博世
AI Algorithm Engineer_BCSC
AI Algorithm Engineer_BCSC
发布于 5 个月前普通员工/个人贡献者
无锡市
中级经验
全职员工
仅现场办公
硕士
软件工程
供应链
启发式算法
大语言模型
物流优化
算法工程
自然语言处理
计算机视觉
运筹学
AI 估算 · 25k–45k
该职位要求硕士学历及3年以上复合型技术经验，涉及前沿的AI与运筹学交叉领域，在跨国企业平台下薪资竞争力强。
职位详情
关于这个职位
该职位是博世在无锡招聘的AI算法工程师，专注于物流及供应链领域的复杂优化问题
你将运用运筹学方法和启发式算法，结合计算机视觉或自然语言处理（特别是大语言模型）技术，设计并部署可落地的生产级解决方案，以提升业务系统的决策效率和资源利用率
最低要求
计算机科学、运筹学、统计学、自动化、应用数学或相关专业硕士及以上学历，至少3年相关工作经验
具备扎实的运筹学和机器学习基础，能够理解和应用常见的优化模型与求解方法（如线性规划、混合整数线性规划、整数规划、动态规划）
熟悉一种或多种启发式或元启发式算法，并有实际建模和参数调优经验
具备较强的算法工程能力，熟练掌握至少一门编程语言，如Python、C++或Java
对大语言模型有基本了解，包括核心原理（如Transformer、提示工程、推理机制），并能在工程实践中适当应用（如API集成、智能体构建或决策支持模块）
在物流、供应链、制造、运输、仓储、能源或相关领域有实际项目经验，工作年限超过3年，并对实际业务约束和目标函数设计有扎实理解
有将算法从原型推进到生产的经验，深刻理解性能、鲁棒性、可解释性和业务接受度的重要性
具备高级语言编程技能
热衷于维护和扩展广泛的技术技能
优秀的沟通和跨职能协作能力
能够在协作和独立的工作环境中工作
对生成式人工智能和DevSecOps领域有理解和经验
工作职责
对物流及相关业务场景中的复杂优化问题进行建模和求解，包括但不限于路径规划、调度优化、资源分配和库存优化
基于运筹学方法（如线性规划、整数规划、网络流、随机优化）以及启发式和元启发式算法（例如遗传算法、模拟退火、禁忌搜索、蚁群算法、粒子群优化），设计并实现实用、可投入生产的优化解决方案
在计算机视觉或自然语言处理中至少一个领域具备实践经验，并深入实践应用大语言模型技术，包括但不限于检索增强生成、微调、智能体、模型上下文协议和技能
基于业务数据和约束优化算法性能、鲁棒性和可扩展性，确保解决方案能够在规模大、约束多的场景下有效工程化和部署
与产品、业务和系统工程团队紧密合作，将算法能力集成到实际的业务系统中，如运输管理系统、仓库管理系统、订单管理系统和决策支持系统
参与算法性能评估和持续迭代，推动闭环流程，实现并提升优化解决方案的业务价值
AI 洞察
优缺点分析
优点
- 技术复合性强：同时深耕运筹优化和AI两大前沿方向，尤其是LLM的应用，能构建稀缺的交叉领域技术壁垒，职业护城河深
- 平台与业务价值高：在博世这样的工业巨头，能将技术直接应用于真实的、大规模的供应链场景，项目落地性强，成果可见度高
- 行业前景广阔：供应链的数字化与智能化是明确趋势，相关技术人才在制造业、物流、电商等多个行业需求旺盛
- 技术门槛高：需要同时精通运筹学和AI/LLM，并能在实际复杂业务约束下进行创新性融合，对学习能力和工程实践能力要求极高
- 适合拥有扎实数理和编程基础，对解决实际工业优化问题充满热情，并愿意持续学习AI前沿技术（特别是LLM）的工程师
缺点 / 挑战
- 业务理解压力大：算法设计必须紧密结合具体的物流、仓储业务流程和物理约束，需要花费大量时间深入理解业务，沟通成本较高
- 成果衡量复杂：优化效果的评估往往涉及多个相互冲突的业务指标（如成本、时效、资源利用率），平衡各方需求并证明算法价值具有一定挑战
