奔驰
AI & Data Solutions
AI & Data Solutions
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Ai Agent
Mlops
Rag
Sql
合规治理
大语言模型(Llm)
数据工程
模型微调
值不值得投
77综合评分
综合评分 77
前沿AI技术栈、端到端交付权责、合规要求严、WLB待确认
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
4.8万
比机器学习工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 180 个在招
市场机会
选择面较广
北京 · 机器学习工程 · 约 540 个在招
职位详情
关于这个职位
负责端到端交付AI/ML解决方案，连接业务需求与技术团队
涵盖从概念验证、模型开发部署到上线后优化监控的全生命周期，需精通Python/SQL及大模型/RAG/Agent技术栈，确保方案合规并产生可量化的业务价值
最低要求
学历要求：计算机科学、数据科学、工程学或相关定量领域的学士及以上学位
拥有MBA或商业背景为加分项但非必需
经验要求：4-7年相关经验，具备从概念到生产部署的AI/ML产品或解决方案交付记录
必须具备在跨职能、矩阵化组织中的工作经验
技术栈要求：熟练掌握Python和SQL
具备大数据处理（如Spark）、MLOps工具链（实验跟踪、编排、模型注册）及生产环境部署的实际操作经验
具备流利的中文和英文商务沟通能力
工作职责
前期（可行性与验证）：
需求转化：将模糊的业务请求转化为清晰的技术规范（FRD）
评估用例的技术可行性、数据准备情况和ROI，确保只推进可行项目
方案设计与POC：将业务问题匹配至最佳技术方案（如AI智能体、RAG知识检索、微调或蒸馏）
主导快速、低成本的POC以降低风险、验证假设并估算总体拥有成本（TCO）
护栏定义：在工程开始前建立AI系统的明确行为边界，定义知识来源、决策逻辑、回退机制和迭代协议
构建与工程（本体与开发）：
知识与数据工程：构建企业知识本体和语义层以统一分散的业务概念和数据孤岛
结构化提示词库和知识库以优化检索和性能
动手模型开发：主导LLM/DL/ML解决方案的技术交付
进行数据调试、算法定制、提示词工程和系统优化，确保方案满足延迟、准确性和可扩展性要求
生产打包：与IT合作将知识、提示词、护栏和评估指标封装为可复用、面向生产的Agent技能和API
后期（优化与持续改进）：
模型微调与优化：负责已部署模型的迭代性能提升
在业务案例证明合理的情况下推动优化工作
监控与反馈循环：实施强大的在线评估和监控系统
跟踪行为合规性、业务KPI和用户反馈
建立“反馈飞轮”以基于实际使用持续重新训练和优化模型
平台倡导：基于动手交付经验向内部IT和平台团队提供关键反馈，帮助演进内部工具链和基础设施以消除瓶颈
赋能（扩展与知识转移）：
业务单元技术支持：为业务单元的自主用例提供专家级动手技术支持，协助自定义调试、超参数调优和解决方案故障排除
标准化与自助服务：标准化工具链并记录经过验证的可复用解决方案
构建针对业务单元的“黄金路径”教程和手册，使内部团队能够自信且自主地构建和扩展AI解决方案
治理与监管监督：
监管合规、AI治理与内部政策对齐：与法务、合规、信息安全及数据保护官紧密合作，确保所有交付方案严格遵循适用的金融监管要求（如央行、金管局规定）、中国《数据安全法》、《个人信息保护法》及严格的内部AI治理与合规政策
优先资格
优先资质要求：具有Agentic工作流或复合AI系统设计模式的前置经验
直接参与构建SFT、RLHF或模型蒸馏项目数据管道的经验
成功赋能多个业务线独立规模化应用AI解决方案的记录
AI 洞察
优缺点分析
优点
- 身处企业中央AI Hub，接触前沿大模型与Agent技术，技术栈领先
- 端到端负责项目交付，权限大且直接对接业务核心场景，成果可见度高
- 合规与治理要求严格，有助于积累高价值的企业级AI落地与风控经验
- 双语言工作环境，国际化平台利于长期职业发展与视野拓展
- 需同时兼顾技术深度与业务广度，对多线程任务管理与沟通协调能力要求极高
- 传统车企数字化转型节奏可能受内部流程制约，跨部门推进存在一定阻力
