一、深度学习产业人才岗位能力标准

（一）深度学习产业人才结构

深度学习人才目前属于人工智能产业中的核心人才，其涵盖了深度学习算法研发工程师、深度学习系统工程师、深度学习平台研发工程师、深度学习建模应用工程师、深度学习技术支持工程师等岗位，具体岗位人才结构划分如下图所示。

（二）深度学习人才通用能力

（三）深度学习人才培养专业方向指引

本科专业指引：人工智能、计算机科学与技术、软件工程、智能科学与技术、信息与计算科学

专科专业指引 ：计算机应用技术、计算机网络技术

---

二、深度学习人才岗位能力标准细则

（一）深度学习算法研发工程师能力要素

深度学习算法研发工程师定位于产业研发人才层次，负责深度学习算法和产品的研发，即通过分析问题、收集数据、特征提取、建模、设计算法、评估改进等步骤用深度学习的方法来解决实践中面临的复杂问题。

a）综合能力

——具备扎实的理论基础，精通深度学习手段和建模方法，了解构建深度学习的方法论，能够利用深度学习方法来解决复杂的实际应用问题；

——具有较强的自我学习能力，始终保持对前沿研究领域的关注，能够复现并改进其中的相关工作，将新技术与既有基线系统进行横向对比；

——具备和业务专家、客户沟通的能力，有较强的业务理解能力，问题分析能力，有清晰的逻辑思维；

——拥有快速学习应用的能力和解决问题的能力。能够根据新技术新产品快速构建原型，探索新方案，对解决具有挑战性的问题保持热情。

b）专业知识能力

——具备扎实的算法基础，熟练掌握深度学习算法以及相关的机器视觉、自然语言处理等方向的常用算法，包括但不限于概率推理、图模型、强化学习、迁移学习、对抗学习、有监督学习，非监督学习，大规模优化，语义理解，问答系统，文本分类，图像分类，目标检测等；

——掌握大数据环境下的数据处理能力，如文本、图像、文档、网页等数据的导入、加工、转化等能力。

c）技能能力

——具备扎实的编程开发基础，熟练掌握C/C++、Python、Java、Shell、MATLAB等编程语言;

——熟悉Linux、Hadoop、Spark、Hive等大数据计算工具，掌握Caffe、TensorFlow、Parameter Server、MXNet、PyTorch、Keras等深度学习框架和函数库以及Scikit-learn、Xgboost、LightGBM等基本的深度学习框架和函数库；

——掌握基于消息中间件或调度引擎进行数据流程和算法版本的管理，能够实际实现算法、系统，并进行可重复性的实验，并具备算法验证、开发、迭代和上线的能力。

d）工程实践能力

——具备丰富的算法项目经验及深度学习构建系统研发经验；

——能够对客户实际面临的业务问题进行分析，梳理数据，设计特征方案和建模流程；

——能够设计、研发、部署和监控需要的深度学习算法，解答模型构建过程中的疑问，并能发现现有系统中的不足并提出合理的改进方案。

（二）深度学习系统工程师能力要素

深度学习系统工程师定位于产业研发人才层次，应能够使用领先的深度学习技术提供实际问题的优化方法和解决方案，创造更有价值的产品与服务，通过技术创新推动产品提升或客户业务增长。

a）综合能力

——能够设计领先的深度学习算法、计算框架，持续提升深度学习系统执行效率、可用性和易用性；

——能够对实际问题进行抽象，设计开发深度学习组件；

——具有良好的逻辑思维能力，能够清晰梳理深度学习技术应用于实际问题的思路；

——有较好的框架抽象能力，能从众多具体问题中抽象出共同点并设计出合理的框架实现。

b）专业知识能力

——有良好的数据结构、算法基础，对深度学习算法有较深的了解，熟悉主流的深度学习模型，如CNN、RNN、LSTM、DSN等，熟悉常见分布式深度学习框架的底层设计；

——熟悉主流ASIC硬件，如GPU、FPGA、TPU等，能够根据硬件特性针对性优化软件，提升系统执行效率；

——熟悉多线程、分布式场景下的编程模型，能够设计、研发高可扩展、高可用的分布式深度学习算法。

c）技能能力

——熟悉Linux系统的基本操作；

——熟悉C++、Python、Java等常用编程语言，有良好的代码习惯；

——了解主流的深度学习算法、计算框架。

d）工程实践能力

——在基于分布式计算框架开发经验和大规模数据处理等方面的项目实战经验；

——能够利用机器学习算法、计算框架，提升深度学习系统执行效率；利用深度学习解决实际问题。

（三）深度学习平台研发工程师能力要素

深度学习平台研发工程师定位于产业研发人才层次，负责深度学习建模工具和平台的研发，能够搭 建或利用已有深度学习框架和中间件，帮助建模工程师更高效地实施方案建模，实现前沿深度学习解决 方案的落地。

a）综合能力

——具备扎实的计算机理论基础和研发能力，能够自主设计和搭建深度学习系统;

