陈明远
深度学习工程师
- 北京市海淀区
- chenmingyuan@example.com
- 13800138000
- 1995-08-15
自我介绍
深度学习工程师，5年AI研发经验，专注计算机视觉与自然语言处理模型落地。擅长从算法研究到生产部署的全链路开发，具备AI协作式研发实践经验，推动多行业智能化升级。
工作经历
智云科技（北京）有限公司 - 高级深度学习工程师北京
2022/03 - 至今
负责公司核心AI产品线的算法研发与工程化落地，带领3人团队完成视觉大模型在工业质检场景的部署。主导模型推理优化与生产系统稳定性建设，推动AI协作式研发流程在团队内的标准化实践。
- 设计并实现基于视觉大模型的工业缺陷检测系统，覆盖6条产线，日均处理图像超200万张
- 建立模型版本管理与A/B测试机制，实现模型迭代的全流程可追溯
- 推动Claude Code与GitHub Copilot在团队内的集成使用，规范AI辅助代码的审查流程
工业视觉大模型质检平台
- 针对传统小模型在复杂缺陷场景下泛化能力不足的问题，基于视觉大模型构建可快速适配新产线的质检平台。平台支持少样本微调、自动数据增强与模型自适应选择，覆盖划痕、凹陷、色差等12类缺陷检测。
- PyTorch + Transformers + TensorRT + Triton Inference Server + Kubernetes + Prometheus
- 作为技术负责人，主导模型选型、架构设计与核心模块开发；制定AI协作式研发规范，要求所有AI生成代码必须经过本地验证、CI检查与人工审查；设计模型路由策略，实现大模型与小模型的动态切换以平衡成本与精度。
- 技术栈: 视觉大模型微调 TensorRT推理优化 Kubernetes服务编排 混合检索与重排序 模型路由与降级
- 挑战: 大模型轻量化部署: 采用知识蒸馏与量化技术，将14B参数视觉大模型压缩至可在边缘设备运行的3B版本，推理延迟从420ms降至85ms，精度损失控制在1.2%以内
- 挑战: AI协作式研发实践: 使用Claude Code进行需求拆解与架构设计，结合GitHub Copilot生成单元测试与文档；建立'AI生成-本地验证-代码审查-安全扫描'四步流程，团队人效提升35%且零线上故障
- 挑战: 混合检索质检知识库: 构建基于语义向量与关键词混合检索的缺陷案例库，引入重排序机制提升检索准确率至94%，新产线适配周期从2周缩短至3天
- 挑战: 可观测性体系建设: 集成链路追踪与模型推理可观测性，实现请求级延迟分析、模型版本漂移检测与自动告警，故障平均定位时间从45分钟降至8分钟
多模态内容理解引擎
- 面向电商场景构建图文多模态理解引擎，实现商品图片的自动标签生成、属性提取与合规审核。引擎日均处理请求量达5000万次，支持文本、图像、视频三种模态的统一表征学习。
- PyTorch + CLIP + BLIP-2 + Milvus + Redis + Kafka + Flink
- 负责多模态模型训练与推理服务开发；设计评测集与回归测试机制，确保模型迭代不引入性能退化；优化向量检索链路，实现毫秒级响应。
- 技术栈: 多模态表征学习 向量数据库优化 流式批处理架构 上下文质量管控 评测集与回归测试
- 挑战: 多模态模型精度提升: 通过对比学习与硬负例挖掘，将图文检索Recall@1从78%提升至89%，在内部评测集上达到业界领先水平
- 挑战: 评测驱动的模型迭代: 建立覆盖12个类目的标准化评测集与自动化回归测试流水线，每次模型更新需通过全部测试用例方可上线，拦截3次潜在精度退化
- 挑战: 推理缓存与成本治理: 设计基于语义相似度的结果缓存策略，热点查询缓存命中率达62%，月度推理成本降低28%
数智未来（杭州）科技有限公司 - 深度学习工程师杭州
2019/07 - 2022/02
