德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Pytorch
Tensorflow
大语言模型
数据处理
机器学习
模型部署
深度学习
自然语言处理
值不值得投
72综合评分
综合评分 72
技术驱动的前沿AI岗位，在传统汽车行业中探索大模型应用，发展空间大但办公灵活性一般。
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。
薪资怎么样
20K
比人工智能中位数低
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 170 个在招 · 其中人工智能 5 个
市场机会
选择不多
沈阳 · 人工智能 · 5 个在招
职位详情
关于这个职位
该职位负责在工业工程领域应用人工智能技术，包括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
参与大模型在企业级场景如对话系统、知识图谱、内容生成等的落地应用，并管理AI模型从训练到部署的全生命周期
要求具备扎实数学基础和编程能力，有3年以上AI算法开发经验
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
计划和实现现有产品和新产品的生产工艺
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
- 技术前沿性强，涉及大语言模型等热门AI技术，能积累宝贵的实战经验
- 在汽车行业的实际场景中应用AI，项目落地性强，有助于技能变现
- 公司为跨国企业，平台较大，可能提供内部培训和国际化协作机会
- 技术门槛高，需要同时掌握AI算法和工业工程知识，学习曲线陡峭
- AI领域发展迅速，需持续学习新技术以保持竞争力
- 适合对AI和机器学习有浓厚兴趣，具备数学和编程基础，希望在传统工业中推动技术创新的工程师
缺点 / 挑战
- 项目可能涉及生产环境部署，对模型稳定性和实时性要求高，压力较大
角色解读
- 技术路径：从AI算法工程师成长为高级算法专家或架构师，专注于大模型和前沿AI技术
- 管理路径：凭借项目经验和协作能力，可能转向技术团队管理或项目领导角色
- 跨领域发展：在汽车工业与AI结合的垂直领域积累经验，可拓展至智能制造或工业4.0相关方向
- 设计和开发AI算法，包括机器学习、深度学习和自然语言处理，以解决工业工程中的具体业务问题
- 负责大语言模型（LLM）的应用探索和落地，如对话系统、知识图谱和智能推荐，构建企业级AI解决方案
- 管理AI模型的全生命周期，从数据处理、训练、调优到部署，确保模型在生产环境中的稳定性和高性能
- 扎实的数学基础，熟悉线性代数、概率统计和最优化理论，以支撑算法设计
- 精通Python编程语言，并熟练使用Pandas、Scikit-learn等数据处理工具和TensorFlow、PyTorch等深度学习框架
- 具备AI算法研发或大模型应用开发经验，能独立完成项目从设计到落地的全流程
申请策略
- 研究德科斯米尔公司的汽车零部件业务，理解AI如何提升生产效率和产品质量
- 在面试中展示对AI在工业领域应用的思考，体现技术与业务结合的能力
- 突出AI项目经验，特别是算法设计、模型训练和部署的具体成果，使用量化指标
- 强调Python、深度学习框架（如PyTorch）和数据处理工具的熟练程度
- 展示数学相关课程或项目，以及英语工作语言能力
- 深入学习大语言模型（LLM）相关技术，如Prompt工程、RAG和模型优化
- 加强工业工程与AI结合的知识，了解汽车制造流程或精益生产等概念
面试指南
- 对于项目经验问题，使用STAR法则（情境、任务、行动、结果）结构化回答，突出技术难点和解决方案
- 对于技术问题，结合具体案例或项目实践，展示深度思考和动手能力
- 对于行业应用问题，提前了解公司业务，将AI技术与生产过程优化联系起来
- 请介绍一个你主导的AI项目，从算法设计到部署的完整过程
- 如何优化大语言模型（LLM）的推理性能？请举例说明
- 在机器学习中，特征工程的重要性是什么？你通常如何进行数据清洗和特征提取？
- 描述你使用过的一种深度学习框架（如TensorFlow或PyTorch）的优势和挑战
- 你如何看待AI技术在汽车制造业中的应用前景？
职位点评
薪资福利70
成长发展85
工作生活60
使命价值70
薪资福利
70中等
该职位薪资处于市场中等水平，但JD未明确披露具体福利和薪资结构，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
职位涉及前沿的大语言模型和AI技术，提供技术成长和项目实践机会，发展性动机满足程度较高。
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
成长机会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）
业务类型ambiguous
工作生活
60中等
工作地点为沈阳工厂，可能涉及现场办公，JD未提及办公模式和WLB信号，生活化动机满足程度有限。
工作模式未明确
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
70中等
汽车制造业是稳定成熟行业，AI应用有一定创新性，但JD中未强调社会使命或强烈意义感。
行业发展稳定成熟行业
社会影响中性/一般
使命信号汽车创新 – products that enhance your driving experience
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