德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 4 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
Nlp
Prompt Engineering
Pytorch
Tensorflow
数据挖掘
机器学习
深度学习
项目管理
值不值得投
50综合评分
综合评分 50
制造业背景下的AI全栈工程师岗位，技术前沿、项目扎实，但办公灵活性与生活平衡信号不明。
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
约 200 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
这是一个工业工程（Industrial Engineering）岗位，核心职责是规划和实现现有及新产品的生产工艺
同时，岗位职责深度融合了AI算法开发，涉及机器学习、深度学习、NLP等领域的算法设计、大模型（LLM）应用开发、数据处理与模型优化等工作，需要具备扎实的AI技术栈和项目落地经验
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
- 行业应用价值：AI技术直接应用于汽车制造等实体产业，解决实际问题，成果可见性强
- 公司平台：德科斯米尔是全球知名的汽车零部件供应商，平台稳定，项目经验含金量高
- 职责复合性：岗位兼具工业工程与AI算法双重职责，对知识广度和快速学习能力要求高
- 英语工作语言：需要具备良好的英语沟通能力，以适应跨国公司的协作环境
- 适合拥有扎实AI算法功底，同时对制造业流程感兴趣，不满足于纯算法研究，希望将技术应用于实体产业创造价值的复合型工程师
缺点 / 挑战
- 技术挑战与广度：岗位融合了传统工业工程与前沿AI技术，能够接触从算法研发到生产落地的完整链条
- 环境融合挑战：作为技术驱动岗位，需要在传统制造业环境中推动AI应用落地，可能需要适应不同的工作节奏与文化
角色解读
- 技术专家路线：在AI算法与大模型应用领域深耕，成为企业内的技术骨干或架构师
- 技术管理路线：随着项目管理与团队协作经验的积累，可向技术经理或AI项目负责人方向发展
- 领域融合路线：深化在汽车制造领域的工业工程知识，成为智能制造或工业AI方向的复合型专家
- 负责规划和优化汽车零部件的生产工艺流程，确保生产效率与质量
- 设计并开发AI算法解决方案，涵盖机器学习、自然语言处理等，以解决特定的业务场景问题
- 主导大语言模型（LLM）在企业级场景的应用落地，包括模型微调、部署和优化
- 管理AI项目的全生命周期，从算法设计、开发、测试到部署，并监控其生产环境性能
- 扎实的编程与数学基础：精通Python，熟悉线性代数、概率统计等数学知识
- AI技术栈经验：熟练掌握至少一种深度学习框架（如PyTorch），并有处理数据、训练和优化模型的实际项目经验
- 大模型应用开发能力：熟悉LLM相关技术，如Prompt Engineering、RAG、模型微调与推理优化
- 项目管理与工程化能力：能够独立主导AI项目落地，具备将算法从研究转化为生产系统的能力
申请策略
- 深入研究公司业务：了解德科斯米尔的核心产品（线束、内饰）及智能制造战略，在面试中展现你对业务的理解和热情
- 准备‘技术如何赋能业务’的案例：思考并准备如何用AI解决制造业中可能存在的具体问题（如质量预测、工艺优化等）
- 突出AI项目经验：详细描述1-2个完整的AI项目经历，涵盖问题定义、算法选型、开发实现、效果评估与落地过程
- 强调工程与落地能力：突出模型部署、优化及在生产环境中稳定运行的经验，而不仅仅是论文或实验
- 展示技术栈深度：明确列出精通的编程语言、框架、工具（如Python, PyTorch, Pandas, LLM相关工具），并提供实例证明
- 体现工业工程或制造业背景（如有）：如果有相关经验，可作为差异化优势进行强调
- 深化大模型应用知识：系统学习和实践Prompt Engineering、RAG、LLM微调与部署等当前最热门的技术方向
- 补充工业工程知识：通过在线课程或书籍，快速了解生产流程优化、精益制造等基础概念，以更好地理解业务场景
面试指南
- 对于项目描述类问题，使用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，重点突出你的个人贡献和量化成果
- 对于技术深度问题，先阐述基本原理，再结合具体技术（如vLLM、量化）说明如何应用，最后强调解决的实际问题（延迟、吞吐量）
- 对于概念解释类问题，先给出清晰定义，然后务必联系本岗位的实际工作场景进行阐述，展示你的业务理解力
- 请描述一个你主导的AI项目，你是如何从0到1将其落地到生产环境的？遇到了哪些挑战？
- 如何优化大语言模型（LLM）的推理性能以满足工业场景的实时性要求？
- 请解释一下Prompt Engineering是什么，并举例说明你如何为一个具体业务场景设计Prompt
- 你如何理解工业工程与人工智能技术的结合？在本岗位中，这两者是如何体现的？
- 请分享一个你在数据处理（如特征工程）中解决复杂问题的经历
职位点评
薪资福利45
成长发展80
工作生活40
使命价值65
薪资福利
45较低
该职位属于传统制造业背景下的技术岗，薪资结构可能偏向稳定而非激进，且福利信息在JD中未提及。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
80较高
岗位技术栈前沿（AI、LLM），职责涵盖从算法到部署的完整链路，能提供扎实的工业级项目经验和复合型能力成长。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、Pandas、Scikit-learn、LLM、LangChain、Llamalndex、vLLM、RAG、NLP、机器学习、深度学习
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
40较低
办公模式未明确，可能需在沈阳的工厂区域办公，工作地点类型不确定，且制造业环境可能对工作灵活性有一定影响。
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
65中等
将AI技术应用于汽车制造这一实体产业，推动生产创新，具有一定的社会和产业价值，属于新兴技术在传统行业的积极融合。
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、提升驾驶体验、贡献他们的知识、技能和对汽车的热情
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