# 2024 年「[資訊科技產業專案設計](https://hackmd.io/@sysprog/info2024)」課程第 3 次作業

[resume](https://docs.google.com/document/d/1r_2_T3yUHB5eU_2hxLgsCJR9VRiFObMm4HpMK5KDTrg/edit?usp=sharing)
---

## 1. [PERC Techfile and Automation Flow Developer](https://www.1111.com.tw/job/130399025/)
:::spoiler 工作項目、應徵條件
### 基本資訊
- 公司名稱：TSMC (台積電)
- 工作地點：新竹市（新竹科學園區）
- 工作經驗：不限
- 學歷要求：大學或碩士

### 工作項目
1. PERC (Programmable Electric Rule Check) Techfile 開發：

- 開發和維護 PERC 技術文件，以確保準確且高效的電氣規則檢查。
- 與設計團隊合作，理解並實現規則需求。
- 根據反饋和技術進步不斷改進技術文件。
2. 自動化流程開發：

- 設計和實現自動化流程以簡化組織內的各種流程。
- 使用腳本和程式設計技能開發高效且可擴展的自動化解決方案。
- 與跨部門團隊密切合作，將自動化流程整合到現有系統中。
3. 品質控制（QC）流程開發：

- 開發 QC 流程以確保設計規則檢查和其他流程的準確性和可靠性。
- 實施穩健的 QC 措施以在設計過程中及早檢測和解決問題。
- 根據新技術和方法需要維護和更新 QC 流程。
4. 客戶支援與問題解決：

- 提供與 PERC 技術文件和自動化流程相關的技術支援。
- 作為客戶與內部團隊之間的橋樑，確保客戶滿意。
- 記錄並跟進客戶問題，提供及時更新和解決方案。
5. 與 EDA 合作夥伴的工具功能參與：

- 與 EDA 合作夥伴合作，參與新工具功能的開發和實施。
- 了解 EDA 工具和技術的最新進展。
- 向合作夥伴提供反饋和建議以增強工具功能。

### 應徵條件
1. 熟悉 C++、Python 或 Java 等程式語言。
2. 具備良好的問題解決能力和團隊合作精神。
3. 有軟體開發相關實習或專案經驗者佳。
:::

## 2. [AI訓練工程師](https://www.104.com.tw/job/8jrjn?jobsource=joblist_bact_n)
:::spoiler 工作項目、應徵條件
### 基本資訊
- 公司名稱：昀揚科技股份有限公司
- 工作地點：新北市三重區重新路五段609巷14號5樓之3（距捷運先嗇宮站約380公尺）
- 工作經驗：不限
- 學歷要求：專科以上

### 工作項目
1. 設計、開發和優化 AI 模型。
2. 建立數據管道並部署模型。
3. 與後端工程師和利益相關者合作。
4. 跟進 AI 領域的最新發展，例如大型語言模型（LLM）。

### 應徵條件
1. 計算機科學、人工智能或相關領域的碩士或博士學位。
2. 在自然語言處理（NLP）、大型語言模型（LLM）或推薦系統方面有經驗。
3. 熟練掌握數據收集、模型訓練、微調、評估和部署流程。
4. 廣泛的深度學習、機器學習、統計和優化知識。
5. 精通 Python 編程，熟悉相關庫如 PyTorch、TensorFlow 或 scikit-learn。
6. 具備優秀的問題解決能力、組織能力和溝通能力。
### 加分條件
1. 有構建線上 AI 服務的經驗。
2. 曾在頂尖 AI 會議上發表論文。
3. 熟悉 AI 領域的最新發展。
4. 具備 1 年以上 AI 相關經驗。
5. 熟悉 PHP、MySQL。
### 人格特質
1. 個性開朗、具備抗壓性。
2. 具備獨立分析問題和解決問題的能力。
3. 擁有良好的開發文件撰寫習慣，樂於解決開發問題及瀏覽原始碼。
4. 具備強學習能力及執行力。
5. 重視團隊合作。
6. 擅長工具
6. LLM、NLP、Python
### 工作技能
AI、自然語言處理（NLP）、語言模型（LLM）、生成式 AI、機器學習（Machine Learning）、人工智慧、演算法設計、深度學習。

:::

## 3. [IT Engineer 資訊工程師](https://www.104.com.tw/job/7gphp?jobsource=joblist_bact_n)
:::spoiler 工作項目、應徵條件
### 基本資訊
- 公司名稱：台灣伊格爾博格曼股份有限公司
- 工作地點：高雄市路竹區北嶺二路18號（南科高雄園區）
- 工作經驗：3年以上
- 學歷要求：大學
- 薪資待遇：月薪 40,000 元以上（固定或變動薪資因個人資歷或績效而異）

