德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 1 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Llm
Prompt Engineering
Pytorch
Rag
Scikit-Learn
Tensorflow
Vllm
机器学习
深度学习
值不值得投
69综合评分
综合评分 69
汽车零部件公司AI算法岗，技术前沿，薪资未披露，WLB一般，发展机会突出。
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
2万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
53 个在招
职位详情
关于这个职位
该职位是德科斯米尔的AI算法工程师，负责设计和开发机器学习、深度学习、自然语言处理等领域的算法，构建定制化AI解决方案，并参与大模型技术在企业级场景的落地，包括模型训练、优化和部署全流程管理
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
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、LlamaIndex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，有利于技能积累和行业竞争力
- 公司为跨国汽车零部件企业，平台稳定，项目可能涉及实际工业应用
- 职责全面，涵盖算法开发、模型部署和项目管理，提供多维度成长机会
- 有持续教育和培训机会，支持专业发展
- 项目可能要求独立负责全流程，对综合能力要求较强
- 适合具备扎实数学和编程基础、对AI前沿技术（尤其是大模型）有热情、喜欢解决实际业务问题的工程师
缺点 / 挑战
- 技术难度较高，需快速掌握大模型相关工具和框架，如LangChain、vLLM
- 在传统汽车行业中推动AI创新，可能面临业务落地和跨部门协作的挑战
角色解读
- 可向AI专家、高级算法工程师或技术负责人方向发展，专注于前沿技术如LLM和智能体
- 积累项目经验后，有机会转向技术管理岗位，如团队领导或项目经理
- 在汽车制造与AI交叉领域，可发展为行业解决方案专家，推动业务创新
- 设计和开发机器学习、深度学习、自然语言处理等AI算法，构建定制化解决方案
- 负责大模型（如LLM）的应用落地，包括训练、优化、部署和全流程管理
- 进行数据挖掘、特征工程和模型调优，以提升模型性能
- 参与内部协作、培训和项目管理，推动技术在企业场景中的实施
- 扎实的数学基础（线性代数、概率统计、最优化理论）
- 精通Python编程，熟悉数据处理工具（Pandas、Scikit-learn）和深度学习框架（TensorFlow、PyTorch）
- 具备AI算法开发和大模型应用经验，能独立主导项目
- 英语工作能力，以及持续学习新技术的能力
申请策略
- 研究德科斯米尔的公司业务和汽车内饰、线束系统领域，理解职位在工业工程背景下的应用
- 在面试中展示对AI技术趋势的关注，特别是大模型在企业级落地的思考
- 突出至少3年的AI算法项目经验，尤其是机器学习、深度学习或大模型应用案例
- 强调Python编程技能和相关工具（Pandas、Scikit-learn、深度学习框架）的熟练程度
- 展示独立主导或完整参与的AI项目成果，包括模型训练、优化和部署细节
- 提及英语工作能力或国际协作经验，以符合职位要求
- 深入学习大语言模型（LLM）相关技术，如Prompt Engineering、RAG和推理框架（vLLM、Ollama）
- 加强数据处理和特征工程实践，熟悉Pandas、Scikit-learn等工具的高级用法
面试指南
- 使用STAR法则（情境、任务、行动、结果）描述项目经验，突出技术选型和优化过程
- 结合具体工具（如vLLM、LangChain）和算法原理，解释技术方案的合理性和效果
- 从数据处理、模型训练到部署，分步骤阐述如何确保模型稳定性和高性能
- 请描述一个你独立主导的AI项目，从算法设计到部署的全流程
- 你如何优化大模型推理性能？有哪些实践经验？
- 如何将机器学习算法应用于数据聚类分布分析，以支撑LLM微调数据集？
- 你熟悉哪些深度学习框架（如TensorFlow、PyTorch），并举例说明其在实际项目中的应用？
- 如何看待AI技术在传统汽车制造行业中的挑战与机遇？
职位点评
薪资福利70
成长发展85
工作生活50
使命价值65
薪资福利
70中等
薪资未明确披露，但公司为跨国汽车零部件企业，可能提供有竞争力的薪酬和稳定福利。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
职位涉及前沿AI技术如LLM和RAG，提供技能成长机会，公司有持续教育和培训需求。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、LLM、LangChain、RAG、vLLM
成长机会持续教育、培训
业务类型ambiguous
工作生活
50较低
JD未明确办公模式，工业工程岗位可能需现场办公，WLB未提及，工作灵活性有限。
工作模式仅现场办公
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
汽车行业稳定，AI应用推动创新，但社会影响力一般，属于传统行业技术升级。
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