德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 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
Llm
Nlp
Pytorch
Rag
Tensorflow
机器学习
深度学习
值不值得投
66综合评分
综合评分 66
外资汽车零部件企业，AI工程师，技术前沿，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
20K
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
约 150 个在招
市场机会
选择不多
沈阳 · 机器学习工程 · 2 个在招
职位详情
关于这个职位
这是一个结合工业工程与AI算法的职位，实际工作侧重于机器学习、深度学习和NLP算法的设计与开发，包括大模型应用落地
适合有AI算法经验、希望在汽车制造领域发展的技术人才
最低要求
本科及以上学历，计算机科学、数学、工业工程、人工智能应用、数学等相关专业
扎实的数学基础，熟悉线性代数，概率统计，最优化理论
精通Python编程语言，熟悉Pandas，Scikit-learn等数据处理工具
熟练掌握TensorFlow，PyTorch，MindSpore等至少一种深度学习框架
具备至少3年AI算法研发或者大模型应用开发相关经验
独立主导或完整参与过至少2个AI项目的算法设计，开发，与落地
英语可作为工作语言
工作职责
负责机器学习，深度学习，自然语言处理(NLP)等领域的算法设计与开发，构建面向业务场景的定制化AI解决方案
负责独立完成数据挖掘，特征工程，模型训练与调优工作，提升模型在准确率，泛化能力，实时性等方面的表现
探索大规模语言模型（LLM）在对话系统，知识图谱，内容生成，智能推荐等应用场景，推动大模型技术在企业级场景的落地
设计实现Prompt Engineering方案，结合LangChain，LlamaIndex等工具构建基于LLM的企业级AI应用系统
熟悉数据处理技术（数据清洗、特征提取）及工具（如Pandas、Scikit-learn），利用机器学习算法完成数据的聚类分布等，支撑结构LLM微调数据集工作
优化LLM推理流程，利用vLLM, Ollama, TGI等推理框架提升服务性能，降低延迟，提高吞吐量
掌握量化，蒸馏等模型轻量化技术
参与大模型继续预训练、微调、RAG（检索增强生成）、Agent（智能体）领域适配等工作，提升模型在垂直领域的表现
完成AI模型从训练、调参、测试到部署的全生命周期管理，确保模型在生产环境中的稳定性与高性能
在其专业领域内担任内部及外部联络人参与内部工作组协作
编制内部相关文件并按需进行内部汇报
识别公司内部本领域持续教育需求
规划并实施复杂主题的内部及外部培训（含国内与国际培训）
协助制定并优化本专业领域的内部标准与流程
观察/识别专业领域趋势以制定方案
提出行动建议（如规划方法等）
在其专业领域内主要开展概念性工作
管理、控制和协调子项目，依据检查清单和绩效指标监控项目执行与目标达成情况
进行复杂分析以优化流程并制定改进措施
AI 洞察
优缺点分析
优点
- 公司是全球汽车零部件巨头，平台稳定，资源丰富
- 岗位涉及前沿的LLM、RAG等技术，技术成长快
- 工作内容涵盖AI全流程，能积累完整项目经验
- 职位名称与职责不匹配，可能存在定位模糊
- 需要同时满足工业工程和AI双重背景，要求高
- 现场办公，可能位于工业园区，通勤不便
- 适合有AI算法经验，希望在制造业深耕，并愿意在沈阳发展的技术人才
缺点 / 挑战
- 沈阳生活成本较低，竞争压力相对小
角色解读
- 可向AI算法专家或大模型架构师方向发展
- 在外资汽车零部件公司，有机会接触工业场景与AI结合的创新项目
- 可横向拓展至工业工程与数字化转型方向
- 负责工业工程相关的生产工艺规划，但更多是AI算法的设计与开发，包括机器学习、深度学习和NLP模型
- 独立完成数据挖掘、特征工程、模型训练与调优，提升模型性能
- 探索大语言模型在企业级场景的应用，建设LLM应用系统，包括RAG、Agent等
- 管理AI模型从训练到部署的全生命周期，并与内外部合作、培训
- 精通Python及数据处理工具（Pandas、Scikit-learn）
- 熟悉至少一种深度学习框架（TensorFlow、PyTorch、MindSpore）
- 有3年以上AI算法或大模型开发经验，至少主导过2个AI项目
- 英语可作为工作语言
申请策略
- 了解德科斯米尔公司业务（汽车线束、内饰），结合汽车行业AI应用方向准备
- 确认岗位实际职责，避免期望偏差
- 突出AI项目经验，特别是大模型应用开发和落地案例
- 强调数据挖掘和特征工程能力，展示量化成果
- 体现Python和深度学习框架的熟练度
- 如有工业工程背景，可强调跨领域能力
- 补充LLM相关技能，如LangChain、RAG、模型微调
- 熟悉模型轻量化技术（量化、蒸馏）和推理框架（vLLM、Ollama）
面试指南
- 使用STAR法则：情境、任务、行动、结果，突出量化成果
- 对于技术问题，先简述原理，再结合项目实例说明
- 准备一个完整的项目案例，能讲述从需求到落地的过程
- 请介绍一个你独立主导的AI项目，从数据处理到模型部署的全过程
- 如何提升大模型在垂直领域的表现？请谈谈你对RAG和微调的理解
- 你如何优化LLM推理性能？熟悉哪些推理框架？
- 你如何设计一个Prompt Engineering方案来构建企业级AI应用？
- 你是否有工业工程相关的经验？如何看待AI在制造业的应用？
职位点评
薪资福利60
成长发展85
工作生活50
使命价值65
薪资福利
60中等
JD未披露薪资，但公司为跨国巨头，推测福利较完善，但沈阳薪酬水平一般。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
岗位涉及前沿AI大模型技术，且JD提到持续教育和培训，发展空间大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、LangChain、RAG、vLLM
成长机会continuing education、training、internal and external training
业务类型ambiguous
工作生活
50较低
现场办公，地点可能在工业园区，通勤不便；但沈阳整体生活压力较小。
工作模式仅现场办公
办公地点工厂/生产基地
加班情况未提及（无法判断）
使命价值
65中等
汽车行业稳定，岗位通过AI赋能制造业，有一定意义，但社会影响力一般。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs