德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 8 小时前普通员工/个人贡献者
沈阳市
中级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
机器学习
深度学习
NLP
PyTorch
数据处理
RAG
TensorFlow
大语言模型
AI 估算 · 15k–25k
沈阳AI算法岗位，外企巨头，3年以上经验，技能难度高，薪资具有竞争力，但沈阳生活成本较低。
职位详情
关于这个职位
德科斯米尔（沈阳）正在招聘一名工业工程ES（实为AI算法工程师）
您将负责设计、开发机器学习、深度学习及NLP算法，构建定制化AI解决方案
探索大语言模型在对话系统、知识图谱等场景的落地，并参与模型全生命周期管理
要求3年以上AI算法开发经验，精通Python及深度学习框架，适合希望在汽车行业从事前沿AI研发的求职者
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
- 接触前沿AI技术（大模型、RAG、Agent），技能积累快，行业前景广阔
- 外企平台，工作流程规范，有国际交流机会，英语能力得到锻炼
- 岗位职责覆盖算法全链路，从研发到部署，全面提升工程能力
- 需同时掌握传统机器学习和大模型技术，学习曲线陡峭
- 适合具备3年以上AI算法开发经验、对大模型技术有浓厚兴趣、愿意在汽车行业深耕的技术型人才
缺点 / 挑战
- 要求较高，需独立主导项目，对算法深度和项目经验要求严格
- 汽车行业对模型稳定性和实时性要求高，可能面临高性能优化压力
角色解读
- 可在AI算法专家或技术负责人方向深入发展，主导更大规模AI项目
- 有机会向技术管理岗位转型，带领团队负责AI产品线
- 也可向数据科学家或AI架构师方向拓展，覆盖更广泛的业务场景
- 设计并开发机器学习、深度学习及NLP算法，根据业务需求构建定制化AI解决方案
- 探索并落地大语言模型（LLM）在对话系统、知识图谱、智能推荐等场景的应用
- 参与模型从训练、优化到部署的全生命周期管理，确保模型在生产环境中的高性能与稳定性
- 负责技术趋势跟踪与内部培训，协助制定专业领域标准与流程
- 精通Python及常用数据处理库（Pandas、Scikit-learn），熟练掌握至少一种深度学习框架（TensorFlow、PyTorch、MindSpore）
- 扎实的数学基础（线性代数、概率统计、最优化），具备数据挖掘与特征工程能力
- 熟悉大语言模型相关技术，包括Prompt Engineering、RAG、模型微调、量化蒸馏等
- 了解LLM推理优化工具（vLLM、Ollama、TGI）及LangChain、LlamaIndex等应用框架
申请策略
- 了解德科斯米尔在汽车电子领域的业务方向，思考AI如何与其线束系统、内饰等产品结合
- 准备一个完整的AI项目案例，从需求分析到部署，展示系统性思维
- 突出独立主导或深度参与的AI项目经验，详细描述算法设计、开发及落地效果
- 重点展示大模型相关经验（如LLM微调、RAG、Prompt Engineering等），并附上具体技术栈
- 强调Python及深度学习框架的熟练度，列举数据处理和特征工程案例
- 如有英文工作环境经历，务必突出英语能力
- 若大模型经验不足，可先学习LangChain、RAG等框架，并尝试小项目实践
- 弥补数学基础，系统复习线性代数、概率论和优化理论
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化描述项目经验
- 对于技术问题，先定义问题背景，再提出解决方案，最后评估效果
- 展示学习能力：即使不熟悉的领域，也要说明如何快速研究和解决
- 请详细描述你主导的一个AI项目，包括算法选型、数据准备、模型训练及部署过程
- 谈谈你对大语言模型（LLM）落地应用的理解，举一个具体场景说明
- 如何优化LLM推理性能？介绍你了解的推理框架和模型轻量化方法
- 在模型训练中如何处理数据不平衡问题？请举例说明
- 英语自我介绍，并讨论一个技术问题
职位点评
64
综合评分
外资汽车巨头AI算法岗，前沿技术栈，成长性强，但WLB一般。
更适合这类人
该职位最适合追求技术成长和发展的求职者，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展85
工作生活40
使命价值60
薪资福利
70中等
职位薪资在沈阳地区有竞争力，外企福利完善，但未明确提及具体福利，因此评分中等偏上。
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技术（大模型、RAG等），有培训和内部交流机会，成长空间大。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、大语言模型、LLM、RAG、Prompt Engineering、LangChain
成长机会培训、内部培训、外部培训
业务类型ambiguous
工作生活
40较低
职位要求现场办公，无远程或弹性工作说明，可能面临项目压力，WLB一般。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
60中等
汽车行业稳定，AI技术应用于传统制造业有一定社会价值，但职位本身使命感不明显。
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