伟创力
AI Engineer
AI Engineer
发布于 2 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
Aws Sagemaker
Machine Learning
Predictive Analytics
Pytorch
Scikit-Learn
Tensorflow
值不值得投
75综合评分
综合评分 75
上市跨国制造巨头、工业AI核心场景、技术成长空间大、福利完善但需现场办公。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
3.5万
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
这家公司招聘很活跃
81 个在招
市场机会
选择面较广
上海 · 机器学习工程 · 约 370 个在招
职位详情
关于这个职位
该职位隶属于伟创力自动化工程团队，主要负责利用机器学习和人工智能技术进行可靠性建模、预测性分析和异常检测
你需要与跨职能团队紧密合作，主导机器学习模型的全生命周期管理，从数据准备到生产部署，以提升系统和产品的可靠性并支持业务决策
最低要求
-6年AI/ML开发经验，具有可靠性建模、预测性分析和异常检测相关项目经验
在生产环境中部署机器学习模型的成功经验
计算机科学、数据科学、电气/计算机工程或相关领域的学士或硕士学位
熟练掌握分类与检测、时间序列与预测模型、异常检测、强化学习、聚类与推荐等AI算法
熟练使用Python、R、TensorFlow、PyTorch、Scikit-Learn
具备统计建模、时间序列预测、可靠性工程经验
熟悉异常检测算法和预测性维护系统
熟悉云端机器学习平台（AWS SageMaker、Azure ML、GCP AI）
具备良好的编码规范（版本控制、CI/CD、单元测试）
具备较强的解决问题和分析能力，能独立工作或团队协作
具备优秀的沟通与演示能力，能向技术和非技术人员汇报
工作职责
与产品、工程、质量和制造等跨职能团队紧密合作，理解业务挑战并将其转化为AI/ML解决方案
设计、开发和优化用于可靠性建模的机器学习模型，如故障预测、风险评估及规定所需行动
构建和完善预测性分析模型，以支持趋势分析、性能退化预测和早期缺陷检测
开发和部署异常检测模型，以识别预运行和实时场景中的异常模式、数据漂移或系统风险
负责端到端的机器学习生命周期，包括数据准备、特征工程、模型训练、验证、生产部署和持续监控
确保模型具有鲁棒性、可扩展性、可解释性，并与业务目标和运营限制保持一致
准备技术文档、分析报告和模型性能摘要
参与技术评审和利益相关者演示
根据反馈、监控结果和不断变化的业务需求，持续改进模型性能和解决方案的有效性
优先资格
拥有硕士或更高学位（Advanced degree preferred）
AI 洞察
优缺点分析
优点
- 行业前景广阔：将AI技术应用于智能制造和预测性维护，属于工业4.0核心领域，技术壁垒高且落地价值大
- 平台资源丰富：依托伟创力庞大的制造数据和跨职能团队，能接触到真实的工业级复杂场景，利于技术沉淀
- 业务理解门槛高：需要深入理解制造工艺、可靠性工程等跨学科知识，纯算法背景可能需要较长的业务适应期
- 适合具备扎实算法基础，且对工业制造、物联网或预测性维护领域有浓厚兴趣，愿意深入业务场景的AI工程师
缺点 / 挑战
- 外企福利保障：作为上市跨国企业，提供完善的社保、商业保险及带薪休假，工作稳定性与合规性较高
- 落地挑战大：工业场景下的数据质量、标注成本及模型可解释性要求高，从实验室模型到生产环境的部署存在一定阻力
角色解读
- 纵向可发展为AI技术专家或首席数据科学家，深耕工业AI与可靠性工程领域
- 横向可向AI产品经理或自动化工程总监等管理岗位转型，主导企业级数字化转型战略
- 负责机器学习模型的全生命周期管理，包括数据准备、特征工程、训练、验证及生产部署
- 针对工业制造场景，开发可靠性建模、预测性分析和异常检测算法，以支持故障预测和早期缺陷检测
- 与跨职能团队（产品、工程、质量、制造）合作，将业务挑战转化为AI解决方案并推动落地
- 扎实的机器学习算法基础，精通分类、时间序列预测、异常检测等模型，熟练使用Python及TensorFlow/PyTorch等框架
- 具备模型工程化能力，熟悉CI/CD、版本控制及云端ML平台（如AWS SageMaker、Azure ML）
- 优秀的业务理解与沟通能力，能将复杂的AI技术转化为非技术团队可理解的解决方案
申请策略
- 仔细阅读伟创力的业务背景，了解其在自动化和智能制造方面的战略布局，面试时结合公司痛点阐述你的技术价值
- 突出在预测性分析、异常检测或可靠性建模方面的实际项目经验，强调模型在生产环境中的落地效果（如提升良率、降低故障率）
- 展示端到端的ML工程能力，包括数据管道搭建、模型部署（CI/CD）及云端平台（AWS/Azure）的使用经验
- 体现跨部门协作能力，列举与工程、质量或制造团队沟通并推动AI方案落地的具体案例
- 补充工业制造或可靠性工程（Reliability Engineering）的基础知识，了解常见的设备故障模式与预测性维护指标
- 强化模型可解释性（XAI）和边缘计算部署相关的技能，以适应工业现场对模型透明度和实时性的要求
面试指南
- STAR法则：针对项目经验题，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答，重点突出你的技术选型和业务收益
- 业务导向：在回答技术问题时，始终将技术决策与业务目标（如降本增效、提高可靠性）挂钩，展现你的商业思维
- 请分享一个你主导的异常检测或预测性维护项目，你是如何处理数据不平衡或噪声问题的？
- 在将机器学习模型部署到生产环境时，你遇到过哪些挑战？如何监控模型漂移并进行迭代？
- 如果业务团队（如制造或质量部门）对你的模型预测结果提出质疑，你会如何沟通并证明模型的有效性？
- 针对时间序列数据，你通常使用哪些特征工程方法和模型架构？
- 复习时间序列分析、异常检测的经典算法（如Isolation Forest, LSTM, Transformer等），并准备1-2个自己深度参与的工业/物联网相关项目案例
- 了解伟创力在智能制造和自动化领域的最新动态，思考AI技术如何在其实际产线中发挥价值
职位点评
薪资福利75
成长发展80
工作生活70
使命价值75
薪资福利
75中等
作为上市跨国制造企业，提供标准的社保、商业寿险及带薪休假，薪资水平在上海AI岗位中具备一定竞争力，整体薪酬福利体系完善且稳定。
薪资信号市场水准 (2.5千–4.5万/月)
福利待遇Social insurance、Life Insurance、PTO
成长发展
80较高
岗位涉及端到端的ML生命周期管理及前沿的工业AI应用，能接触到丰富的跨职能业务场景，技术成长空间大，但JD未明确提及内部培训或晋升通道。
技术前沿主流现代技术
技术栈Python、TensorFlow、PyTorch、Scikit-Learn、AWS SageMaker、Azure ML、Anomaly Detection、Time-Series
成长机会invest in your growth
业务类型ambiguous
工作生活
70中等
外企通常注重工作生活平衡，提供PTO等福利，但JD未明确说明弹性工作制或加班情况，现场办公模式在通勤上可能存在一定限制。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
工作生活平衡PTO
使命价值
75中等
致力于通过创新产品和制造技术让世界变得更美好，工业AI和预测性维护有助于提升资源利用率和产品可靠性，具有一定的社会价值。
行业发展高速增长赛道
社会影响中性/一般
使命信号make the world a better place
创新程度积极采用新技术
Watch Jobs