国际商业机器公司
Data Scientist-Artificial Intelligence
Data Scientist-Artificial Intelligence
发布于 6 个月前普通员工/个人贡献者
北京市
高级经验
全职员工
混合式弹性办公
硕士
数据分析与科学
分布式训练
提示工程
模型微调
软件工程
AI架构
LLM
PyTorch
RAG
TensorFlow
AI 估算 · 35k–65k
该职位要求顶尖的AI与大模型工程技能，涉及前沿的RAG和LLM优化，技术壁垒高，市场人才稀缺，因此薪资竞争力强。
职位详情
关于这个职位
这是一个专注于AI架构设计与实现的数据科学家职位，隶属于IBM的‘SDLC AI Agent’项目
你将负责利用大语言模型（LLM）技术，通过微调、提示工程和RAG管道优化等手段，支持软件开发生命周期（SDLC）中的用户故事生成、测试自动化等场景
该职位要求你具备扎实的工程能力，并能与客户的私有云及内部AI框架进行集成
最低要求
拥有学士或硕士学位
在LLM微调、提示工程、模型评估、调试及RAG管道优化方面有丰富的实践经验
具备与联想私有云及内部AI框架协作的能力，确保符合治理、数据质量和部署要求
拥有3个以上NLP/大模型项目经验，并在RAG系统开发中担任主导角色（熟悉LangChain/LlamaIndex等框架）
精通完整的大模型优化链条：数据清洗 → 提示工程 → 参数高效微调 → 评估与对齐
熟练掌握PyTorch/TensorFlow，并有分布式训练和多GPU并行计算的实践经验
具备出色的沟通能力和自我驱动力，能够有效领导团队进行技术研发，并确保项目按时高质量交付
工作职责
加入‘SDLC AI Agent’项目，支持AI开发，包括用户故事生成、测试自动化、采购AI以及其他SDLC相关场景
处理模型微调、提示工程、RAG管道优化、评估方法学
与客户的私有云和内部AI框架进行集成
优先资格
拥有预训练万亿参数模型或实现大型行业特定模型经验的候选人优先
AI 洞察
优缺点分析
优点
- 平台优势显著：IBM是科技巨头，拥有丰富的行业资源和客户网络，能提供接触大规模、高复杂度真实业务场景的机会
- 技术前沿：工作聚焦于Agentic AI、RAG、LLM微调等AI领域最热门和前沿的方向，有利于积累极具竞争力的技术栈
- 项目影响力大：参与的‘SDLC AI Agent’项目旨在变革软件开发流程，成果直接影响核心业务效率，职业成就感强
- 交付要求高：项目面向企业级客户，对解决方案的稳定性、安全性、合规性有极高要求，工作严谨细致
- 跨团队协作：需要与客户技术团队、内部不同部门紧密协作，对沟通和项目管理能力是不小的考验
- 适合那些对AI技术有深厚热情和工程实践能力，追求在顶尖平台解决复杂实际问题，并具备良好团队协作精神的资深工程师或科学家
缺点 / 挑战
- 技术复杂度高：需要同时精通AI算法、软件工程和系统集成，且技术迭代迅速，持续学习压力大
角色解读
- 技术路径上，你可以从项目主导者成长为AI架构专家，甚至参与预训练万亿参数大模型的研发，成为领域内的顶尖技术人才
- 在IBM这样的平台，你有机会接触各行业顶尖客户的前沿问题，从纯技术专家向兼具业务洞察力的解决方案架构师或技术顾问发展
- 你将作为AI科学家，负责设计和实现AI架构，以支持软件开发生命周期（SDLC）的自动化，例如自动生成用户故事和测试用例
- 你的核心工作是优化大语言模型（LLM）的应用，包括对模型进行微调、设计高效的提示词，以及构建和优化检索增强生成（RAG）系统
- 你需要将开发好的AI能力与客户（如联想）的私有云环境及IBM内部AI框架进行集成，确保解决方案的落地和部署
- 核心技能是深入理解并实践LLM的全链路优化，包括数据清洗、提示工程、参数高效微调以及最终的模型评估与对齐
- 必须具备扎实的软件工程和AI工程能力，熟练使用PyTorch或TensorFlow进行开发，并拥有分布式训练和多GPU并行计算的经验
- 需要熟悉RAG系统的开发框架（如LangChain/LlamaIndex），并具备将AI解决方案集成到复杂企业IT环境中的能力
申请策略
- 深入了解IBM Consulting的业务和‘负责任的技术创新’理念，在申请和面试中展现你的技术能力与公司价值观的契合度
- 关注‘SDLC AI Agent’项目的业务目标，思考AI如何赋能软件开发全流程，准备好讨论你对这个领域的技术见解
- 重点突出你主导或深度参与的NLP/大模型项目，特别是RAG系统开发项目，详细说明你的技术角色、采用的框架（如LangChain）和取得的量化成果
- 清晰展示你在LLM优化全链条（数据清洗→提示工程→微调→评估）上的具体经验和案例，证明你的技术深度和工程能力
- 强调你使用PyTorch/TensorFlow进行分布式训练、模型调试以及与企业级系统（如私有云）集成的相关经验
- 如果对IBM或客户（如联想）可能使用的特定内部AI框架不熟悉，可以提前了解主流的企业级MLOps和AI部署平台概念
- 深化对Agentic AI（智能体）设计模式的理解，并思考如何将其应用于SDLC等具体业务场景，准备相关的技术设想或方案
面试指南
- 对于技术问题，采用STAR原则（情境、任务、行动、结果）来组织答案，重点突出你的技术决策、解决问题的具体行动以及可量化的成果
- 在回答涉及权衡和设计的问题时，可以展示你的系统性思维，从数据、算法、工程、业务需求等多个维度进行分析
- 请详细描述一个你主导的RAG系统项目，你遇到了哪些挑战，是如何解决和优化的？
- 在LLM微调项目中，你是如何设计评估指标来衡量模型性能提升的？请举例说明
- 当提示工程效果不佳时，你的排查思路和后续优化策略是什么？
- 请谈谈你在PyTorch/TensorFlow上进行多GPU分布式训练时遇到过的问题及解决方案
- 如何将一个AI模型集成到现有的、有严格安全要求的私有云环境中？你会考虑哪些关键点？
- 系统梳理你过往的大模型项目，准备好1-2个深度案例，能够清晰阐述技术细节、遇到的难点及你的贡献
职位点评
Watch Jobs