德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 7 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
Llm
Mindspore
Nlp
Ollama
Pytorch
Rag
Scikit-Learn
Tensorflow
Tgi
值不值得投
71综合评分
综合评分 71
跨国汽车企业AI算法岗，技术前沿、发展机会好，但WLB可能一般。
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
1.6万
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 3 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
该职位负责AI算法的开发与应用，包括机器学习、深度学习和自然语言处理领域的算法设计，构建企业级AI解决方案
工作涉及数据挖掘、模型训练与优化，以及大语言模型（LLM）在企业场景的落地实施
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
- 技术栈前沿，涉及LLM、RAG等新兴AI技术，有利于技能提升
- 跨国汽车企业平台，能接触国际标准和流程
- 岗位涵盖从算法设计到部署的全周期，实践性强
- 职责广泛，从算法开发到项目管理，可能工作负荷较大
- 在制造企业中AI岗位可能非核心业务，资源和支持需确认
- 英语工作语言要求，需具备良好的跨文化沟通能力
- 适合具备3年以上AI开发经验、对大模型技术感兴趣、希望在工业领域应用AI的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深入AI算法研究，成为机器学习或深度学习领域的资深工程师
- 项目管理路线：参与子项目管理，逐步承担更大规模项目的协调与领导
- 行业应用路线：在汽车制造或工业AI领域积累垂直行业经验，成为解决方案架构师
- 设计并开发机器学习、深度学习和自然语言处理领域的算法，为企业定制AI解决方案
- 负责数据挖掘、特征工程、模型训练与优化，提升模型性能
- 探索大语言模型（LLM）在企业级场景的应用，包括对话系统、知识图谱和智能推荐
- 管理AI模型的全生命周期，从训练到部署，确保生产环境稳定性
- 精通Python编程和数据处理工具如Pandas、Scikit-learn
- 熟练使用TensorFlow、PyTorch或MindSpore等深度学习框架
- 扎实的数学基础，包括线性代数、概率统计和最优化理论
- 具备AI算法开发和大模型应用经验，能独立主导项目
申请策略
- 研究德科斯米尔在汽车创新领域的业务，展示对行业的兴趣
- 准备阐述如何将AI技术应用于汽车组件生产流程的见解
- 突出AI算法项目经验，特别是大模型应用案例
- 展示Python、深度学习框架的熟练使用
- 强调独立主导或参与的完整AI项目经历
- 提及数学背景和优化理论能力
- 学习LLM相关工具如LangChain、vLLM，跟进最新技术
- 加强英语工作语言能力，尤其是技术文档和汇报
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
- 结合具体工具和框架（如vLLM、量化技术）说明优化方法
- 强调数据处理和特征工程的重要性，并举例说明
- 讨论监控、测试和部署策略，确保模型可靠性
- 请描述你过去在AI算法开发中的一个项目经验
- 你如何优化一个大语言模型的推理性能？
- 在数据不足的情况下，你会如何进行模型训练？
- 你如何确保AI模型在生产环境中的稳定性？
职位点评
薪资福利70
成长发展85
工作生活50
使命价值75
薪资福利
70中等
职位在沈阳，薪资可能处于当地市场中上水平，但未提及具体福利，稳定性取决于公司状况。
薪资信号未披露（AI估算：1.2千–2万/月）
成长发展
85较高
职位涉及前沿AI技术如LLM，提供技能培训和国际培训机会，有利于专业成长。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、LLM、RAG、LangChain、vLLM
成长机会持续教育需求、内部及外部培训
业务类型ambiguous
工作生活
50较低
JD未提及工作模式和WLB信息，可能为现场办公，生活化动机满足有限。
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
75中等
在汽车制造行业应用AI技术，推动工业创新，具有一定社会价值和行业前景。
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、增强驾驶体验
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