### 工作項目
1. 資訊系統維運管理（伺服器、備份與災復、ESXi vSphere 平台、軟體授權主機、SQL、SCCM 安裝佈署）。
2. BPM 電子簽核流程維護及管理。
3. 網路、CISCO、資訊設施維運。
4. 與使用者溝通，解決一般電腦軟硬體問題。
5. 執行主管交辦事項。
6. 配合不定時出差至台北及彰化辦公室。

### 職務類別
- 雲端工程師
- 資訊設備管制人員
- 系統工程師
### 加分條件
1. 熟悉 JavaScript 或 Python 者佳。
2. 熟悉 Azure AD、Entra ID、Intune 者佳。
### 語文條件
- 英文：聽 / 中等，說 / 中等，讀 / 中等，寫 / 中等。

:::

# 自身評估
## Requirements
以下總結上述職位的要求：

### 基本技能要求
1. **程式語言**：
- C++
- Python
- Java

2. **技能專長**：
- 熟悉 Python、JavaScript 和 SQL，能快速開發數據管道和後端服務。
- 具備電腦視覺和機器學習應用的豐富經驗，曾參與影像分類和物件偵測相關專案。

3. **多媒體與影像相關知識**：
- 多媒體相關技術 (Multi-Media)
- 影像處理原理 (Image Processing)
- 電腦視覺 (Computer Vision)
- 電腦繪圖 (Computer Graphics)
- 數位訊號處理 (Digital Signal Processing)

---

### 進階技能與加分條件
1. **Linux 開發經驗**：
- Linux Kernel 驅動開發經驗
- Linux Kernel 或 Open Source 上游貢獻經驗

2. **專業背景相關經驗**：
- NVIDIA 技術與 SDK 使用經驗
- 優化 AI、影像處理或多媒體演算法的經驗
- 高效能計算 (HPC) 或並行處理經驗

3. **技術整合能力**：
- 擁有數據分析或系統優化相關經驗
- 熟悉雲端技術或大規模資料處理技術 (TSMC 特別提到)

---

### 學術要求
1. **需附上學歷文件**：
- 大學/研究所成績單

2. **相關課程修習經驗**：
- 必修課程：
- Multi-Media
- Image Processing
- Operating System
- Software Engineering
- Data Structure
- 選修課程或進階課程：
- Computer Graphics
- Computer Vision
- Digital Signal Processing
- Computer Architecture

## 學歷
- 國立成功大學 資訊工程所 碩士(在學)
- 嘉義大學 應用數學系 學士
## 具備相關能力
- 熟悉python/C++
- 熟悉影像處理/電腦視覺
- 熟悉DL/ML/RL相關開發
- leetcode 寫了92題

# Mock Interview

# 模擬面試紀錄

## 角色設定
👨‍💼：Interviewer
👨‍🎓：Interviewee

---

### 問題一：單例模式（Singleton Pattern）的實現與應用

👨‍💼：請說明什麼是單例模式，並解釋它在軟體開發中的應用？

👨‍🎓：
- 定義：單例模式是一種設計模式，確保一個類別在整個應用程式中只有一個實例，並提供一個全域訪問點來存取該實例。
- 實現：
在 C++ 中，透過將建構子設為私有，並提供一個靜態方法以創建或返回該唯一實例。
使用 std::mutex 來確保多執行緒環境中的安全性。
- 應用：
在需要共享資源的情況下，例如日誌系統（Logger）、資料庫連接池（Database Connection Pool）或設定管理器（Configuration Manager）。

---

### 問題二：快取設計與快取替換策略
👨‍💼：快取設計中，如何決定快取替換策略？常見的策略有哪些？

👨‍🎓：
- 決定替換策略的考量：
1. 系統資源（記憶體大小、CPU效能）。
2. 資料訪問的頻率與模式（例如熱點資料）。
3. 延遲需求（需要快速反應的系統）。
- 常見策略：
2. LRU（Least Recently Used）：淘汰最久未被使用的資料，適用於資料訪問模式有明顯局部性的情況。
3. LFU（Least Frequently Used）：淘汰最少被使用的資料，適用於訪問次數重要的場景。
4. FIFO（First In, First Out）：按資料進入快取的順序淘汰，簡單但效能可能不理想。

---

### 問題三：優化深度學習模型效能
👨‍💼：在部署深度學習模型時，你會如何優化模型的效能以滿足實時需求？

👨‍🎓：
- 方法 1：模型壓縮
- 量化（Quantization）：將浮點數模型轉換為整數，降低計算和記憶體需求。
- 裁剪（Pruning）：刪除模型中對輸出影響較小的權重，減少計算量。
- 方法 2：硬體加速
- 使用 GPU、TPU 或專用的推理加速器進行部署，提升運算效能。
- 方法 3：優化推理框架
- 利用 TensorRT、ONNX Runtime 等工具，對模型的計算圖進行優化並生成高效執行的二進位檔案。
- 實例：我曾經將一個影像分類模型壓縮後部署到 NVIDIA Jetson 平台，使用 TensorRT 優化後，推理速度提高了約 3 倍。