在本科学习期间，系统地掌握了计算机科学与技术的基础理论和专业知识，包括数据结构、算法设计、操作系统、计算机网络等。通过课程项目和实验，锻炼了编程能力和问题解决能力。积极参与学校组织的学术讲座和技术交流活动，拓宽了技术视野。

• 负责深度学习模型在边缘设备（如智能摄像头、工业机器人控制器）上的部署优化工作。通过对模型进行量化、剪枝等操作，将模型在某款智能摄像头芯片上的推理速度提升了 40%，内存占用降低了 30%。
• 参与公司内部深度学习框架与硬件加速平台的适配工作。针对 GPU 集群环境，优化了分布式训练任务的部署流程，使多机多卡训练任务的部署时间从平均 2 小时缩短至 30 分钟以内。
• 与算法团队紧密合作，将新研发的图像识别算法（识别准确率达 95%）快速部署到实际产品中。主导了产品部署方案的设计与实施，协调测试团队完成了大规模的兼容性测试，确保产品上线后在不同硬件环境下的稳定性。

• 带领团队（5 人）负责公司核心产品（智能安防系统）的深度学习模型部署工作。制定了统一的模型部署规范和流程，使新模型的部署效率提高了 50%。在某大型安防项目中，成功将多个人脸识别、行为分析等模型部署到边缘服务器集群，支持了 1000 + 路视频流的实时分析。
• 深入研究行业前沿的部署技术，引入模型蒸馏技术，将复杂的 3D 目标检测模型（参数量 10 亿 +）蒸馏为轻量级模型（参数量 1 亿以内），在保持检测精度（mAP 下降小于 2%）的前提下，使模型在嵌入式设备上的推理速度提升了 3 倍。
• 与硬件厂商合作，针对新推出的 AI 芯片进行深度学习框架移植和优化。主导完成了框架在芯片上的适配工作，使基于该芯片的产品在图像分类任务上的性能达到行业领先水平（比竞品快 20%）。

项目名称：智能工厂缺陷检测系统模型部署

• 项目背景：工厂原有基于传统视觉算法的缺陷检测系统误检率高（达 15%），无法满足高精度生产需求。引入深度学习目标检测模型（YOLOv5）进行升级。
• 我的工作：
  • 对原始 YOLOv5 模型进行量化（从 FP32 转为 INT8），在保证检测精度（mAP 仅下降 1%）的情况下，模型大小从 60MB 压缩至 15MB，推理速度在工厂部署的工控机（CPU：Intel i7 - 10700）上提升了 2 倍。
  • 设计了模型更新与热部署方案，实现了生产环境中模型的无感知更新，避免了因模型更新导致的产线停机。
  • 优化了数据预处理和后处理流程，将整个缺陷检测流程的延迟从 200ms 降低至 80ms 以内，满足了产线实时检测要求。
• 项目成果：系统上线后，缺陷检测误检率降至 3%以下，为工厂减少了每年约 200 万元的废品损失，提高了生产效率 15%。

项目名称：医疗影像 AI 辅助诊断系统部署

• 项目背景：医疗影像（如 CT、MRI）的 AI 辅助诊断算法（基于 Transformer 架构的分割模型）需要部署到医院的私有云平台，以支持医生快速诊断。
• 我的工作：
  • 针对医院私有云的 GPU 服务器（NVIDIA A100），优化了模型的并行计算策略。通过分布式训练与推理的适配，使模型在多 GPU 环境下的推理速度提升了 4 倍（batch size = 16 时）。
  • 开发了模型部署监控工具，实时监测模型推理的性能指标（如延迟、吞吐量）和资源占用（GPU 显存、内存）。当出现异常（如显存溢出）时，自动触发模型的自适应调整（如降低 batch size）。
  • 参与了与医院信息系统（HIS、PACS）的接口对接工作，确保医疗影像数据能够安全、高效地流入模型进行推理，并将诊断结果准确返回给医生工作站。
• 项目成果：系统在三甲医院试点应用，平均每张影像的诊断时间从人工的 15 分钟缩短至 2 分钟以内，医生对 AI 辅助诊断结果的采纳率达 85%，提高了医院的诊断效率和准确性。