小模型应用开发工程师

1. 机器学习建模与优化： 主导从数据清洗、特征工程、模型选型、训练调优到线上部署的完整机器学习 pipeline。深入业务，针对特定场景（如时序预测、分类、聚类、异常检测）选择和开发最合适的算法，并追求极致的性能与稳定性。 2.专项算法能力 - 时序分析与异常检测：构建精准的用气负荷预测、可再生能源发电功率预测等模型。不仅限于使用XGBoost，还需理解并应用ARIMA、Prophet、LSTM等模型的适用场景与优劣。开发针对管网压力异常、设备运行状态异常、偷漏气行为等的检测算法。精通隔离森林、局部离群因子、一类SVM等算法，并能基于业务规则进行融合创新。 3.特征工程的深度实践：能够从SCADA、IoT传感器、工单、气象等多源数据中，挖掘具有预测能力的特征。 精通特征编码、特征缩放、特征交叉、特征选择等方法，并能够使用FeatureTools等库进行自动化特征生成。深刻理解领域知识在特征构建中的重要性，能与业务专家合作，将专业知识（如流体力学、设备原理）转化为模型特征。 4.模型可解释性与稳定性： 熟练使用SHAP、LIME等工具对模型决策进行解释，增强业务方对AI的信任，并辅助业务洞察。 建立模型的稳定性监控机制，监控模型预测性能和数据分布的漂移，并制定 retraining 策略。 5.大模型技术应用与融合： 探索利用大模型进行数据增强、生成合成样本，或通过提示工程提炼高级特征，以提升小模型性能。 参与大模型应用&优化：微调、提示工程优化以及RAG系统的设计、实现与性能提升。设计并优化多轮对话场景下的Prompt模板，通过Few-shot Learning、Chain-of-Thought等技术提升模型输出质量；AI Agent架构设计及开发建设：设计、开发并部署面向燃气及可再生能源等核心业务场景的AI Agents。