大数据工程师

一、核心算法研究与突破

1.多模态大模型创新：持续跟进前沿的多模态大模型技术，旨在智慧养殖领域的创新性研究与算法开发。针对生猪表型测定、个体/群体行为分析及环境动态监测等典型问题，依托扎实的优化理论与数理统计基础进行深度数学建模，构建高精度、强泛化能力的求解算法，为智慧养殖的精准决策提供底层核心算法支撑。

2.期货与交易算法：结合运筹学优化、统计建模与机器学习技术，深入分析市场微观结构与历史交易数据，设计并优化智能交易执行算法，为生猪、原料等大宗农产品的期货套期保值与风险对冲提供精准的量化决策支持。

3.精准营养配方算法：基于动物不同生长阶段的营养需求、原料成分波动及实时成本数据，运用线性规划、动态规划等优化理论构建智能配方模型。在保证营养均衡与动物健康的前提下，实现饲料成本的最优控制与精准饲喂。

二、多组学数据整合与分析

1.整合环境动态数据、表型组学与基因组学、转录组学、代谢组学等多模态高通量数据，构建跨尺度关联分析模型，系统挖掘关键基因及其调控网络。基于多组学关联结果，优化基因组选择算法，实现基因型-表型-环境（G×P×E）互作的有效解析，加速优良性状的精准选育与遗传增益提升。

2.构建面向大规模基因组数据的育种分析平台，优化多维度育种评估方法，为分子育种、疾病易感性解析及精准医疗提供标准化数据流程与理论模型支撑。

三、实时大数据采集系统

1.基于多传感器融合架构，开发具备边缘计算能力的高精度数据采集系统。

2.支持多源传感器数据的时间空间同步与实时处理，满足智慧农业精准养殖、环境动态监测等场景需求。

四、核心算法落地与优化

1.负责核心算法的代码实现、模型训练及精度调优，完成在边缘设备上的高效部署，保障算法服务在真实场景中的稳定性与实时性。

2.主导解决算法研发流程中的关键技术难点，与产品、工程团队紧密协作，推动算法方案的持续迭代与落地。1.深厚的数学基础：精通概率论、数理统计、矩阵分析、最优化方法、时间序列和深度学习等基础理论，能够灵活运用数学建模、优化理论及数理统计方法解决复杂的业务问题。

2.原型开发与深度学习：熟练使用 Matlab 进行数学建模、算法原型开发与数值验证；具备扎实的深度学习项目经验，精通 PyTorch / TensorFlow 等主流框架，在计算机视觉、多模态大模型、运筹优化或生物信息学等领域有深入的研究或实际应用经验。

3.扎实的编程能力：精通 C++ 编程，具备优秀的数据结构与算法功底，能够将 Matlab/Python 原型算法高效、可靠地移植到生产环境或边缘设备；熟练掌握 Python，具备良好的工程开发与脚本处理能力。

4.边缘计算与性能优化：熟悉模型轻量化技术，有 CUDA 并行计算优化，或熟悉 TensorRT / ONNX 等边缘端推理部署框架。

5.跨语言协作能力：深刻理解并认同“Matlab/Python 研究原型 + C++ 工程落地”的研发模式，具备跨语言算法重构与性能调优的实战经验。

6.跨界学习与解决问题：具备极强的逻辑思维与抗压能力，对智慧农业、金融量化或生物育种等跨学科领域有着快速学习能力，能够解决算法研发全流程中的关键技术瓶颈。