梅特勒托利多
22254-AI工程师
22254-AI工程师
发布于 大约 7 小时前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
机器学习
深度学习
RAG
模型部署
特征工程
异常检测
嵌入式AI
时序数据建模
传感器信号处理
AI 估算 · 30k–50k
上海AI工程师，上市外企，要求硕士+资深技能，市场薪资较高，14薪合理。
职位详情
关于这个职位
作为AI工程师，你将负责将AI技术落地到精密仪器领域，包括时序数据建模、异常检测、模型部署等
你将参与从需求分析到模型上线的全流程，与业务团队紧密合作，解决实际工业场景中的测量与控制问题
最低要求
研究生及以上学历，计算机、软件工程、电子信息、自动化、数学、AI相关专业
熟悉常用机器学习、深度学习算法，精通时序数据建模、时间序列预测、时序异常检测，能够针对环境时序信号做特征挖掘、趋势建模与误差规律分析
具备环境感知建模、系统辨识、误差建模、自适应校正相关算法基础，能够基于环境干扰因子构建影响机理模型，实现测量误差拟合、补偿与动态参数调优
熟悉嵌入式/边缘端AI部署基本流程，能适配资源受限设备完成机器学习模型落地与可靠推理
熟练掌握Python编程，了解常用机器学习框架，具备数据清洗、特征工程、实验对比、模型评估、结果复盘完整流程能力
对从事软件开发工作充满热情，具备扎实的技术钻研能力和出色的分析与解决问题的能力
具备敏捷开发方法的实践经验，拥有良好的沟通与协作能力，推动团队高效协作和持续改进
思维活跃，有创新意识和强烈的进取心，能够辅导团队成员开展工作
积极主动，具备务实精神和钻研的工作态度
良好的英文听说读写能力，能够支持国际化工作环境
工作职责
需求与方案落地：对接业务需求，拆解 AI 功能场景，输出技术方案、排期规划与落地路径
跟踪 AI 功能上线效果，建立数据闭环，持续迭代优化
模型全流程研发：负责 AI 模型调研、选型、训练、微调及部署落地，保障模型效果与工程化交付
AI 应用系统开发：参与 AI 应用架构设计与开发，包括提示词工程、RAG、Agent、模型推理优化、服务化封装与 API 化输出
数据与特征工程：负责数据清洗、标注、特征工程、数据集构建与质量管控，保障数据供给与数据质量
性能与成本优化：持续优化模型效果、吞吐、延迟与成本，解决稳定性、准确性、性能瓶颈问题
技术沉淀与基建：跟踪 AI 前沿技术并落地业务
参与团队 AI 技术栈建设，沉淀最佳实践、组件库与技术文档，支撑团队高效交付
其他相关工作：根据业务需要，承担 AI 相关研发、支撑与专项任务
优先资格
有仪器仪表、工业测控、传感器信号处理相关项目经验
有RAG、时序大模型、小样本学习、分布泛化/鲁棒建模实践
了解信号处理基础（滤波、频谱分析、传感器数据预处理）
有嵌入式、边缘端模型部署、版本管理实战经验
AI 洞察
优缺点分析
优点
- 世界领先的精密仪器公司，平台稳定，项目具有实际工业价值
- 技术栈前沿，涉及时序大模型、RAG、边缘AI等，成长空间大
- 国际化工作环境，有完善的培训与职业体系
- 工业场景对模型精度和稳定性要求极高，调试难度大
- 需要同时掌握算法、工程和嵌入式部署，知识面要求广
- 外企可能涉及跨时区协作，对英语能力有实际要求
- 适合对工业AI有热情、具备扎实算法功底且愿意深入工程落地的技术型人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术深化：从AI工程师向时序建模、工业AI专家发展，成为细分领域权威
- 架构升级：积累系统设计经验，晋升为AI架构师或技术负责人
- 管理演进：辅导团队成员，逐步转向技术管理岗位（如Team Lead）
- 负责将业务需求转化为AI技术方案，跟进从数据准备到模型部署的全流程
- 重点处理时序数据（如传感器信号），进行预测、异常检测和特征建模
- 开发RAG、Agent等AI应用系统，优化模型性能与部署成本
- 参与团队技术基建，沉淀组件与文档，推动AI技术落地
- 精通时序数据建模和机器学习/深度学习算法，具备信号处理基础
- 熟练Python编程和常用ML框架，有完整的模型开发与评估经验
- 熟悉嵌入式/边缘端AI部署，能解决资源受限场景的推理问题
- 具备良好的问题分析能力、英语沟通能力和敏捷开发实践经验
申请策略
- 关注梅特勒托利多的产品线（如实验室仪器、工业秤），在面试中体现对行业的理解
- 准备一个完整的AI落地案例，从问题定义到效果评估，展示全流程能力
- 突出时序数据建模项目经验，包括预测、异常检测等具体案例
- 展示嵌入式/边缘端模型部署实战经历，强调资源优化技巧
- 列出使用Python及相关框架（如PyTorch、TensorFlow）的完整项目
- 如有传感器信号处理、仪器仪表背景，务必重点描述
- 补充信号处理基础知识（滤波、频谱分析）和小样本学习、鲁棒建模方法
- 熟悉RAG、Agent架构，尝试搭建一个简单Demo
面试指南
- 结构化回答：问题背景→你的方法→具体步骤→结果量化→反思改进
- STAR法则：情境、任务、行动、结果，清晰展示个人贡献
- 请介绍一个你完成的时序数据预测项目，如何处理数据并评估模型？
- 如何在资源受限的嵌入式设备上部署机器学习模型？遇到过哪些挑战？
- 解释RAG的工作原理，以及你如何设计一个RAG系统？
- 如何优化模型推理的延迟和吞吐量？具体措施有哪些？
- 当模型在工业现场表现不佳时，你会如何排查和调优？
- 复习时序模型（LSTM、Transformer、时序大模型）和异常检测算法
匹配度报告
76
综合匹配度
上海外企AI岗，前沿技术栈，薪资福利好，但需现场办公，WLB未明确。
适合人群
适合追求技术成长和职业发展的求职者，对办公灵活性要求不高。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活60
使命价值70
薪资福利匹配
85较高
上海外企，薪资竞争力强，福利完善，但未明确具体数字，薪酬信号为面议。
薪资信号面议 (30K-50K/月)
福利待遇有竞争力的薪酬福利、国际化的工作环境与多元化团队氛围
成长发展匹配
90较高
前沿技术栈（时序大模型、RAG、边缘AI），明确的培训与职业体系，成长路径清晰。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、时序大模型、RAG、Agent、嵌入式AI
成长机会完善的培训与职业体系
业务类型ambiguous
工作生活匹配
60中等
仅现场办公，未提及弹性工作，工业外企可能加班较少但需到岗。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
精密仪器行业稳定发展，但社会影响中性，技术应用偏工业而非直接社会价值。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
梅特勒托利多 的其他在招职位
相似职位推荐
Watch Jobs