贝克休斯
Lead Engineer, Disciplinary Engineering and Science - Mathematics & Data Science
Lead Engineer, Disciplinary Engineering and Science - Mathematics & Data Science
发布于 6 个月前基层主管/组长
Florence, Firenze, Italy
专家级经验
全职员工
混合式弹性办公
学历未注明
研究与开发 (研发)
优化算法
强化学习
时间序列分析
机器学习
模型预测控制
涡轮机械
边缘计算
不确定性量化
AI 估算 · 75k–110k
该职位要求AI与工程领域的顶尖复合型技能，且承担领导职责，在能源转型这一高价值赛道中，市场竞争力强，薪资水平位于行业前列。
职位详情
关于这个职位
这是一个面向能源行业的AI专家领导岗位
你将作为团队负责人，主导将人工智能技术应用于产品设计优化、仿真与控制等领域，开发并部署生产就绪的AI解决方案
核心目标是利用智能技术，使能源产品更高效、可靠、安全和可持续
最低要求
具备为工程应用定义AI解决方案技术要求和期望的经验
深刻理解用于回归、分类和异常检测任务的机器学习与AI算法，并能应用于具有不确定性量化和可解释性要求的表格数据
拥有将AI算法应用于动态数据源（时间序列）进行回归、聚类、异常检测和不确定性量化的经验
具备整合多源数据模型和混合建模方法的经验
拥有为3D/图数据类型定义模型的经验
拥有优化算法（例如，基于梯度、基于模型、非参数化等）和主动学习的经验
具备传统控制算法校准、模型预测控制（MPC）和强化学习（RL）的经验
掌握Python、C++等软件编程语言
具备现代智能体框架要求的工作知识
在将AI应用于工程领域方面，拥有紧跟行业趋势和技术发展的良好记录
具备模型部署技术和边缘服务的工作知识
具备涡轮机械热力学、化学、转子动力学的工作知识
具备数据库、测试驱动开发和敏捷开发方法的工作知识
工作职责
与多学科团队合作，定义用于产品优化和仿真（性能、可制造性、可控性）的新AI驱动工程工作流程
领导关于AI与工程方法结合的研究与开发项目的技术开发
根据客户和技术要求，开发和集成AI应用的软件组件
检查内部和外部数据源的可用性和相关性
提议并领导新的数据收集活动
清理和验证数据
与AI产品负责人合作定义项目技术目标和需求
与AI工程师合作定义项目软件架构及维护/再训练策略
与工程领域专家合作，使AI技术适应行业需求
优先资格
拥有仿真与控制背景和AI经验
AI 洞察
优缺点分析
优点
- 平台与视野：在全球能源技术巨头工作，能接触到大规模、高复杂度的真实工业问题，项目影响力和可见度高
- 技能复合性：处于AI与传统工程（控制、仿真）的交叉前沿，能构建极具市场竞争力的稀缺技能组合
- 工作模式：提供远程和弹性工作时间，兼顾了工作效率与个人生活平衡
- 结果导向：开发的是生产就绪的解决方案，对模型的可靠性、可解释性和性能有极高要求，容错率低
- 适合拥有深厚AI技术背景，同时对解决物理世界和工业中的复杂问题充满热情，并希望在领导岗位上产生实际影响的资深工程师或科学家
缺点 / 挑战
- 行业前景：直接参与能源转型这一确定性趋势，工作具有长期的社会价值和技术挑战性
- 技术门槛极高：需要同时精通AI算法和特定工程领域的深层知识（如转子动力学），学习和保持领先的压力大
- 问题复杂性：解决的是工业级复杂问题，涉及多学科协作、数据质量不一和严苛的部署要求，挑战巨大
角色解读
- 技术路径：可以从AI专家成长为首席科学家或技术院士，专注于前沿AI与工程交叉领域的研究与创新
- 管理路径：凭借领导项目和技术团队的经验，可以向研发经理、技术总监等管理岗位发展，负责更大的技术战略和团队
- 行业专家路径：在能源转型这一全球性议题中积累深厚经验，可成为该领域备受认可的AI解决方案顾问或创业者
- 你将作为技术负责人，领导将AI算法（如机器学习、优化算法）应用于能源产品的设计、仿真和控制优化项目中
- 你需要与产品经理、AI工程师和领域专家紧密合作，定义技术方案，并负责从数据准备、模型开发到边缘部署的完整AI解决方案生命周期
- 你的工作重点是解决实际的工程问题，例如通过预测性维护、缺陷检测或设计优化来提高产品的效率和可靠性
- 深厚的AI/ML技术栈：精通Python/C++，掌握回归、分类、异常检测、时间序列分析、优化算法（梯度法、模型法）及不确定性量化
- 工程领域知识：必须具备将AI应用于工程场景的能力，特别是对控制理论（MPC, RL）和涡轮机械等特定物理过程的理解
- 全栈AI部署能力：需要熟悉从模型开发、测试驱动开发到在云和边缘环境部署生产级代码的完整流程
申请策略
- 深入研究贝克休斯在能源转型和数字化方面的具体业务和产品，在申请材料中体现出你对公司使命的理解和认同
- 准备具体案例，说明你过去如何应对数据稀缺、多源数据融合或模型在不确定环境下的部署等挑战
- 重点展示将AI/ML成功应用于解决实际工程问题（如控制、仿真、预测性维护）的项目经验，并量化其影响（如效率提升百分比）
- 突出你在跨学科团队中的领导或核心贡献角色，特别是在定义技术方案、协调资源和推动项目落地方面的经历
- 详细列出你精通的特定技术栈，特别是Python/C++、优化算法、MPC/RL以及任何与边缘部署相关的经验
- 如果有能源、工业或重型机械行业的经验，或对涡轮机械等特定领域有了解，务必明确写出
- 如果对控制理论（特别是模型预测控制MPC）或特定工程物理（如热力学）不熟悉，建议通过课程或项目快速补强
- 深入了解现代MLOps和边缘计算部署的最佳实践和工具链，确保能将模型高效、可靠地投入生产
面试指南
- 使用STAR法则（情境、任务、行动、结果）来结构化你的项目回答，重点强调你的个人行动和贡献所带来的可衡量结果
- 对于技术问题，从问题定义、数据考量、算法选择、实验验证到部署考量进行系统性的阐述，展示你全面的思考过程
- 在回答协作类问题时，突出你的沟通技巧、换位思考能力以及将技术语言转化为业务价值的能力
- 请描述一个你领导过的、最复杂的将AI应用于工程优化或控制的项目
- 你遇到了哪些主要挑战，是如何解决的？
- 当为一个新的工程问题设计AI解决方案时，你的技术选型和架构设计流程是怎样的？如何平衡模型复杂性与可解释性、部署成本？
- 请解释一下你在时间序列异常检测项目中是如何进行不确定性量化的？这对工业应用为何重要？
- 你如何将强化学习或模型预测控制与传统控制方法结合来解决一个具体问题？
职位点评
Watch Jobs