角色解读
- 技术纵深发展：可以成为运筹优化与AI融合领域的专家，或专注于LLM在工业场景的深度应用，向高级算法专家或首席科学家方向发展
- 业务与管理拓展：凭借对业务系统的深入理解，可以向技术产品经理、解决方案架构师转型，或带领算法团队，承担技术管理职责
- 你将运用运筹学（如线性规划、整数规划）和启发式算法（如遗传算法、模拟退火），为物流、仓储、运输等业务场景建立数学模型并求解，解决路径规划、资源调度等核心优化问题
- 你需要将计算机视觉或自然语言处理（特别是大语言模型）的技术，与上述优化能力结合，开发智能决策模块，例如利用LLM进行需求预测或生成调度指令
- 你的工作成果需要从算法原型推进到生产环境，集成到公司的运输管理、仓库管理等实际业务系统中，并持续监控、评估和迭代以提升业务价值
- 扎实的运筹学理论基础和建模能力，熟悉常见的优化问题求解方法，并能熟练运用Python、C++或Java进行算法实现与工程化
- 在CV或NLP中至少一个领域有实践经验，并对大语言模型的核心原理、应用方式（如RAG、微调、智能体构建）有深入理解和一定的工程应用能力
- 对物流、供应链等领域的业务流程和实际约束有深刻理解，能够将复杂的业务问题转化为可量化的数学模型，并设计出兼顾性能与业务可行性的解决方案
申请策略
- 博世作为传统工业巨头转型，非常看重技术的实际落地价值
- 在申请和面试中，多从“解决业务痛点”和“创造商业价值”的角度阐述你的技术方案和经验
- 提前了解博世在汽车技术、工业技术等领域的业务布局，思考AI和优化技术可能的应用场景，展现出你对公司业务的兴趣和思考
- 重点突出与“物流优化”、“资源调度”、“路径规划”等直接相关的项目经验，详细说明你使用的运筹学模型、算法以及带来的具体业务指标提升（如成本降低百分比、效率提升数据）
- 清晰展示你在CV或NLP，尤其是大语言模型方面的实践项目，例如使用RAG构建知识库、对开源模型进行微调、或开发基于LLM的智能体应用，并说明其与业务场景的结合点
- 强调你将算法从研究原型部署到生产系统的完整经验，包括性能优化、处理实际数据、与工程系统集成以及上线后维护迭代的具体过程
- 如果运筹学基础相对薄弱，可以重点复习线性规划、整数规划的建模与求解（如使用PuLP、Gurobi等工具），并学习经典的启发式算法原理与代码实现
- 加强对大语言模型在垂直领域应用模式的学习，特别是检索增强生成和智能体框架的实际开发，可以通过复现相关开源项目来积累经验
面试指南
- 对于项目经历类问题，建议采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你对业务问题的理解、技术选型的理由、遇到的挑战及解决方案，并用量化数据展示成果
- 对于技术方案设计类问题，可以先厘清业务目标和约束条件，然后分步骤阐述：问题定义与抽象、数学模型构建、算法选择与理由、工程实现考虑、预期效果与评估方式
- 请描述一个你解决过的最复杂的运筹优化问题（例如车辆路径问题、作业车间调度），你是如何建模的？使用了哪些算法？最终效果如何？
- 你如何将大语言模型（如通过RAG或智能体）应用到传统的优化问题中？请设想一个具体的业务场景并说明技术方案
- 当算法在测试集上表现良好，但在上线后遇到性能下降或结果不稳定的情况，你会如何排查和解决？
- 请分享一个你与产品经理或业务方紧密合作，成功将算法需求落地并集成到业务系统的项目经历
- 你如何评估一个优化算法解决方案的好坏？会关注哪些核心指标？
- 深入准备1-2个最能体现你运筹优化和AI/LLM能力的核心项目，确保能清晰、流畅地阐述所有技术细节和业务价值
职位点评
Watch Jobs