Schneider logo
施耐德
AI Engineer I

AI Engineer I

发布于 34 分钟前

普通员工/个人贡献者

AI 估算 · 1.8–2.8万 · AI 参考估算
初级经验
学历未注明
全职员工仅现场办公机器学习工程
机器学习工程
Api
云架构
持续集成
数据预处理
机器学习
机器学习框架
模型监控
版本控制
特征工程

值不值得投

74综合评分

综合评分 74

上海初级AI工程岗,技术成长和使命导向突出,办公灵活性与薪资信息未明确

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

2.3万

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 760 个在招

市场机会

选择面较广

上海 · 机器学习工程 · 约 380 个在招

职位详情

关于这个职位

该职位面向初级人工智能工程师,主要负责机器学习模型的开发、测试、部署和监控,并将算法能力转化为可访问的API

你将与数据科学家和分析师协作,围绕实际业务问题构建最小可行产品,推动组织内的数据与AI创新

最低要求

我们在寻找哪些关键技能?

机器学习 — 发展水平
应用算法构建预测模型以解决业务挑战
特征工程 — 发展水平
将原始数据转化为有意义的输入以提高模型准确性
数据预处理 — 发展水平
清理和准备数据集以确保高质量的模型训练
机器学习框架 — 基础水平
使用工具实施和测试人工智能解决方案
编程 — 基础水平
编写代码开发和部署机器学习应用程序
云架构 — 基础水平
利用云平台支持可扩展的人工智能基础设施
版本控制 — 基础水平
管理代码变更和开发团队之间的协作
持续集成 — 基础水平
自动化测试和部署以加快交付周期
什么资质会让你成功?
强大的分析思维和解决问题能力,能够应对复杂的技术挑战
成长型思维,渴望学习新兴技术并拓展专业知识
以客户为中心的方法,理解业务需求并提供有影响力的人工智能解决方案
适应能力强,能够应对不断变化的优先级并在动态快节奏的环境中蓬勃发展

工作职责

你将做什么?

开发、测试和部署机器学习模型,应对业务挑战并改善运营绩效
与数据科学家和分析师合作,创建最小可行产品并将算法转换为可访问的API
自动化基础设施和流程,提高效率并支持数据科学团队
通过模型监控、持续集成和交付最佳实践维护人工智能系统

AI 洞察

优缺点分析

优点

  • 岗位覆盖模型开发、部署、监控和API化,能帮助初级工程师建立较完整的AI工程闭环经验
  • JD明确提到与数据科学家和分析师协作,有利于学习跨职能协作方式
  • 公司强调专业发展资源、认证和导师指导,对早期职业成长较友好
  • 职位要求同时覆盖机器学习、数据工程、云架构和持续集成,初级候选人需要快速补齐多领域基础
  • JD提到动态快节奏环境和不断变化优先级,意味着需要适应需求变化与多任务推进
  • 模型从实验到生产落地涉及监控、部署和稳定性要求,实际工程复杂度可能高于单纯建模
  • 适合具备机器学习基础、希望从模型实验走向生产落地的初级工程师或转岗候选人
  • 尤其适合重视导师指导、协作氛围和业务应用场景的求职者

缺点 / 挑战

暂无明显挑战项

角色解读

  • 从初级AI工程师起步,逐步承担更完整的模型生命周期管理和业务场景落地
  • 后续可向高级机器学习工程师、数据科学家、MLOps工程师或AI解决方案架构师方向发展
  • 随着业务理解加深,也可转向技术负责人或AI产品与业务结合的角色
  • 开发、测试和部署机器学习模型,将算法能力用于解决业务挑战并改善运营绩效
  • 与数据科学家和分析师合作,把原型转化为最小可行产品和可访问的API
  • 负责模型监控、持续集成与交付实践,并自动化相关基础设施和流程
  • 需要掌握机器学习建模、特征工程和数据预处理,能够把原始数据转化为高质量训练输入
  • 需要具备基础编程能力、机器学习框架使用经验,并能通过API方式交付模型能力
  • 还需要了解云架构、版本控制和持续集成,支持模型部署与团队协作

申请策略

  • 申请时重点表达对业务问题落地和协作开发的兴趣,而不仅是算法研究兴趣
  • 可提前了解施耐德电气在自动化、电气化、数字化和可持续发展方向的业务背景,将AI能力与业务场景关联起来
  • 突出机器学习项目经历,说明问题定义、数据预处理、特征工程、模型选择和评估指标
  • 强调模型部署或API化经验,例如Flask、FastAPI、REST API、容器化或云平台部署
  • 补充版本控制、持续集成、自动化测试、模型监控等工程实践经历
  • 用量化结果呈现业务价值,如准确率提升、流程效率提升或人工成本降低
  • 短期可强化Python数据处理、scikit-learn或主流深度学习框架,以及模型评估与特征工程方法
  • 建议熟悉Git、CI/CD流程、Docker基础和至少一种云平台的基本AI部署能力

面试指南

  • 项目类问题可按背景、数据、方法、结果、复盘五部分回答,重点说明你承担的具体工作和量化结果
  • 技术问题按问题定义、可选方案、取舍依据、验证方式展开,体现工程判断力
  • 行为问题可结合协作、学习、适应变化三个维度,用具体案例说明你如何推进任务
  • 请介绍一个你完成的机器学习项目,包括业务问题、数据处理、模型选择和评估结果
  • 你如何进行特征工程和数据预处理,如何避免数据泄漏?
  • 你会如何将训练好的模型封装成API并部署到云环境?
  • 请说明你对持续集成、版本控制和模型监控的理解与实践经验
  • 当业务需求频繁变化时,你如何安排模型开发和交付优先级?

职位点评

薪资福利70
成长发展88
工作生活55
使命价值86

薪资福利

70中等

JD未披露具体薪资,但提到全方位奖励、职业发展支持及覆盖成长、安全感和家庭规划的综合回报。福利与回报体系描述较完整,但缺少明确薪酬数字。

薪资信号未披露(AI估算:1.8千–2.8万/月)
福利待遇全方位奖励、职业发展页面、支持您的表现、成长、安全感和潜能提升、照顾自己和家人、规划未来、提升技能与职业发展、在包容的环境中协作、为社区作出贡献

成长发展

88较高

岗位明确提到创新AI项目、专业发展资源、认证和导师指导,且工作内容覆盖模型开发、部署、监控和API化,成长路径较清晰。技能栈以机器学习和现代AI工程实践为主,对初级工程师积累完整经验有利。

技术前沿前沿/新兴技术
技术栈机器学习、特征工程、数据预处理、机器学习框架、编程、云架构、版本控制、持续集成、API、模型监控
成长机会提升技能、专业发展资源、认证、导师指导、职业成长、持续学习、求知
业务类型ambiguous

工作生活

55较低

JD未明确说明远程、混合或弹性办公安排,也未提及具体工时或休假制度。虽然提到包容环境和支持性文化,但没有直接的工作生活平衡承诺。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

86较高

JD反复强调可持续发展、自动化、电气化与数字化交汇点,以及将个人职业发展与更具韧性、更高效率、更可持续的世界相连,意义感表达较强。AI项目也被用于推动战略决策和业务转型,社会与业务价值导向明确。

行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号推动整个组织的创新、解决实际业务问题、推动战略决策和业务转型、可持续发展、创造更具韧性、更高效率、更可持续的世界、影响力创造者、为社区作出贡献
创新程度积极采用新技术
Watch Jobs