高薪招聘Golang开发工程师（AI+物联网方向，远程工作）

高薪招聘Golang开发工程师（AI+物联网方向，远程工作） 我们正在 Senseye 招聘一名后端开发人员。我们是一家预测性维护公司，利用机器学习技术为工业和制造业领域提供服务。我们主要使用 Go 语言技术栈，并支持在英国、美国和德国远程工作。更多信息请查看 Backend Engineer - United Kingdom - Indeed.com，也欢迎直接私信我。感谢您的时间！

4 回复

你好 @dareid ， 希望你一切顺利。

我可以协助你满足你的需求。

如需进一步详细讨论，请通过 Skype 联系我，账号为 cis.garry，或发送邮件至 garry@cisinlabs.com。

期待尽快收到你的回复。

此致， Garry

更多关于高薪招聘Golang开发工程师（AI+物联网方向，远程工作）的实战系列教程也可以访问 https://www.itying.com/category-94-b0.html


你好 @dareid 希望你一切顺利。

我很乐意就你的需求与你合作。 请将需求的完整细节通过我的电子邮件 Vanessa.ci@talentsfromindia.com 发送给我。

非常感谢你的回复。

此致， Vanessa Skype : Vanessa_12766

嗨，Dan，

如果你还在寻找帮助，我对这个职位很感兴趣，因为你想做的事情正好在我的专业领域范围内。

你可以通过 andrewjohnson56782@gmail.com 联系我。

祝好，并祝你度过愉快的一天，

Andrew

这是一个非常吸引人的机会，尤其是对于专注于Go语言在AI和物联网领域应用的后端工程师。Senseye的业务方向（预测性维护）与Go在高并发、实时数据处理和系统稳定性方面的优势高度契合。

从技术栈来看，这个职位很可能涉及以下典型的Go开发场景：

  1. 物联网设备数据采集与通信：编写高性能的TCP/WebSocket服务器或MQTT客户端来接收海量传感器数据。

    // 示例：一个简化的TCP服务器，用于接收设备数据
package main

import (
    "bufio"
    "fmt"
    "net"
    "strings"
)

func handleDeviceConnection(conn net.Conn) {
    defer conn.Close()
    reader := bufio.NewReader(conn)
    for {
        message, err := reader.ReadString('\n')
        if err != nil {
            break
        }
        // 处理接收到的传感器数据（例如：解析、验证、放入消息队列）
        data := strings.TrimSpace(message)
        fmt.Printf("Received from device: %s\n", data)
        // go processSensorData(data) // 通常交给后台goroutine或channel处理
    }
}

func main() {
    listener, _ := net.Listen("tcp", ":8080")
    for {
        conn, _ := listener.Accept()
        go handleDeviceConnection(conn) // 每个连接一个goroutine
    }
}

  2. 实时数据流处理：使用Go的并发原语（goroutine, channel）或框架（如Apache Beam的Go SDK）对数据进行实时清洗、聚合和特征提取。

    // 示例：使用channel进行简单的数据流水线处理
func dataProcessingPipeline(rawDataChan <-chan string, processedDataChan chan<- []float64) {
    for data := range rawDataChan {
        // 1. 解析数据
        parsed := parseSensorData(data)
        // 2. 清洗异常值
        cleaned := removeOutliers(parsed)
        // 3. 提取特征（例如：计算滑动窗口均值）
        features := extractFeatures(cleaned)
        processedDataChan <- features
    }
}

  3. 机器学习模型服务化：构建gRPC或RESTful API，将训练好的模型（可能是Python训练，通过ONNX或自定义格式）部署为微服务，供业务系统调用。

    // 示例：一个简单的HTTP端点，用于模型推理
import (
    "encoding/json"
    "net/http"
)

type PredictionRequest struct {
    Features []float64 `json:"features"`
}

type PredictionResponse struct {
    Score    float64 `json:"anomaly_score"`
    Healthy  bool    `json:"healthy"`
}

func predictionHandler(w http.ResponseWriter, r *http.Request) {
    var req PredictionRequest
    json.NewDecoder(r.Body).Decode(&req)
    
    // 调用模型推理逻辑（可能封装了C库或通过gRPC调用专门的服务）
    score := modelInference(req.Features)
    
    resp := PredictionResponse{
        Score:   score,
        Healthy: score < 0.8,
    }
    json.NewEncoder(w).Encode(resp)
}

  4. 系统监控与可观测性：集成Prometheus、OpenTelemetry等库，暴露关键指标（如请求延迟、设备连接数、推理吞吐量），这对于保障预测性维护平台的可靠性至关重要。

对于符合条件的候选人，除了扎实的Go基础（并发、性能剖析、标准库），还需要了解物联网通信协议（如MQTT、CoAP）、消息队列（如Kafka、NATS）、时序数据库（如InfluxDB、TimescaleDB）以及基本的机器学习运维（MLOps）概念。远程工作的要求也意味着需要具备优秀的异步沟通和自驱力。

回到顶部