博世
AI Expert_PS
AI Expert_PS
发布于 2 小时前基层主管/组长
全职员工仅现场办公机器学习工程
机器学习工程
Mlops
Opc Ua
Pytorch
Tensorflow
大语言模型(Llm)
时序数据分析
计算机视觉
边缘计算
预测性维护
值不值得投
73综合评分
综合评分 73
前沿工业AI技术栈、业务价值导向明确、现场落地属性强、WLB相对受限
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
3.5万
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 1170 个在招 · 其中机器学习工程 34 个
市场机会
选择适中
无锡 · 机器学习工程 · 17 个在招
职位详情
关于这个职位
负责在制造车间落地企业级AI解决方案，将设备痛点转化为可量化的AI应用场景（如预测性维护、机器视觉检测、LLM辅助助手等）
你需要深入一线与设备维护团队协作，完成从数据采集、模型训练到边缘端部署的全流程，并通过MLOps保障模型在生产环境中的稳定运行与持续迭代
最低要求
计算机科学、AI/ML、电气/自动化工程、机械工程或相关专业硕士及以上学历（优秀本科生亦可）
具备3年以上真实AI/ML项目实战经验，有工业或制造环境（设备、维护或生产技术领域）AI方案部署经验者优先
拥有从原型到量产交付的可验证业务成果记录（提升设备可用性、降低废品率、节约成本或能耗）
具备积极主动的学习心态、客户导向思维及持续改进(CIP)态度，愿意投入大量时间在车间现场
工作职责
设备端AI战略与部署：制定并优化TEF3 AI战略路线图，按业务价值、数据可行性和可扩展性优先级排序用例
将设备痛点转化为带量化目标的AI用例
推动从单线试点到全厂推广及多厂复制的全流程部署，设定验收标准与KPI跟踪
协同中央部门部署标准AI方案并反哺标准库
车间AI应用开发：开发部署解决具体设备问题的AI应用（预测性维护、异常检测、工艺参数优化、OEE提升、备件规划支持）
开发集成于设备的计算机视觉质量与状态监测方案
构建真正服务于车间的LLM应用（基于手册/故障码的检索增强助手）
直接在机床旁与团队观察测量，验证方案是否触及根本原因
工业数据与部署基础：设计实施工业数据管道（PLC/CNC/传感器数据采集、边缘处理、IIoT平台集成），确保源头数据质量与治理
在工业边缘设备及本地基础设施部署AI（模型优化、容器化服务、设备环境集成）
建立设备AI的MLOps实践（监控、漂移检测、重训练、全生命周期管理）
确保部署符合IT/OT安全与功能安全要求
领导力、规模化与知识共享：领导或伴随跨职能项目团队，对成本、质量和按时交付负全责
辅导设备与维护工程师的数据与AI素养，在TEF3内建立持久的AI能力
监控AI技术发展趋势并结合实际用例审慎评估采纳
优先资格
精通Python及PyTorch/TensorFlow/scikit-learn
擅长时序机器学习（预测、异常检测、故障预测）及信号处理
熟练掌握计算机视觉（OpenCV, YOLO, Faster-RCNN, SAM）用于工业检测
具备LLM应用开发经验（RAG、提示工程、工具调用）
熟悉工业通信协议(OPC UA, MQTT, Profinet/EtherCAT)及设备维护流程(TPM, OEE, MTBF/MTTR)
掌握Git/CI/CD、Docker/Kubernetes容器化服务及模型边缘优化(量化, ONNX, TensorRT)
熟悉MLOps全流程及云/本地ML平台
具备结构化问题解决能力(8D, DMAIC, PDCA)，六西格玛认证者优先
具备跨文化协作能力及中英双语工作能力
AI 洞察
优缺点分析
优点
- 接触最前沿的工业AI技术栈（LLM、边缘推理、MLOps），技术成长空间大
- 背靠跨国制造巨头，拥有真实的海量工业数据与丰富的落地场景
- 项目成果直接关联生产效率与成本节约，业务价值可见度高
- 需频繁深入嘈杂的生产车间，工作环境相对艰苦且需适应倒班节奏
