德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 14 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
机器学习工程
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
Vllm
数据挖掘
机器学习
AI 估算 · 15k–25k
沈阳AI算法岗位，3年经验，跨国公司，薪资处于市场中等偏上水平。
职位详情
关于这个职位
该职位主要负责工业工程领域的AI算法研发与应用，涉及机器学习、深度学习及大语言模型（LLM）的算法设计与优化，推动AI技术在企业级场景的落地
适合有3年以上AI开发经验、熟悉Python和深度学习框架的求职者
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，Llamalndex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管理周期管理，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（LLM、RAG、Agent），技术积累快
- 跨国公司平台，流程规范，培训体系完善
- 沈阳生活成本较低，薪资在当地有竞争力
- 负责全生命周期管理，综合能力提升快
- 涉及大量算法调优和模型部署，技术难度高
- 需要独立主导项目，对自驱力和问题解决能力要求高
- 适合有3年以上AI开发经验，热爱技术钻研，愿意在工业领域深耕的求职者
缺点 / 挑战
- 可能需英语沟通，对语言能力有较高要求
角色解读
- 从AI算法工程师晋升为高级算法专家或技术负责人
- 向AI架构师方向发展，负责企业级AI系统设计
- 横向转型为AI产品经理或技术顾问，结合业务推动AI创新
- 负责AI算法（机器学习、深度学习、NLP）的设计与开发，构建定制化解决方案
- 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（LLM）在对话系统、知识图谱等场景的落地应用
- 管理AI模型全生命周期，包括训练、调参、测试和部署
- 精通Python及数据分析工具（Pandas, Scikit-learn）
- 熟练掌握深度学习框架（TensorFlow, PyTorch等）
- 具备大模型应用经验，如LangChain、vLLM、RAG等
- 扎实的数学基础（线性代数、概率统计、优化理论）和英语工作能力
申请策略
- 了解德科斯米尔在汽车行业的AI应用案例，面试时展示行业认知
- 准备好英文自我介绍和项目讲解
- 突出AI项目经验，特别是大模型（LLM）相关项目成果
- 详细描述算法优化过程，如性能提升百分比
- 强调编程能力（Python）和深度学习框架熟练度
- 展示英语能力，如CET-6或海外经历
- 系统学习大模型技术栈：LangChain、vLLM、RAG
- 补充工业工程背景知识，如生产流程优化
面试指南
- 使用STAR法则（情境、任务、行动、结果）回答项目经验问题
- 对技术问题，先阐述原理，再结合具体场景给出方案
- 请介绍一个你主导的AI项目，包括技术选型、挑战和成果
- 解释大模型微调（Fine-tuning）和RAG的区别及适用场景
- 如何优化LLM推理性能？请举例说明
- 在处理不平衡数据集时，你会采用哪些方法？
- 你对工业工程领域的AI应用有什么理解？
- 复习机器学习核心算法和大模型基础知识
职位点评
71
综合评分
跨国公司AI算法岗，技术前沿、平台好，但需现场办公且WLB一般。
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。
更适合这类人
最适合重视技术成长和职业发展的求职者，愿意在沈阳长期发展。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展85
工作生活50
使命价值60
薪资福利
75中等
薪资在沈阳中等偏上，跨国公司福利较好，但未明确具体福利，补偿性动机满足程度较好。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
职位涉及前沿AI技术（LLM、RAG等），有培训和内部教育机会，发展性动机满足程度高。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agent、LangChain、vLLM
成长机会继续教育、培训
业务类型ambiguous
工作生活
50较低
要求全职现场办公，未提及弹性工作或远程，沈阳本地工作，生活成本较低但工作强度可能较高。
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
汽车行业属稳定成熟行业，AI应用有实际价值，但JD未强调社会使命，意义感一般。
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
德科斯米尔 的其他在招职位
相似职位推荐
Watch Jobs