徐工集团
AI算法与软件
AI算法与软件
发布于 1 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平台建设
大模型
强化学习
模型部署
深度学习
值不值得投
薪资怎么样
1.5万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
公司还在招多个职位
6 个在招
职位详情
关于这个职位
该岗位隶属徐工集团新能源动力板块，主要负责跟踪AI前沿趋势，开展深度学习、强化学习、大模型等方向的算法研究与软件部署，并建设维护公司内部的AI技术共享与交付平台
适合希望在制造业与新能源场景中落地AI算法的技术人才
最低要求
计算机技术、人工智能、信息与计算科学等专业优先
（职位描述中未明确学历层次与工作年限要求
）
工作职责
负责跟踪最新AI发展趋势和算法模型，负责开展深度学习、强化学习、大模型等AI技术研究及软件部署
负责构建和维护AI技术共享和交付平台
AI 洞察
优缺点分析
优点
- 岗位同时覆盖算法研究与工程部署，技术面宽，利于积累完整落地经验
- 大模型、强化学习属于当前热点方向，技能可迁移性强
- 依托大型装备制造集团的新能源板块，业务场景真实、数据资源相对丰富
- 平台建设职责能锻炼架构与工程能力，不只停留在调参
- 制造业AI落地常受数据质量、样本规模与业务约束限制，研究成果转化周期偏长
- 岗位职责宽泛（研究+部署+平台），需要较强的自我驱动和多任务并行能力
- JD未说明团队规模与技术栈，入职后需快速适配既有工程体系
- 适合具备扎实深度学习基础、希望把AI算法真正落地到工业与新能源场景，并能接受研究与应用并重的技术型求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术纵深方向：从算法工程师成长为AI算法专家/技术负责人，主导大模型与强化学习在工业场景的落地
- 横向拓展方向：向AI平台架构、MLOps、智能制造算法解决方案等复合型岗位发展
- 业务融合方向：深入新能源动力业务，成为懂工艺、懂数据的行业AI专家
- 持续跟踪AI领域最新论文、开源模型与算法进展，评估其在新能源动力业务中的可用性
- 开展深度学习、强化学习、大模型等方向的算法研究与原型验证，并把模型工程化部署到实际业务系统
- 建设并维护公司内部的AI技术共享与交付平台，沉淀可复用的模型、工具与流程
- 与业务、软件、硬件团队协作，推动AI能力在制造与动力产品场景中落地
- 扎实的机器学习与深度学习基础，熟悉常见网络结构与训练调优方法
- 至少掌握一种主流框架（PyTorch/TensorFlow），具备Python工程化开发能力
- 了解强化学习、大模型微调与推理部署（如LLM、微调、向量检索、推理加速等）中的至少一个方向
- 具备模型服务化部署经验与平台化思维，能把算法封装为可交付的能力
申请策略
- 提前了解徐工新能源动力板块的产品方向（电池、电驱、动力总成等），面试中主动结合场景谈算法落地
- 关注集团校招/社招渠道差异，若为应届生可重点走校园招聘批次
- 突出深度学习/强化学习/大模型相关的项目经历，写明模型结构、数据规模与效果指标
- 强调工程化与部署经验，如模型服务化、推理加速、Docker/K8s部署、MLOps流水线
- 若有平台或工具建设经历（内部算法库、训练平台、模型管理），务必单独成段呈现
- 列出计算机、人工智能、信息与计算科学等相关专业背景与竞赛、论文成果
- 补齐大模型相关技能：微调（LoRA/PEFT）、RAG、推理优化与评测方法
- 强化工程侧能力：Python工程规范、模型服务化（FastAPI/Triton）、容器化部署
面试指南
- 项目类问题用STAR结构：业务背景—你的方案与取舍—关键指标结果—复盘与改进
- 开放设计题先明确目标与约束（数据、算力、时延、业务价值），再给分层方案，最后说明评估指标与迭代路径
- 平台类问题从“能力沉淀、复用、交付效率”三个角度展开，强调标准化接口与流程规范
- 请介绍一个你完整负责的深度学习项目，从数据处理到上线部署是怎么做的？
- 你如何理解大模型在企业内部落地？会怎么设计方案并评估效果？
- 强化学习在工业/动力场景中可以应用在哪些问题上？你有什么思路？
- 如果要把团队的算法能力沉淀成共享平台，你会如何设计它的功能与架构？
- 模型线上效果下降时，你的排查思路是什么？
Watch Jobs