技能库 569 个

应用噪声注入、速度扰动、音量调整等技术扩充训练数据，增强语音识别模型鲁棒性。

从结构化或非结构化数据中抽取领域实体和关系，构建知识库并融入NLP模型，提升模型在特定领域的理解与推理能力。

使用PyTorch DDP或DeepSpeed配置多GPU/多节点分布式训练，涵盖数据并行、模型并行和混合精度训练，确保高效、稳定地利用计算资源。

对图像、文本或数值数据进行清洗、归一化、数据增强（如随机裁剪、翻转、掩码等）操作，生成训练/验证/测试集。

使用MLflow等工具系统性地记录机器学习实验参数、指标和模型，确保实验可复现、可比较、可追溯。

将训练好的模型导出为ONNX/TensorRT格式，并实现服务化部署（如Flask/FastAPI），优化推理延迟和吞吐量。

设计并实现文本、图像、音频等多模态数据的特征提取与融合策略（如注意力融合、拼接、门控机制），用于提升多模态任务性能。

使用预训练的Wav2Vec2模型在特定领域数据上进行微调，提升语音识别准确率。

构建CRF、BiLSTM-CRF或Transformer-based序列标注模型，用于命名实体识别（NER）等序列标注任务。

使用准确率、召回率、F1、AUC等指标评估模型性能，并实施超参数搜索（网格搜索、贝叶斯优化）以提升效果。

解析大模型训练日志，根据loss曲线、梯度范数等指标动态调整学习率、batch size等超参数，提升训练效率与模型性能。

设计并生成高质量指令-回答对，用于监督微调

应用剪枝、知识蒸馏、量化（INT8/FP16）等技术减小模型体积，降低计算资源消耗，适用于AI算法工程师在部署大模型时的优化任务。

使用BERT、RoBERTa等预训练模型进行文本分类任务的微调训练

在MMLU、HumanEval等标准基准上对大型语言模型进行性能评估，并生成结构化的对比报告。

使用脚本工具对文本数据进行去重、过滤低质量内容、格式统一等操作，为大模型训练提供高质量数据集。

使用MLflow、Weights & Biases等工具记录实验参数、指标和模型版本，并实现结果对比与回溯。