Watch Jobs
DRAXLMAIER logo
德科斯米尔
Industrial Engineering ES
立即应聘

Industrial Engineering ES

发布于 大约 7 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
机器学习工程
Llm
Nlp
Pytorch
Rag
数据处理
机器学习
深度学习
算法设计

AI 估算 · 15k–25k

沈阳AI算法岗3年经验，汽车零部件行业，月薪1.5-2.5万合理，技术前沿有溢价，但地区薪资水平中等。

职位详情

关于这个职位

该职位虽以工业工程为名，实际是一名AI算法工程师，专注于机器学习、深度学习、NLP及大语言模型（LLM）的算法设计与开发

你将负责数据处理、模型训练与调优、推理优化，并推动LLM在企业级场景（如对话系统、知识图谱、智能推荐）中的落地
职位要求扎实的数学基础、Python编程能力及至少3年AI项目经验，英语可作为工作语言

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，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、Agent等热点领域，能快速积累大模型落地经验
  • 公司平台稳定：德科斯米尔是跨国汽车零部件巨头，工作环境规范，福利体系完善
  • 岗位自主性高：需要独立主导项目，适合喜欢钻研和创新的工程师
  • 行业结合潜力：汽车制造与AI结合，有独特的场景价值
  • 职位名称与实际工作内容不符，可能存在组织定位不清的情况，需适应角色偏差
  • 沈阳并非AI核心城市，行业生态和技术交流机会相对一线城市有限
  • 适合对AI前沿技术有强烈热情，具备较强自学和独立解决问题能力，且不介意在非一线城市工作的求职者

缺点 / 挑战

  • 职责范围广泛，从算法开发到部署、培训、流程优化，要求综合能力高，压力较大

角色解读

  • 从AI算法工程师向高级算法专家或技术负责人方向发展，积累大模型落地经验后成为行业稀缺人才
  • 可在企业内部转向技术管理岗位，带领团队负责更大规模的AI平台建设
  • 未来可跨行业跳槽至互联网、自动驾驶、智能制造等领域，职业发展空间广阔
  • 负责机器学习、深度学习及NLP算法的设计与开发，针对具体业务场景构建定制化AI解决方案
  • 独立完成数据挖掘、特征工程、模型训练与调优，提升模型准确性、泛化能力和实时性
  • 探索并落地大语言模型（LLM）在对话系统、知识图谱、内容生成、智能推荐等场景的应用
  • 优化LLM推理流程（vLLM、Ollama等），管理模型从训练到部署的全生命周期，确保生产环境稳定
  • 扎实的数学基础：线性代数、概率统计、最优化理论是算法设计的基础
  • 精通Python编程，熟练使用Pandas、Scikit-learn等数据处理工具
  • 熟练掌握至少一种深度学习框架（TensorFlow、PyTorch、MindSpore），并熟悉LLM推理和轻量化技术
  • 具备独立主导AI项目的能力，包括算法设计、开发与落地，且英语可作为工作语言

申请策略

  • 提前了解德科斯米尔在汽车行业数字化转型的业务方向，思考AI如何与线束、内饰等产品结合
  • 面试中坦诚沟通职位名称与实际工作内容的一致性，确认职责定位
  • 突出至少3年AI算法开发经验，详细描述2个以上独立主导或深度参与的AI项目，特别是大模型相关项目
  • 列出具体技术栈：Python、PyTorch/TensorFlow、LangChain、RAG、vLLM等，并说明实际业务效果
  • 展示数学功底和算法优化能力，可提及发表的论文、竞赛奖项或开源贡献
  • 强调英语水平，如通过CET-6、雅思或有跨国工作/协作经验
  • 补充LLM生态工具链的实践，如LangChain、LlamaIndex、vLLM等，可动手搭建一个RAG系统
  • 学习模型轻量化技术，如量化、蒸馏，了解推理优化框架（TGI、Ollama）

面试指南

  • 使用STAR法则回答项目经验：情境（Situation）、任务（Task）、行动（Action）、结果（Result），突出个人贡献和结果量化
  • 对于技术方案类问题，先明确业务目标，再拆解技术模块（数据、模型、部署），说明每个模块的设计思路和权衡
  • 对于开放性设计题，可以边回答边与面试官确认需求边界，展现结构化思考
  • 请详细介绍你主导的一个AI项目，包括业务问题、技术方案、模型效果及落地难点
  • 你对大语言模型（LLM）的微调和RAG有什么实践经验？如何设计提示词工程？
  • 如何优化LLM推理性能？你使用过哪些推理框架，如何量化、蒸馏？
  • 给定一个业务场景（如对话系统），你会如何设计整体技术架构？
  • 谈谈你在数据处理和特征工程方面的方法论，以及如何支撑模型训练

职位点评

61
综合评分

跨国汽车零部件公司AI算法岗，前沿技术栈，培训机会多，但薪资未披露、WLB未知。

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
最适合看重技术成长、追求AI前沿实践能力的求职者，能接受现场办公和沈阳的工作地点。
表现最好
成长发展
相对薄弱
工作生活
薪资福利55
成长发展80
工作生活45
使命价值60

薪资福利

55较低

薪资未在JD中披露，但公司为跨国巨头，稳定性好，福利体系可能较好，但具体数额未知，整体补偿性一般。

薪资信号未披露（AI估算：15K-25K/月）

成长发展

80较高

该职位技术前沿（LLM、AI），有内部和外部培训机会，能深度参与多个AI项目，对技能成长帮助大，但晋升路径未明确。

技术前沿前沿/新兴技术
技术栈Python、机器学习、深度学习、NLP、LLM、LangChain、PyTorch、RAG、vLLM、TensorFlow
成长机会持续教育、培训
业务类型ambiguous

工作生活

45较低

工作地点位于沈阳，现场办公，未提及远程或弹性工作，WLB信号不明，生活化满足度较低。

工作模式未明确
办公地点未明确
加班情况未提及（无法判断）

使命价值

60中等

汽车零部件行业属于成熟行业，AI应用能为企业带来创新价值，但社会影响力相对有限，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