- 合规与数据安全红线严格，创新试错空间相对有限，需在约束条件下求突破
- 适合具备扎实AI工程基础、渴望在企业级场景中实现技术落地，且擅长跨团队协作的实干型技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向首席AI架构师或AI解决方案负责人方向深耕，主导企业级AI战略落地
- 横向拓展至AI产品管理或技术项目管理，成为懂技术又懂业务的复合型专家
- 随着大模型生态成熟，可转型为AI平台工程或数据智能领域的高级技术管理者
- 负责将模糊的业务需求转化为可落地的AI/ML技术方案，主导从POC验证到生产部署的全流程
- 深入参与大模型、RAG、Agent等技术的开发与优化，搭建企业级知识图谱与数据管道
- 建立模型监控与反馈机制，持续迭代模型性能并确保符合数据合规与安全要求
- 为业务部门提供技术指导与培训，推动AI解决方案的标准化与自助化落地
- 精通Python/SQL，熟悉Spark等大数据处理框架及MLOps工具链
- 掌握LLM/DL/ML核心交付模式，具备RAG、Agent、微调与蒸馏实战经验
- 具备出色的业务翻译能力，能将商业目标拆解为严谨的技术规范
- 熟悉中国数据安全法规与AI治理合规要求，具备跨部门协同交付经验
申请策略
- 提前研究该企业在智能化、自动驾驶或客户体验方面的AI布局，面试时结合业务场景提出见解
- 准备1-2个复杂AI项目案例，用STAR法则清晰阐述技术选型、难点攻克与业务价值产出
- 突出完整AI项目交付履历，重点说明从需求分析、POC到生产上线及效果优化的闭环经验
- 量化展示技术成果，如模型准确率提升、推理延迟降低、业务KPI增长或降本增效数据
- 强调MLOps实践与合规治理经验，体现对数据隐私、模型安全及企业级部署的理解
- 深化Prompt Engineering、RAG架构设计及Agent工作流编排的实战能力
- 补充MLOps流水线搭建、模型监控告警及自动化重训机制的工程化技能
- 加强金融/汽车行业合规标准学习，熟悉PIPL、数据安全法及AI伦理治理框架
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答，突出个人在关键技术节点的主导作用
- 强调数据驱动与业务对齐思维，说明如何通过指标设定、灰度发布和反馈闭环保障交付质量
- 展现合规前置意识，阐述如何在方案设计初期嵌入安全护栏与审计机制
- 请分享一个你主导的从POC到生产部署的AI项目，你是如何控制风险并确保上线效果的？
- 面对模糊的业务需求，你会如何将其转化为可执行的技术方案？请举例说明
- 在资源受限或跨部门协作受阻的情况下，你如何推动AI项目按时交付？
- 如何平衡大模型创新试用与企业级数据安全、合规监管的要求？
- 复习主流大模型架构、RAG优化技巧及Agent设计模式，准备相关代码或架构图解
职位点评
薪资福利78
成长发展88
工作生活65
使命价值72
薪资福利
78中等
该企业提供市场水准以上的薪酬与完善福利，稳定性强，但薪资上限受传统行业薪酬结构限制。
薪资信号市场水准 (3.5千–6.0万/月)
成长发展
88较高
岗位聚焦前沿大模型与Agent技术，提供端到端交付机会与内部技术赋能平台，成长空间广阔。
技术前沿前沿/新兴技术
技术栈LLM、DL、ML、RAG、Agent、Fine-tuning、Distillation、MLOps、Spark
成长机会BU Technical Support、Standardization & Self-Service、Platform Advocacy
业务类型profit_center
工作生活
65中等
跨国企业通常注重工作生活平衡，但未明确弹性办公政策；传统车企节奏相对互联网略缓，整体WLB中等偏上。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
72中等
致力于推动企业级AI规模化落地与合规治理，兼具技术创新与社会价值，但传统车企使命感信号较弱。
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
奔驰 的其他在招职位
相似职位推荐
Watch Jobs