作为初创团队核心成员，参与公司AI中台从零到一的搭建。负责计算机视觉算法研发与模型部署，积累从算法原型到生产系统的全栈经验。
- 独立完成人脸识别、OCR等6个算法模块的开发与优化
- 搭建模型训练与部署流水线，实现算法迭代的自动化
- 使用GitHub Copilot辅助代码开发，建立基础的代码审查机制
智能文档OCR系统
- 针对金融、保险行业复杂版式文档，开发端到端OCR识别系统。系统支持印刷体、手写体混合识别，以及表格、印章、签章等关键信息的精准提取。
- PyTorch + DBNet + CRNN + Transformer + Docker + Flask
- 负责文本检测模块开发与端到端系统优化；使用GitHub Copilot辅助生成数据预处理脚本与API接口代码，所有产出均经过本地单元测试与团队代码审查；建立基础的模型版本管理规范。
- 技术栈: 文本检测与识别 注意力机制模型 Docker容器化部署 RESTful API设计 基础模型版本管理
- 挑战: 检测算法精度突破: 改进DBNet损失函数与数据增强策略，在ICDAR2019评测集上H-Mean达到88.5%，较基线提升4.2个百分点
- 挑战: 端到端延迟优化: 通过模型剪枝与批处理优化，将单页文档处理延迟从1.2s降至0.4s，满足实时性要求
- 挑战: AI辅助开发实践: 使用GitHub Copilot生成80%的单元测试用例与API文档，减少重复性工作；建立人工审核流程确保AI生成代码符合安全规范
开源贡献与论文
技术社区与开源贡献
活跃于GitHub与AI技术社区，维护2个深度学习工具库（累计Star 1.2k+）；撰写技术博客30余篇，涵盖模型优化与工程化实践，全网阅读量超50万次
专利与资质
获授权发明专利3项（均与视觉算法相关）；通过TensorFlow开发者认证与AWS机器学习专项认证
专业技能
深度学习框架与模型开发
- 精通PyTorch与TensorFlow，熟练运用Hugging Face Transformers进行大模型微调
- 掌握CNN、Transformer、Diffusion等主流架构的设计原理与调优技巧
- 具备从0到1搭建训练流水线与分布式训练能力
模型推理优化与生产部署
- 熟练使用TensorRT、ONNX Runtime进行模型推理加速
- 掌握Triton Inference Server、Kubernetes的模型服务化部署
- 精通量化、剪枝、蒸馏等轻量化技术，具备延迟与成本的精细化治理能力
AI协作式研发与工程实践
- 深度使用Claude Code进行任务拆解、架构设计与代码生成
- 结合GitHub Copilot完成测试生成与文档更新
- 建立'AI生成-本地验证-CI检查-代码审查-安全扫描'的完整工作流，确保AI辅助代码的质量与可维护性
数据系统与检索增强
- 掌握Milvus、Faiss等向量数据库的优化与调参
- 实现混合检索与重排序策略提升召回质量
- 熟悉上下文质量管控与引用呈现机制，保障检索结果的准确性与可解释性
可观测性与质量保障
- 构建模型评测集与自动化回归测试体系
- 集成链路追踪、指标监控与日志分析实现全链路可观测
- 设计模型路由、降级与熔断机制，保障高并发场景下的服务稳定性
大模型工程化与系统集成
- 具备LLM推理服务开发经验，熟悉流式输出、批处理调度与缓存策略
- 掌握Prompt/模型版本管理与A/B测试方法
- 理解MCP集成中的权限边界与安全校验机制
教育经历
浙江大学 - 硕士信息与通信工程学院 信号与信息处理
2016/09 - 2019/06
研究方向：计算机视觉与深度学习
- 核心课程：高等数字信号处理、机器学习、深度学习、优化理论与算法、计算机视觉
- 学术成果：发表SCI/EI论文3篇，其中CCF-B类会议论文1篇；获研究生国家奖学金
- 实践项目：基于注意力机制的医疗影像分割系统，在公开数据集上Dice系数达到92.3%