI算法与模型。 3. 探索AI在芯片设计全流程的创新应用，与EDA工具链团队协作完成技术方案设计、算法优化及部署。 4. 跟踪AI+EDA领域前沿技术（如LLM辅助代码生成、多模态设计数据分析），推动技术成果转化。 5. 支持跨部门协作，推动AI技术在芯片设计全流程中的渗透与赋能。
我们是数据可视化部门，是公司业务发展的引擎之一，拥有可视化组件库、AIGC可视化中台、金融数据大屏、数据新闻、动态视频、可视化定制、动效、3D、设计中台等诸多项目，均已经广泛应用于公司的各个业务中。 同花顺数据可视化由浙江大学CAD&CG实验室博士带队，汇聚了最优秀的人员，集产学研为一体，多业务线扩展，B、C、后台等多端应用，您的加入，必将让可视化前沿技术与金融行业碰撞出更有前景的火花！ 职位描述： 参与同花顺数据可视化创新型应用的研发工作，利用可视化技术，结合同花顺大模型技术，开发可视化范式组件与应用，落地有价值的各端用户产品功能，包括但不限于： 1.3D、动画、时间轴、图可视化、叙事可视化的技术调研、程序设计、代码开发、项目重构； 2.针对公司内部自研的可视化组件库，设计并实现面向大模型友好的AIGC可视化能力； 3.团队可视化技术体系的推进落地，完善AI工程化开发的基础建设； 4.承接数据可视化AIGC产品创新需求，设计并实现对用户有价值的AIGC产品功能。
负责AI数据的规划与架构，构建面向未来的多模态数据能力与AI数据供应链，确保数据资产可持续、高质量的支撑领域大模型及各类AI应用的落地与规模化复制 1、AI数据规划与架构设计 1.1 制定面向大模型与AI应用的数据建设蓝图与技术路线 1.2 设计支持多模态AI场景的数据架构（文本、图像、视频、时序数据等） 1.3 规划迭代AI数据供应体系，从数据采集、治理到特征服务的全链路 2、AI数据工程建设 2.1 建立面向 AI 训练/推理的高质量数据质量体系，推动数据源头应用/数据湖仓进行数据改进 2.2 设计多模态数据对齐与融合机制，满足大模型在训练、微调、推理阶段的输入需求 2.3 规划设计特征存储（Feature Store）、向量数据库及 Embedding Pipline的建设 2.4 制定自动标注、数据增强与弱监督等 AI 数据加工方法路径并推动落地
负责AI数据的规划与架构，构建面向未来的多模态数据能力与AI数据供应链，确保数据资产可持续、高质量的支撑领域大模型及各类AI应用的落地与规模化复制 1、AI数据规划与架构设计 1.1 制定面向大模型与AI应用的数据建设蓝图与技术路线 1.2 设计支持多模态AI场景的数据架构（文本、图像、视频、时序数据等） 1.3 规划迭代AI数据供应体系，从数据采集、治理到特征服务的全链路 2、AI数据工程建设 2.1 建立面向 AI 训练/推理的高质量数据质量体系，推动数据源头应用/数据湖仓进行数据改进 2.2 设计多模态数据对齐与融合机制，满足大模型在训练、微调、推理阶段的输入需求 2.3 规划设计特征存储（Feature Store）、向量数据库及 Embedding Pipline的建设 2.4 制定自动标注、数据增强与弱监督等 AI 数据加工方法路径并推动落地
负责制造业 AI 数据基座 的工程化建设与落地，实现从数据采集、治理、加工到 AI Ready 数据服务的全链路，支撑领域大模型及其他 AI 应用的落地。 1、数据预处理与质量提升 1.1 设计自动化数据清洗、异常检测、缺失补全、去噪与归一化流程 1.2 开发 多模态数据解析与对齐 工具链（CAD 文件解析、工业图像与工艺文本对齐、传感器信号同步） 1.3 建立持续化数据质量监控与回溯机制，确保训练数据的稳定性与一致性 2、AI 数据加工与标注 2.1 搭建和维护数据标注平台（CVAT、Label Studio 等），并实现批量标注自动化 2.2 开发数据增强、弱监督、半监督等 AI 数据扩充方法，提高数据多样性与泛化能力 2.3 支持合成数据（Synthetic Data）生成与验证 3、特征工程与向量化处理 3.1 开发特征提取、Embedding 生成与向量化存储（Milvus、FAISS、Pinecone 等） 3.2 建设 Feature Store，为大模型训练、RAG（检索增强生成）与实时推理提供高质量特征数据流 4、数据服务化与API开发 4.1 构建标准化数据 API、特征查询接口及实时数据流服务，供算法与应用调用 4.2 优化数据访问性能、扩展性与安全性，支持高并发 AI 场景