分析、设计、开发和编程集成软件算法，以在产品和系统应用中构建、分析和利用结构化和非结构化数据。能够使用大规模计算框架、数据分析系统和建模环境。
使用机器学习和统计建模技术来提高产品/系统性能、数据管理、质量和准确性。制定描述性、诊断性、预测性和规范性见解/算法，并将技术规格转换为代码。应用、优化和扩展深度学习技术和算法，使计算机能够可视化、学习和应对复杂情况。记录安装和维护程序，完成编程，执行测试和调试，定义和监控性能指标。
通过将客户需求和行业趋势转化为AI/ML产品、解决方案和系统改进项目，为HPE的成功做出贡献。
贡献对产品或主要子组件具有明显的技术影响。应用深入的专业知识和创新思维解决复杂问题。显著的贡献改善了上市时间，实现了成本降低，或满足了当前和未来未满足的客户需求。被公认为关键技术领域的内部权威，应用创新原则和理念。为重大项目/计划工作提供技术领导。领导或参与跨职能的倡议，并为整个组织的指导和知识共享做出贡献。
职责：
- 开发整个组织的架构和方法论，用于跨多个平台和组织的AI应用设计和开发。
- 负责设计、开发和部署高级机器学习模型和算法。这包括选择适当的技术、数据预处理、特征工程、模型训练和评估。
- 跟踪该领域的最新进展，并领导研究计划以探索新方法和技术。这涉及进行实验、评估新算法并识别创新机会。
- 负责设计AI系统的架构，确保可扩展性、性能和可靠性。这包括优化算法、利用分布式计算框架和使用云服务以实现高效和有效的AI解决方案。
- 与其他团队密切合作，如数据科学家、软件工程师和产品经理。您将合作以理解需求，识别AI集成的机会，并在开发过程中提供技术指导。
- 为初级工程师提供技术领导和指导，指导他们AI和机器学习的最佳实践。审核他们的工作并提供反馈以帮助他们成长和提高技能。
- 监督和指导不同项目的多个设计审查会议，确保设计选择的一致性和遵循最佳实践。作为团队的关键导师。
- 与工程经理和团队负责人合作，建立长期设计和实施策略。
- 领导将反馈循环和持续改进过程纳入的努力。
- 主持会议，确保高效的进度跟踪、问题解决和团队协调。支持工程经理制定会议议程。
- 创建并向执行利益相关者提供高层次的演示和报告，有效传达复杂的技术策略及其对业务目标的影响。
- 应用和利用数据挖掘、数据建模、自然语言处理和机器学习从数据集中提取和分析信息。
- 可能涉及设计和开发复杂应用问题、系统管理问题或网络问题的解决方案，适用于该角色。
教育和经验要求：
- 计算机科学、工程、数据科学、机器学习、人工智能或密切相关的定量学科的学士或硕士学位。
- 通常需要10-15年的经验。
知识和技能：
- 对基本AI和机器学习概念有扎实的理解，包括监督学习和无监督学习、深度学习、强化学习、自然语言处理、计算机视觉和统计建模。
- 熟练实施和部署各种机器学习算法，如决策树、随机森林、支持向量机和神经网络。需要了解流行的机器学习框架和库，如TensorFlow、PyTorch或scikit-learn。
- 深度学习技术、架构和框架（例如卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）等）的专业知识非常有价值。
- 实现和部署机器学习模型所需的强大编程技能。需要精通Python、Java或C++。能够编写干净、高效和可维护的代码，并了解软件工程的最佳实践。
- 擅长为机器学习任务准备和清理数据，包括数据整理、特征提取、降维、处理缺失值和解决数据质量问题。
- 对数学概念有扎实的理解，如线性代数、微积分、概率论和统计学，对于有效设计和评估机器学习模型至关重要。
- 熟练使用数据可视化工具和技术来分析和展示从AI和机器学习模型中获得的见解。创建有意义的可视化并有效地向技术和非技术利益相关者传达复杂概念。
- 熟悉软件工程原则、版本控制系统（如Git）、测试方法和敏捷开发实践非常有价值。这有助于确保AI系统的稳健性、可扩展性和可维护性。
- 跟踪该领域的最新进展，阅读研究论文，参加会议，并为AI社区做出贡献。对持续学习的热情和对创新的推动是必不可少的特质。
- 有领导研究计划、发表研究论文或为AI开源项目做出贡献的经验。
- 有指导和指导其他工程师的经验。
- 强大的沟通技巧对于有效地与跨职能团队合作、向非技术利益相关者解释复杂的AI概念以及为初级工程师提供技术领导和指导至关重要。
