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
沈阳市
中级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
Llm
Nlp
Pytorch
Scikit-Learn
Tensorflow
机器学习
深度学习
AI 估算 · 15k–25k
AI算法岗技术要求高，沈阳汽车行业薪资中等偏上，考虑生活成本，月薪15-25K合理。
职位详情
关于这个职位
该职位隶属于德科斯米尔（沈阳）汽车零部件公司，主要负责AI算法与深度学习模型的研发与落地
工作内容包括机器学习、自然语言处理、大语言模型（LLM）等领域的算法设计与开发，从数据挖掘、特征工程到模型训练、优化及部署的全流程管理
同时参与大模型微调、RAG、Agent等前沿技术应用，并负责内部技术培训与流程优化
适合具有3年以上AI经验、精通Python和深度学习框架的工程师
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
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
- 职位涉及最新AI技术（LLM、RAG等），技能积累前沿，行业竞争力强
- 德科斯米尔为汽车行业巨头，平台稳定，提供国际化工作环境和培训机会
- 工作内容多样，涵盖算法研发、项目管理和技术培训，职业发展路径清晰
- AI技术迭代快，需要持续学习，保持技术敏感度
- 工作地点在沈阳，相对北上广深机会较少，但生活成本低
- 要求英语作为工作语言，需具备良好沟通能力
- 适合具有3年以上AI经验、对LLM等前沿技术充满热情、愿意在制造业深耕的技术型人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 从算法工程师向资深AI专家或技术负责人发展，负责更复杂的AI系统架构设计
- 横向扩展到数据科学、工业工程优化等领域，成为跨学科人才
- 在跨国企业内可晋升为团队主管或项目经理，管理AI研发团队和项目
- 设计和实现机器学习、深度学习及NLP算法，解决实际业务问题
- 参与大语言模型的微调、RAG和Agent应用开发，推动AI项目落地
- 管理AI模型从训练到部署的全生命周期，确保生产环境稳定高效
- 担任内部技术专家，提供培训并优化技术标准与流程
- 扎实的数学基础（线性代数、概率统计、优化理论）和编程能力（Python）
- 精通至少一种深度学习框架（如TensorFlow、PyTorch），熟悉数据处理工具（Pandas、Scikit-learn）
- 有LLM、NLP、模型轻量化（量化、蒸馏）等相关经验
- 英语流利，能作为工作语言进行技术交流
申请策略
- 在简历中详细描述2个以上AI项目的技术方案和个人贡献，最好有量化指标
- 面试前了解德科斯米尔在汽车行业的具体AI应用场景，提前准备相关案例
- 突出AI项目的全流程经验，包括数据准备、模型训练、部署和优化
- 强调LLM相关项目（如对话系统、RAG等）的具体成果和技术细节
- 展示Python编程、深度学习框架（PyTorch/TensorFlow）的熟练度
- 如果有英文技术博客或开源贡献，也是加分项
- 深入学习大模型微调、RAG和Agent技术，掌握LangChain、LlamaIndex等工具
- 熟悉模型轻量化方法（量化、蒸馏）和推理优化框架（vLLM、Ollama）
面试指南
- 对于项目类问题，采用STAR法则（情境、任务、行动、结果），重点突出技术难点和解决方案
- 对于技术原理问题，先解释核心概念，再结合实际经验说明应用和调优
- 对于优化类问题，从系统架构、算法选择、工程实现三个层面分析，给出具体措施
- 请详细描述你参与的一个LLM项目，从数据准备到部署的整个过程
- 如何选择模型量化策略？量化后如何评估模型性能？
- 在处理中文NLP任务时，你会如何清洗和处理数据？
- 请解释Transformer模型中的自注意力机制
- 如何优化LLM推理延迟？使用过哪些框架？
职位点评
62
综合评分
汽车巨头AI算法岗，前沿技术栈，发展空间大，但传统办公模式，WLB一般。
更适合这类人
该职位最适合技术成长动机强、愿意接受前沿挑战的求职者，但对工作生活平衡要求较高者需谨慎。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展90
工作生活40
使命价值60
薪资福利
60中等
薪资未明确披露，但汽车巨头通常提供有竞争力的薪酬和福利，沈阳生活成本低，整体补偿性中等。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
90较高
职位涉及LLM、RAG等前沿技术，有明确的培训职责和项目主导机会，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Transformer、深度学习、NLP、模型量化、蒸馏
成长机会内部与外部培训、持续教育、内部标准与流程优化
业务类型ambiguous
工作生活
40较低
工作地点固定沈阳，未提及弹性工作，制造业传统办公模式，WLB一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
60中等
汽车行业稳定，AI在制造业的应用有实际社会价值，但使命感信号不明显。
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