——对深度学习的建模有深入的认识，了解具体建模方案落地过程的问题并给出解决路径。

b）专业知识能力

——熟悉掌握机器学习理论背景知识，了解机器学习领域的基本概念、常见算法和主流建模方案流程；

——熟练掌握和理解深度学习领域的基本概念和主流神经网络结构，包括但不限于全连接络、卷积神经网络、循环神经网络、递归神经网络，了解不同网络结构的特性和差异， 深入了解神经网络的优化技术，包括但不限于梯度下降、基于动量的优化方法、Dropout、 Batch Normalization、初始化算法等；

——了解各个细分应用领域如视觉、语音、知识图谱、自然语言处理中使用深度学习建模具体问题的方法；

——深入理解深度学习建模技术的工程实现原理，了解计算图、反向传播、参数同步等关键技术的实现细节；

——了解GPU、FGPA等硬件对深度学习计算的加速原理，了解深度学习模型训练和线上服的性能优化方法；了解部署深度学习应用的常见分布式系统原理，包括但不限于Yarn、

Kubernetes、Mesos等；

——保持对深度学习理论与应用前沿研究的关注，并能够快速将前沿方法应用于实践。

c）技能能力

——具备扎实的编程开发基础，熟练掌握C/C++、Python、Java、Shell等编程语言；

——熟悉Flink、Spark等大数据计算工具，精通Caffe、TensorFlow、MXNet、PyTorch、Keras 等深度学习框架的使用；

——熟练掌握Yarn、Kubernetes、Mesos等任务调度系统，熟悉Docker等容器化技术，能够快速地利用上述系统工具部署深度学习应用；

——熟悉移动端深度学习应用的开发。

d）工程实践能力

——具备丰富的深度学习项目研发经验，能够实现深度学习解决方案的开发落地与性能；

——能够利用现有基础设施和框架来提交深度学习训练任务、部署深度学习线上服务；

——能够结合实际建模场景，分析梳理深度学习项目流程中的问题，设计深度学习训练和上线的部署、容错、监控、拓展方案，在研发过程中能够熟练使用大数据分布式系统解决任务调度、服务部署问题；

——熟练使用性能调优工具对模型训练和线上服务的性能问题进行有效地分析、排查和调优。

（四）深度学习建模应用工程师能力要素

深度学习建模应用工程师定位于实用技能人才层次，着重于业务应用和建模能力，包括业务问题的转化，特征工程，深度学习算法原理的掌握和灵活应用。作为深度学习建模应用人才，该层次人才能够 结合业务，实现快速、高效的规模化产出，是深度学习落地行业应用的基础人才与实现保障。

a）综合能力

——能够将具体的业务问题快速转化为可以使用现有深度学习方法解决的问题，评估数据的质量与风险，制定优化目标，建立模型改善业务，从而提升业务效率。

b）专业知识能力

——具备扎实的数学功底，精通深度学习工程师算法中的数学方法；

——熟悉掌握深度学习算法原理和应用，包括不局限于CNN、RNN等；

——熟悉深度学习在图像处理、自然语言处理、语音处理等领域的常见应用。

c）技能能力

——熟悉掌握TensorFlow、Caffe、Torch、MXNet等深度学习框架，并能够在此基础上实现算法；

——熟练掌握编程语言，包括C++、Java、Python、Scala等，具有良好的代码规范，熟悉Linux 开发环境；

——具备扎实的计算机技术功底，熟练掌握常用数据结构，如链表、堆栈树等。

d）工程实践能力

——能够结合实际问题，构建有效的网络结构，通过调整网络结构和参数等完成方案验证，并能够根据业务效果持续做参数调整从而优化效果。

（五）深度学习技术支持工程师能力要素

深度学习技术支持工程师定位于实用技能人才层次，着重于实际解决客户在使用平台的过程中的相关技术问题，通过问题分析和排查解决，确保客户的业务在平台基础上正常运行。

a）综合能力

——具备专业的技术支持素养，能够对客户具体问题进行分析和排查，针对性地为客户提供技术指导，确保客户基于平台的相关问题得到解决；

——具备高效的跨团队沟通能力，配合相关技术或产品团队推动问题解决；

——能够对技术事件进行分析总结，对功能、流程、工具等问题进行分析沉淀，并提出建设性意见，帮助提升客户服务体验。

b）专业知识能力

——熟悉并行计算基本原理及分布式计算框架，熟悉Hadoop、Spark等分布式开发环境；

——了解常用的各类开源框架、组件或中间件；

——熟悉容器技术，如K8s、Docker等；

——熟悉TCP/IP协议，具备网络环境问题排查经验；

——熟练掌握常用数据库的使用，如MySQL、Oracle等。

c）技能能力

——具备一定的编程开发基础，包括但不限于C/C++、Python、Java、Shell、MATLAB等编程语言；

——熟悉掌握Linux的操作使用，具备丰富的Linux/Windows系统维护经验。

d）工程实践能力

——具备一定的大型企业客户服务的项目经验，能够多层次解析出客户具体问题；

——具备工程化项目落地经验，能够快速定位客户诉求，寻找关键问题点。