德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 8 小时前普通员工/个人贡献者
全职员工仅现场办公工业工程
工业工程
Llm
Nlp
Pytorch
Rag
Tensorflow
大语言模型
工业工程
机器学习
深度学习
值不值得投
68综合评分
综合评分 68
跨国车企的AI+工业工程复合岗，技术前沿、平台稳定，但工作地点固定且WLB信息不明。
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
2.8万
比工业工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
50 个在招 · 其中工业工程 4 个
职位详情
关于这个职位
这是德科斯米尔（DRAEXLMAIER）在沈阳招聘的工业工程专家岗位，核心职责是规划和实现汽车线束系统及内饰产品的生产工艺
该职位同时深度涉及AI算法与大模型应用开发，需要负责机器学习、深度学习及NLP算法的设计与落地，并推动LLM技术在制造场景中的应用
岗位要求扎实的数学和编程基础，以及至少3年的AI项目经验
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
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
- 职位结合了传统工业工程与前沿AI技术，技术栈新颖，有较强的技术积累价值
- 德科斯米尔是跨国巨头企业，平台稳定，能接触到全球化的项目与资源
- 工作内容涉及大模型、RAG等前沿技术，行业前景广阔，有利于个人技术品牌建设
- 公司提供内部及国际培训机会，有助于持续学习和职业发展
- 工作地点在沈阳，相比一线城市，AI领域的行业生态和跳槽机会可能相对较少
- 适合具备扎实AI算法功底，同时对制造业有兴趣，希望将前沿技术应用于实体产业的求职者
缺点 / 挑战
- 职位要求复合型技能，既要懂工业工程又要精通AI算法，对个人学习能力要求较高
- 作为跨国企业，英语作为工作语言，对沟通能力有较高要求
角色解读
- 初期可深耕AI算法与大模型技术在工业场景的应用，成为领域专家
- 中期可向技术管理方向发展，负责子项目管理与团队协调
- 长期可晋升为工业工程与AI融合方向的专家或技术负责人，主导企业数字化转型
- 负责规划并实现汽车线束和内饰产品的新生产工艺，确保生产流程高效稳定
- 主导AI算法（机器学习、深度学习、NLP）的设计与开发，构建面向制造场景的定制化AI解决方案
- 探索并落地大语言模型（LLM）在对话系统、知识图谱、智能推荐等企业级场景的应用
- 管理AI模型从训练、调优到部署的全生命周期，并参与内部标准制定与跨部门协作
- 精通Python，熟悉Pandas、Scikit-learn等数据处理工具，具备扎实的数据处理能力
- 熟练掌握至少一种深度学习框架（TensorFlow、PyTorch、MindSpore），并能独立完成模型训练与调优
- 具备大模型（LLM）应用开发经验，熟悉RAG、Agent、Prompt Engineering及LangChain等工具
- 具备工业工程背景或对生产工艺有深入理解，能将AI技术与制造流程相结合
申请策略
- 在求职信中表达对汽车行业和智能制造的兴趣，展示将AI技术与工业场景结合的思考
- 提前了解德科斯米尔的产品线和沈阳工厂的业务，面试时展现对公司的了解
- 重点突出至少3年的AI算法或大模型应用开发经验，并详细描述参与过的2个以上AI项目
- 强调在机器学习、深度学习、NLP方面的项目成果，尤其是模型性能提升的具体数据
- 如有大模型（LLM）相关项目经验（如RAG、Agent、微调），务必详细说明技术方案和业务价值
- 突出英语能力，如有相关证书或海外经历，可作为加分项
- 补充学习LangChain、LlamaIndex等大模型应用开发框架，并尝试构建完整的RAG应用
- 熟悉vLLM、Ollama等推理优化框架，了解模型量化与蒸馏技术
面试指南
- 对于项目经验类问题，采用STAR法则（情境-任务-行动-结果），清晰展示你的个人贡献和项目成果
- 对于技术方案类问题，先阐述核心原理，再结合具体项目说明你的技术选型和优化过程，最后总结效果与反思
- 对于业务结合类问题，先表达对业务的理解，再提出技术落地的思路，并强调跨部门协作的重要性
- 请详细描述你主导或参与的一个AI项目，从问题定义到最终落地的完整过程
- 你如何理解RAG（检索增强生成）？请描述一个你使用RAG解决实际问题的案例
- 在优化LLM推理性能时，你通常采用哪些策略？如何权衡延迟和吞吐量？
- 你如何将机器学习或大模型技术应用到汽车制造或工业工程场景中？
- 请谈谈你在模型微调方面的经验，以及如何处理垂直领域数据不足的问题
职位点评
薪资福利65
成长发展85
工作生活50
使命价值70
薪资福利
65中等
职位未披露具体薪资，但作为跨国巨头企业，薪资福利通常具有竞争力。公司规模大，稳定性较好。
薪资信号未披露（AI估算：2千–3.5万/月）
成长发展
85较高
职位涉及大模型、RAG等前沿技术，技术含量高。公司提供内部及国际培训机会，并鼓励持续教育，成长空间大。
技术前沿前沿/新兴技术
技术栈Python、机器学习、深度学习、NLP、LLM、RAG、LangChain、PyTorch、TensorFlow
成长机会内部及外部培训、持续教育需求
业务类型ambiguous
工作生活
50较低
职位要求现场办公，工作地点在沈阳。JD未提及弹性工作或远程办公，工作模式可能较为固定。
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
汽车制造是稳定成熟的行业，将AI技术应用于实体产业具有一定的社会价值，但JD中未明确提及使命或社会影响。
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
Watch Jobs