德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 3 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
Prompt Engineering
Pytorch
Rag
Scikit-Learn
Tensorflow
Vllm
数据挖掘
值不值得投
薪资怎么样
2.0万
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
约 170 个在招 · 其中机器学习工程 14 个
市场机会
选择适中
沈阳 · 机器学习工程 · 15 个在招
职位详情
关于这个职位
该岗位隶属于德科斯米尔（沈阳）汽车零部件公司的工业工程团队，主要聚焦机器学习、深度学习、NLP 及大模型（LLM）的算法设计与应用落地，包括数据挖掘、模型训练调优、Prompt Engineering、RAG 与 Agent 开发、推理性能优化等
同时需要作为专业领域内外部联络人参与内部工作组，编制文件并开展内外部培训，推动大模型技术在企业级业务场景中落地
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分析，支撑结构化 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（如文档等）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
- 技术栈集中在 LLM、RAG、Agent 与推理优化等当前热门方向，技能积累具有较强市场通用性
- 岗位横跨算法研发与工业工程业务场景，可积累难得的制造业 AI 落地经验，而非纯实验室研究
- 跨国企业环境，岗位明确包含内外部培训与内部工作组协作，英语工作环境有助于长期职业竞争力
- 职责中涉及子项目管理与标准流程制定，能在纯技术之外积累一定的项目协调经验
- 职位名称与职责存在明显错位（标题为工业工程，实际偏 AI 算法），需要入职后主动厘清汇报线与考核口径
- 制造型企业中 AI 团队规模通常有限，数据与算力资源、业务优先级需要较强沟通推动能力去争取
- 适合有 3 年以上算法/大模型经验、希望在制造业真实业务场景中落地 AI，并能接受职责面较宽、需主动推动跨部门协作的工程师
缺点 / 挑战
- 同时覆盖算法研发、大模型工程、部署运维与内部培训文档，职责面较宽，容易陷入多线程投入、深度不足的状态
角色解读
- 纵向可沿算法专家路线发展，从单点模型开发走向企业级 AI 架构与平台化解决方案负责人
- 横向可结合制造与工业工程场景，成长为懂工艺、懂数据的智能制造/数字化转型复合型人才
- 由于岗位涉及跨国内外部培训与工作组协作，也有机会向技术管理、项目协调或内部顾问方向发展
- 围绕制造企业业务场景做机器学习、深度学习与 NLP 算法设计与开发，输出可落地的定制化 AI 解决方案
- 独立完成数据挖掘、特征工程、模型训练调参与评测，把模型从实验推进到生产环境并保证稳定性
- 探索大模型在对话系统、知识图谱、内容生成、智能推荐中的应用，使用 LangChain、LlamaIndex 搭建企业级 LLM 应用
- 负责推理性能优化（vLLM、Ollama、TGI）与模型轻量化（量化、蒸馏），并参与预训练、微调、RAG 与 Agent 适配工作
- 作为专业领域联络人参与内部工作组、编写技术文档并组织内外部培训，推动标准与流程优化
- 扎实的数学功底（线性代数、概率统计、最优化理论）与 Python 工程能力，熟悉 Pandas、Scikit-learn 等数据处理工具
- 熟练掌握至少一种深度学习框架（TensorFlow / PyTorch / MindSpore），能独立完成训练、调参、测试与部署全流程
- 熟悉大模型生态：Prompt Engineering、RAG、Agent、微调与继续预训练，以及 LangChain、LlamaIndex 等工具链
- 具备推理侧性能优化与模型轻量化经验，同时能以英语作为工作语言进行跨区域沟通与文档输出
申请策略
- 职位标题为 Industrial Engineering，但职责为 AI 算法，建议投递前与 HR 确认团队归属、汇报线与实际项目来源
- 面试中主动询问数据、算力资源与业务落地优先级，判断该岗位是探索性投入还是有明确落地场景
- 用具体项目量化 AI 项目成果，突出「独立主导或完整参与不少于 2 个项目」的算法设计、开发到上线全过程
- 重点呈现大模型相关工作：微调/继续预训练、RAG、Agent、Prompt Engineering，以及 LangChain、LlamaIndex 的实际使用场景
- 补充推理侧工程能力，如使用 vLLM、Ollama、TGI 降低延迟、提升吞吐，以及量化、蒸馏等轻量化实践及效果数据
- 如具备制造业、工业工程或汽车行业背景，务必单列一段，说明业务理解与数据处理经验，这与岗位的工业工程定位高度契合
- 英语能力单独说明（如英文技术文档撰写、跨国团队沟通、海外培训经历）
- 系统梳理一遍线性代数、概率统计与最优化理论的核心知识点，面试中该类基础题出现概率较高
面试指南
- 项目类问题用 STAR 结构：背景与业务痛点→你的具体职责→技术方案与关键取舍→可量化结果与复盘
- 技术方案类问题先给结论与选型依据，再对比备选方案的成本与效果，最后说明验证方式与失败案例
- 场景类问题从数据可得性、效果要求、上线成本三个维度拆解，体现工程判断力而非只谈模型指标
- 请介绍一个你独立主导的 AI 项目，从问题定义、数据、模型选型到上线部署的完整过程，效果如何衡量？
- 在 RAG 系统中，你如何做文档切分、向量检索与重排序？遇到过哪些召回不准的问题，如何解决？
- 你如何优化大模型推理的延迟与吞吐？量化或蒸馏在实际项目中带来的收益与风险是什么？
- 如果业务方提出一个模糊的需求，你如何判断用传统机器学习、微调还是 Prompt Engineering 来解决？
- 你如何与生产工艺或业务团队协作，把模型结果转化为可执行的流程改进措施？
德科斯米尔 的其他在招职位
相似职位推荐
Watch Jobs