Industrial Engineering ES

优缺点分析

角色解读

• 可向AI算法专家或技术负责人方向发展，带领团队完成复杂AI项目
• 可依托德科斯米尔全球平台，参与国际项目并接触前沿技术，积累跨国协作经验
• 随着大模型技术演进，可转型为AI架构师或LLM应用专家
• 负责AI算法的设计与开发，涵盖机器学习、深度学习和NLP方向，构建定制化解决方案
• 探索大语言模型（LLM）的应用场景，包括对话系统、知识图谱、内容生成和智能推荐，推动企业级落地
• 参与数据挖掘、特征工程、模型训练与调优，并负责模型从训练到部署的全生命周期管理
• 优化LLM推理流程，应用量化、蒸馏等技术提升模型性能和效率
• 扎实的数学基础，熟悉线性代数、概率统计和优化理论
• 精通Python，熟悉Pandas、Scikit-learn等数据处理工具
• 熟练掌握TensorFlow、PyTorch或MindSpore等深度学习框架
• 具备大模型应用开发经验，熟悉LangChain、VectorDB、RAG等技术

申请策略

• 了解德科斯米尔的业务特点，说明AI如何与汽车制造结合
• 准备一个完整的大模型落地案例，展示从数据到部署的全过程
• 突出独立主导的AI项目经历，尤其是完整的算法设计、开发和落地过程
• 强调大模型（LLM）相关项目，如RAG、Agent、微调等具体经验
• 展示算法优化效果，如准确率提升、延迟降低等量化成果
• 体现英语能力，能作为工作语言与国际团队协作
• 补充LangChain、LlamaIndex等大模型应用框架的实际使用经验
• 学习模型量化、蒸馏等轻量化技术，掌握vLLM、Ollama等推理框架

面试指南

• 用STAR法则描述项目背景、任务、行动和结果，突出个人贡献和量化成果
• 针对技术问题，先明确约束条件，再比较不同方案优劣，最后给出选择理由
• 结合公司业务方向，展示技术如何落地实际场景，体现商业价值
• 介绍一下你主导过的一个AI项目，从数据到部署的完整流程是怎样的？
• 如何优化大模型推理的性能？你使用过哪些框架或技术？
• 在垂直领域应用中，如何设计RAG方案以提升回答准确率？
• 你如何看待大模型在制造业中的应用场景？
• 如何平衡模型准确率和实时性要求？