AI应用工程师（AI+制造/研发方向）(27届校招)

优缺点分析

角色解读

• 可从AI应用工程师成长为AI解决方案工程师/算法工程师，深入工业大模型与智能体方向
• 积累制造业场景落地经验后，可转向AI项目负责人或行业解决方案专家
• 在研发与生产部署全链路中提升工程化能力，向AI平台/架构方向发展
• 面向制造/研发场景设计端到端AI应用方案，把业务问题转化为可落地的模型与系统方案
• 开发工业大模型和智能体应用，结合工业数据完成模型训练、评测与集成
• 负责AI模型在生产环境部署、性能优化和持续迭代，保障应用稳定运行
• 熟练使用Python，掌握PyTorch或TensorFlow等深度学习框架
• 理解CNN、RNN、Transformer等模型，具备机器学习/深度学习基础
• 熟悉工业数据采集、物联网协议与时序数据分析，了解工业自动化系统
• 有多模态大模型、工业大模型/智能体或制造业AI项目落地经验

申请策略

• 关注上海电气在智能制造、工业互联网和研发数字化方面的业务布局，面试中结合场景表达
• 投递时明确标注2027届校招身份，并准备好项目复现与技术细节说明
• 突出Python、PyTorch/TensorFlow和Transformer等深度学习项目经历
• 重点展示至少一个制造业AI项目，如缺陷检测、参数优化或预测性维护
• 写明工业数据采集、时序数据分析、物联网协议或工业自动化相关实践
• 如有大模型/智能体、多模态模型部署经验，放在显眼位置并量化效果
• 补强工业协议（如OPC UA、Modbus）和时序数据处理能力
• 准备一个端到端AI应用案例，覆盖数据处理、模型训练、部署和性能优化

面试指南

• 项目题按“背景-目标-数据-方法-结果-复盘”结构回答，突出个人贡献和量化指标
• 技术方案题先讲业务约束，再比较模型/工程方案，最后说明评估指标与取舍
• 落地题强调数据质量、系统集成、部署监控和迭代闭环，体现工程化思维
• 请介绍一个你主导或参与的制造业AI项目，说明问题、数据、模型和落地效果
• 如何针对工业缺陷检测/预测性维护任务选择模型并评估效果？
• 你如何理解工业大模型或智能体在制造场景中的应用边界？
• 模型部署到生产环境时，你会如何做性能优化和稳定性保障？
• 你熟悉哪些工业数据采集协议和时序数据分析方法？