博世
JMP_Digital Manufacturing & AI （PS）
JMP_Digital Manufacturing & AI （PS）
发布于 6 个月前普通员工/个人贡献者
无锡市
初级经验
全职员工
仅现场办公
硕士
数据分析与科学
数据分析
智能工厂
机器学习
流程优化
预测性维护
AI模型部署
MES
SQL
工业数据
AI 估算 · 18k–25k
作为制造业AI应用的核心技术岗，结合无锡生活成本与博世平台，薪资具备市场竞争力，适合追求技术落地与行业深耕的求职者。
职位详情
关于这个职位
这是一个专注于制造业数字化转型与人工智能应用落地的技术岗位
你将主导预测性维护、智能质检等AI赋能项目，负责从数据采集、分析到解决方案落地的全流程工作
通过跨工厂轮岗，你将深入理解智能工厂的端到端运营，是连接数据科学与工业生产的桥梁角色
最低要求
计算机科学、人工智能、数据科学、自动化、工业工程或相关专业，硕士及以上学历
技能与兴趣：
对人工智能、数据分析及制造业数字化转型抱有浓厚兴趣
具备人工智能/机器学习基础概念认知（如监督学习、异常检测、算法优化）
拥有Python、SQL及数据分析工具的实操经验或相关课程学习经历，熟悉主流人工智能框架
了解制造执行系统（MES）、自动化设备、传感器及工业数据相关知识
软技能：具备分析思维、问题解决能力、业务理解力、沟通能力及适应性
语言能力：中英文流利
工作经验：0-2年工作经验
工作职责
主导人工智能赋能的制造项目，包括预测性维护、智能质量检测、生产计划制定及流程优化等方向
收集、清洗并分析来自制造执行系统（MES）、生产设备、传感器及工业数据平台的数据
将运营过程中的业务痛点转化为数字化及人工智能解决方案
支持数字化产品（人工智能模型、决策支持工具等）在工厂场景的开发与落地部署
与数据科学家、自动化工程师及运营团队协同合作，确保方案的可扩展性与实际业务价值
在各工厂及数字化职能部门间轮岗，建立对智能工厂运营全流程的端到端认知
优先资格
拥有人工智能/数据科学相关实习或项目经验者优先考虑
AI 洞察
优缺点分析
优点
- 平台优势：博世作为工业巨头，能提供真实的、海量的工业场景和数据，是AI技术落地应用的绝佳试验田
- 技能复合：岗位横跨数据科学、软件工程和工业自动化，能培养稀缺的“AI+制造”复合型能力，职业壁垒高
- 视野开阔：轮岗机制让你能深入理解智能工厂从数据到决策的全链条，建立宝贵的行业全景认知
- 行业前景：制造业数字化转型是确定性的国家战略和产业趋势，相关人才长期需求旺盛
- 沟通成本高：需要频繁与不同背景的同事（如老师傅、工程师）沟通，准确理解并转化业务需求是一大考验
- 知识更新快：需要同时跟进AI技术前沿和工业自动化发展，保持持续学习的状态
- 适合对AI技术有热情，并希望将其应用于实体产业、创造实际价值，具备较强学习能力和跨领域沟通意愿的理工科硕士毕业生
缺点 / 挑战
- 技术落地难：工业现场环境复杂，数据噪声大，将实验室模型转化为稳定可靠的工厂应用挑战巨大
角色解读
- 技术专家路径：深耕工业AI算法与模型，成为预测性维护、数字孪生或工艺优化等细分领域的技术专家
- 解决方案架构师路径：积累多个工厂和项目经验后，可转向设计更复杂的端到端智能制造解决方案
- 管理路径：随着经验增长，有机会带领技术团队，负责整个区域或事业部的数字化项目交付与管理
- 你将主导具体的AI制造项目，如利用数据分析预测设备故障（预测性维护），或开发视觉算法进行产品质量自动检测
- 你的日常工作包括从工厂的MES系统、传感器等源头收集工业数据，并进行清洗、处理和分析，为模型提供燃料
- 你需要与运营团队沟通，将“设备停机时间长”等业务问题，转化为“开发一个基于时序数据的异常检测模型”等技术方案
- 你负责支持AI模型或决策工具在真实工厂环境中的部署与调试，确保其稳定运行并产生实际价值
- 核心是数据分析与AI建模能力，需要熟练使用Python进行数据处理（Pandas, NumPy）和机器学习建模（Scikit-learn, TensorFlow/PyTorch）
- 必须掌握SQL，能够从各类工业数据库和MES系统中高效提取所需数据
- 需要对制造业有基本认知，了解MES、PLC、传感器等概念，才能理解数据背后的业务逻辑
- 强大的沟通与协作能力至关重要，因为你需要频繁与数据科学家、工程师和一线操作人员跨团队合作
申请策略
- 在申请前，研究博世在智能制造领域的公开案例或新闻，在面试中展现出你对公司业务方向的了解和兴趣
- 准备好用STAR法则（情境-任务-行动-结果）清晰地阐述你过去的一个数据分析或问题解决项目
- 重点突出与AI/数据分析相关的课程项目、毕业设计或实习经历，详细说明你用了什么数据、什么模型、解决了什么问题
- 量化展示你的技术能力，例如：“使用Python和LSTM模型对某数据集进行时序预测，准确率达到XX%”
- 如果有任何与工业、自动化或硬件相关的经历（如课程设计、竞赛），即使不深入，也值得提及，以体现对制造业的兴趣
- 强调中英文双语能力，以及任何需要团队协作和沟通才能完成的项目经历
- 强化Python数据分析与机器学习库（如Pandas, Scikit-learn）的实战练习，可以找Kaggle上与时间序列预测、异常检测相关的项目练手
- 学习基本的SQL查询，特别是多表关联和窗口函数，尝试理解数据库在业务系统（如ERP、MES）中的作用
面试指南
- 对于技术问题，遵循“理解问题->数据探查->方案设计（含模型选择）->实施验证->结果评估”的逻辑框架来组织答案
- 对于场景题和沟通题，重点展示你的业务理解力和用户思维，即始终围绕“解决什么业务问题”和“为谁创造价值”来展开
- 在回答职业动机类问题时，结合个人兴趣、技能匹配度以及你对行业趋势的认知，表达出长期投入的意愿
- 请分享一个你过去完成的数据分析或机器学习项目，你遇到了什么挑战，是如何解决的？
- 如果工厂一台关键设备的温度传感器数据出现大量缺失值，你会如何处理并继续你的预测性维护分析？
- 如何向一位不懂技术的工厂生产经理解释你开发的“智能质检系统”的价值和原理？
- 你如何看待人工智能在传统制造业中的应用前景和主要障碍？
- 你为什么选择制造业作为你AI职业生涯的起点？
职位点评
Watch Jobs