长鑫存储车规产品后端质量工程师 | Automotive Backend Quality Engineer(J17516)
任职要求
1.本科及以上学历，电子信息工程、微电子、材料科学与工程等相关专业优先考虑
2.熟悉车规产品的质量特性和质量标准，有车规产品质量管理经验优先考虑；
3.掌握车规产品质量管理体系（如IATF16949、VDA6.3、VDA6.5等）的基本要求与应用，能够独立审核车规产品的后端供应商，能够运用质量工具（因果图、柏拉图、控制图等）进行质量问题分析与改进；
4.具备良好的数据处理与分析能力，能够运用统计软件（如 Excel、M…工作职责
1.深入车规产品的后端质量特性，掌握其性能参数、工艺要求及潜在质量风险点，制定针对性的质量管控策略； 2.负责车规产品的后端质量检验标准制定，明确各工艺站点的关键质量特性、检验方法、抽样方案及判定准则； 3.定期对车规产品后端生产制造供应商进行质量评估，收集、整理并分析生产制造的质量数据，包括进货批次合格率、拒收批次情况、质量波动趋势等，形成供应商质量评估报告。针对评估结果，与供应商沟通协商，推动供应商持续改进质量，提升车规产品的生产制造质量水平； 4.对车规产品在后端生产现场出现和客户端反馈的质量问题进行快速响应与深入分析，运用质量分析工具（如因果图、柏拉图、鱼骨图等）查找问题根源，制定有效的纠正与预防措施，防止质量问题的再次发生。
1、构建车规级工具链平台：负责搭建并优化组织级配置管理平台，推动持续改进与优化，提高研发效率与质量。 2、CI/CD 流程建设与支持：负责产品线级 CI/CD 流程的搭建和维护，包括分支策略、编译构建、单元测试、代码扫描等，提升软件交付效率。 3、配置管理工具平台运维：制定平台策略，负责配置管理工具的安装、配置、运行及维护，及 Linux 服务器运维、数据库备份与迁移等工作。 4、工具开发与优化：主导配置管理工具或质量管理平台的二次开发，包括需求分析、方案制定、资源协调、核心功能开发，以及项目计划的制定、监控和优化。 5、技术支持与培训：为团队提供配置管理技术支持，开展相关工具的培训，帮助团队高效使用配置管理系统。 6、跨部门协作：对接企业信息部及其他横向部门，协调沟通配置工具的管理和部署策略，确保工具链的稳定性与可扩展性。
1.深入了解车规产品的后端封装测试过程质量特性，制定后端封装从产品设计到量产过程质量管理标准和要求，并协同相关团队推动落地及监控执行表现； 2.负责车规产品的后端质量检验标准制定，明确各工艺站点的关键质量特性、检验方法、抽样方案及判定准则； 3.定期对车规产品后端生产制造供应商进行质量评估，收集、整理并分析生产制造的质量数据，包括制程质量指标趋势监控，出货抽样数据表现监控，良率监控等等。针对评估结果，与供应商和内部团队协作，推动持续改进质量，提升车规产品的生产制造质量水平； 4.对车规产品在后端生产现场出现和客户端反馈的质量问题进行快速响应与深入分析，运用质量分析工具（如因果图、柏拉图、鱼骨图等）查找问题根源，制定有效的纠正与预防措施，防止质量问题的再次发生。
1.深入车规产品的后端质量特性，掌握其性能参数、工艺要求及潜在质量风险点，制定针对性的质量管控策略； 2.负责车规产品的后端质量检验标准制定，明确各工艺站点的关键质量特性、检验方法、抽样方案及判定准则； 3.定期对车规产品后端生产制造供应商进行质量评估，收集、整理并分析生产制造的质量数据，包括进货批次合格率、拒收批次情况、质量波动趋势等，形成供应商质量评估报告。针对评估结果，与供应商沟通协商，推动供应商持续改进质量，提升车规产品的生产制造质量水平； 4.对车规产品在后端生产现场出现和客户端反馈的质量问题进行快速响应与深入分析，运用质量分析工具（如因果图、柏拉图、鱼骨图等）查找问题根源，制定有效的纠正与预防措施，防止质量问题的再次发生。
智能驾驶系统产品线大规控部门负责城区、高速、停车场等全场景高阶辅助驾驶系统的规控和预测算法开发，同时搭建完善的仿真评测体系提升研发质量和效率。 开发理念： 打破惯性思维，根据问题本质寻找答案和设计解决方案； 不技术自嗨，守住性能底线后再做技术创新，用实车效果说话； 用数据驱动的思维做开发，做好数据闭环，注重评测迭代； 不做简单的规则堆叠，传统方法要提炼简洁优雅的“解析解”； 重视工具开发，提升研发效率，打开算法黑盒，尽量做解释性强的方案。 精益求精，打磨产品细节，做出亮点，提升产品体验。 1. 负责轨迹预测、行为决策、路径规划和运动控制等算法开发，并完成嵌入式量产平台部署； 2. 基于海量数据进行道路参与者行为预测算法研发，设计高性能、高准召、高稳定的预测模块； 3. 开发交互式决策和预测模型，改善自动驾驶车辆在复杂环境中的应对能力； 4. 负责自动驾驶系统产品级仿真引擎的架构设计，仿真平台自动化测试及可视化工具链的构建； 5. 构建可扩展的云端仿真框架，以在集群环境中运行批量仿真模拟，减少云端部署和运行成本； 6. 构建完善仿真场景库替代大部分路测，同时生成挑战性的场景增广路测能力； 7. 建立数据自动标注、难例批量挖掘和分析机制工具链，通过数据闭环持续提升算法能力。