德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 21 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Pytorch
Tensorflow
Vllm
大语言模型
数据挖掘
机器学习
深度学习
自然语言处理
值不值得投
69综合评分
综合评分 69
AI算法工程师岗位，技术前沿、成长空间大，但WLB信息不明，薪资未披露。
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
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
95 个在招 · 其中人工智能 4 个
市场机会
选择不多
沈阳 · 人工智能 · 4 个在招
职位详情
关于这个职位
该职位专注于汽车行业的AI算法开发与大模型应用，涉及机器学习、深度学习、自然语言处理等领域的算法设计、数据挖掘、模型训练及优化部署
工作旨在构建企业级AI解决方案，支持现有及新产品的生产工艺智能化，要求扎实的数学基础和编程能力，参与从算法设计到生产落地的全流程
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，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，特别是大语言模型在汽车行业的创新应用，提升技术深度
- 在跨国汽车零部件企业平台，能参与国际化项目，积累行业经验
- 工作内容涉及全流程AI开发，从算法设计到生产部署，技能成长全面
- 公司规模大，可能有较好的资源支持和培训机会
- 在传统汽车行业推动AI落地，可能需要适应跨部门协作和业务需求理解
缺点 / 挑战
- 技术难度高，需持续跟进AI领域快速迭代，如大模型优化和部署挑战
- 项目需平衡创新与生产稳定性，可能面临时间压力和复杂问题解决
- 适合对AI算法和大模型应用有浓厚兴趣，具备扎实数学和编程基础，希望在汽车智能化领域深耕，并能接受一定技术挑战的求职者
角色解读
- 技术专家路径：深入AI算法和大模型技术，成为公司内部或行业的领域专家
- AI架构师方向：从单一算法开发扩展到整体AI系统架构设计，推动技术战略
- 技术管理岗位：通过项目管理经验积累，转向团队或部门管理，负责AI项目群或研发团队
- 设计和开发机器学习、深度学习及自然语言处理算法，构建定制化AI解决方案，支持汽车生产工艺优化
- 独立进行数据挖掘、特征工程、模型训练与调优，提升模型在准确率、泛化能力和实时性方面的表现
- 探索和应用大语言模型（LLM）于对话系统、知识图谱、内容生成等场景，推动企业级AI落地
- 管理AI模型从训练、测试到部署的全生命周期，确保生产环境中的稳定性与高性能，并参与子项目协调
- 扎实的数学基础，精通线性代数、概率统计和最优化理论，以支持算法设计
- 熟练使用Python编程及Pandas、Scikit-learn等数据处理工具，掌握至少一种深度学习框架（如TensorFlow、PyTorch）
- 具备至少3年AI算法开发或大模型应用经验，能独立主导AI项目从设计到部署
- 良好的英语工作语言能力，用于技术文档、协作和培训
申请策略
- 研究德科斯米尔在汽车智能化领域的业务方向，将AI应用与行业需求结合
- 准备项目演示或代码示例，以面试中展示实际开发能力
- 突出3年以上的AI算法开发经验，特别是机器学习、NLP或大模型项目案例
- 强调Python、PyTorch/TensorFlow等技能栈，以及数据处理和模型部署能力
- 展示数学背景，如相关课程、竞赛或论文，以证明理论基础
- 提供具体AI项目成果，如提升模型准确率、优化推理效率等量化指标
- 深入学习大语言模型（LLM）技术，如微调、RAG、Agent等，以跟上前沿
- 加强推理优化和模型轻量化实践，如vLLM、量化蒸馏等工具使用
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化回答项目经验，强调个人贡献和量化成果
- 结合技术原理和实际案例，解释模型优化方法，如调参、框架选择、推理加速等
- 从行业需求出发，阐述AI技术如何解决具体问题，如提升效率、降低成本或增强功能
- 请描述一个你主导的AI算法项目，从设计到部署的完整过程及遇到的挑战
- 你如何优化大语言模型的推理性能，有哪些实践经验？
- 如何将机器学习算法应用于实际工业场景，如汽车生产工艺优化？
- 在数据处理中，你常用哪些工具和方法，如何确保数据质量？
- 你对AI在汽车行业的未来发展有什么看法？
职位点评
薪资福利70
成长发展85
工作生活50
使命价值65
薪资福利
70中等
该职位薪资估算处于市场中等偏上水平，但未明确披露具体薪资和福利，补偿性动机满足程度一般。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
工作涉及AI算法前沿技术如大模型开发，技能成长空间大，但JD未提及明确培训或晋升路径。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、自然语言处理、大语言模型、Python、TensorFlow、PyTorch、LangChain、vLLM
业务类型ambiguous
工作生活
50较低
JD未提及工作模式、办公灵活性或WLB信号，生活化动机满足程度有限，可能依赖现场办公。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
65中等
汽车智能化是增长赛道，AI技术应用有行业价值，但JD未强调社会使命或创新突破。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
德科斯米尔 的其他在招职位
相似职位推荐
Watch Jobs