- 工业现场数据噪声大、标注成本高，模型泛化与边缘部署调试难度较大
- 需兼顾技术研发与跨部门沟通，对软技能要求极高
- 适合热爱技术落地、不畏惧一线环境、具备强自驱力与跨学科解决问题能力的工程师
- 尤其推荐给希望在工业4.0与AI交叉领域深耕的从业者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向工业AI架构师或智能制造技术专家方向发展，主导跨厂区AI标准化平台建设
- 也可转向技术管理岗位，带领更大规模的数字化团队推动工厂智能化转型
- 长期积累可成为懂OT与IT融合的复合型领军人才
- 深入制造车间一线，识别设备运行痛点并将其转化为可落地的AI应用场景
- 负责从数据采集、模型训练到边缘端部署的全流程技术实现
- 通过MLOps体系保障AI模型在复杂工业环境中的长期稳定运行与持续迭代
- 扎实的机器学习与深度学习框架应用能力（Python/PyTorch/TensorFlow）
- 工业场景下的计算机视觉与大语言模型(RAG)工程实践经验
- 熟悉工业通信协议、边缘计算部署及MLOps全生命周期管理
- 具备将模糊业务问题转化为量化技术方案的系统工程思维
申请策略
- 提前研究博世动力总成业务线及无锡基地产线特点，准备1-2个针对特定设备痛点的AI解决方案构思
- 面试时展现务实的工程思维，避免过度追求算法复杂度而忽视现场可行性
- 重点突出从原型到量产的完整AI项目闭环经验，量化展示业务指标提升效果（如OEE提升%、停机时间减少%）
- 详细列出掌握的工业协议、边缘部署工具链及MLOps实践案例
- 强调跨部门协作与现场问题解决能力
- 补充工业数据清洗与特征工程实战技巧，熟悉常见PLC/CNC数据结构
- 强化模型轻量化与边缘端加速部署能力（TensorRT/ONNX Runtime）
- 提升技术文档撰写与向非技术人员汇报的能力
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答，重点突出业务背景、技术选型依据、现场调试过程及可量化的最终收益
- 强调数据治理与工程化思维，而非单纯堆砌算法模型
- 展现对工业安全、IT/OT融合及持续改进理念的深刻理解
- 请分享一个你主导的从实验室到工业现场落地的AI项目，遇到的最大挑战及如何解决？
- 面对车间设备产生的高噪声时序数据，你会如何进行预处理和特征工程？
- 如何评估一个LLM或CV应用在工厂环境中的ROI，并决定其是否值得大规模部署？
- 在边缘设备算力受限的情况下，你会采取哪些策略进行模型压缩与加速？
- 当生产团队对AI模型的预测结果存疑时，你如何建立信任并推动采纳？
职位点评
薪资福利70
成长发展85
工作生活60
使命价值75
薪资福利
70中等
薪资面议未明确披露，但作为跨国制造巨头，通常提供具备市场竞争力的薪酬包及完善的法定与补充福利，整体稳定性与保障体系较强。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
85较高
岗位深度融合前沿AI技术与传统工业场景，提供从算法研发到边缘部署、MLOps运维的全链路实战机会，技术视野与工程能力成长路径清晰。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、计算机视觉、大语言模型(LLM)、MLOps、边缘计算、OPC UA
业务类型cost_center
工作生活
60中等
明确要求投入大量时间在车间现场并与设备团队直接协作，工作模式以现场为主，通勤与作息可能受产线节奏影响，灵活性与WLB存在一定限制。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
75中等
聚焦节能减排、设备效能提升与绿色制造，直接助力传统制造业低碳转型，社会与环境正向影响力显著，契合可持续发展使命。
行业发展稳定成熟行业
社会影响正向社会影响力较高
创新程度积极采用新技术
博世 的其他在招职位
相似职位推荐
Watch Jobs