德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 16 小时前普通员工/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)
Nlp
Pytorch
Tensorflow
大语言模型(Llm)
数据处理
机器学习
深度学习
算法
AI 估算 · 15k–25k
沈阳AI算法岗，3年经验，跨国巨头，薪资在本地属中上水平，因AI人才稀缺且公司实力强，整体竞争力较好。
职位详情
关于这个职位
该职位主要负责机器学习、深度学习及大语言模型（LLM）的算法设计与开发，推动AI技术在汽车零部件制造场景的落地
工作内容包括数据挖掘、模型训练与优化、Prompt Engineering、推理优化等，并参与内部培训与标准制定
适合有3年以上AI经验、熟悉Python和深度学习框架的候选人
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，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
- 涉及前沿的LLM和大模型技术，能积累丰富经验，紧跟AI发展趋势
- 公司为汽车行业巨头，平台稳定，资源充足，项目落地机会多
- 职责包含内部培训和标准制定，有助于提升影响力与专业地位
- 沈阳生活成本相对一线城市低，薪资竞争力强
- AI技术迭代快，需持续学习，保持技术敏锐度
- 制造行业场景与纯互联网AI不同，可能需要适应传统企业的流程和文化
缺点 / 挑战
- 需要同时兼顾算法研发、项目管理、培训等多重职责，工作压力可能较大
- 适合在AI算法领域有3年以上经验、喜欢挑战前沿技术、且愿意在制造业深耕的技术专家
角色解读
- 可成长为AI算法专家或技术负责人，主导更大规模的项目和团队
- 可向管理方向发展，成为项目经理或部门主管，负责多个子项目的协调
- 在德科斯米尔内部可跨领域发展，结合汽车行业知识转型为工业4.0或智能制造方向专家
- 设计和开发机器学习、深度学习及NLP算法，构建面向业务场景的AI解决方案
- 进行数据挖掘、特征工程、模型训练与调优，提升AI模型性能
- 探索大语言模型（LLM）在对话、知识图谱、推荐等场景的应用，并推动落地
- 管理AI模型全生命周期，包括训练、部署、监控，并参与内部培训和标准制定
- 精通Python及深度学习框架（如TensorFlow、PyTorch），具备扎实的数学基础（线性代数、概率统计）
- 熟悉大模型相关技术，包括Prompt Engineering、RAG、Agent、模型轻量化（量化、蒸馏）
- 了解数据处理工具如Pandas、Scikit-learn，并能进行数据清洗和特征工程
- 具备独立主导AI项目的能力，及良好的英语沟通和协作能力
申请策略
- 了解德科斯米尔的业务线（线束、内饰）及AI在制造中的应用场景，展示对行业的兴趣
- 在面试中强调跨部门协作和培训经验，体现领导潜力
- 突出AI项目经验，尤其是独立主导或完整参与的项目，描述技术细节与成果
- 强调LLM相关技能，如RAG、Agent、模型微调、推理优化等
- 展示Python、TensorFlow/PyTorch的熟练度，及数据处理能力
- 如有汽车行业或制造业经验，务必提及
- 补充大模型部署框架如vLLM、Ollama的实操经验
- 系统学习Prompt Engineering和LangChain等工具，准备项目案例
面试指南
- 对于项目经验，采用STAR法则：情境-任务-行动-结果，重点突出技术挑战和量化成果
- 对于技术方案题，先明确问题，再分步骤：数据准备、模型选择、实施细节、评估指标
- 对于协作类问题，强调沟通机制、目标对齐和风险管理
- 请详述你独立主导的一个AI项目，包括问题定义、技术选型、模型优化和部署效果
- 对于LLM，你如何设计RAG系统以提升问答准确性？请给出具体方案
- 你如何优化模型推理性能？请介绍量化或蒸馏的应用经验
- 在跨部门项目中，你如何协调不同团队推进算法落地？
- 你如何看待AI在汽车制造业中的潜力？有什么具体想法？
职位点评
69
综合评分
大厂AI研发岗，前沿技术，薪资中上，但WLB一般，适合技术导向者。
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。
更适合这类人
适合重视技术成长和职业发展、能接受固定办公地点和传统行业节奏的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展85
工作生活40
使命价值55
薪资福利
80较高
薪资在沈阳具备竞争力，公司为跨国巨头，稳定性好，但JD未明确福利，整体中等偏上。
薪资信号市场水准 (15K-25K/月)
成长发展
85较高
职位涉及前沿AI技术（LLM、大模型），且有内部培训与标准制定职责，成长空间大。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、LLM、RAG、Agent、vLLM、量化、蒸馏
成长机会内部培训、培训、持续教育
业务类型ambiguous
工作生活
40较低
仅现场办公，未提及弹性工作或远程，沈阳工厂位置可能较偏，WLB信号弱。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
55较低
汽车行业稳定但非高速增长，社会责任一般，AI创新部分积极，但整体意义感中等。
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