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

Industrial Engineering ES

发布于 大约 8 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)
Llm
Nlp
Pytorch
Scikit-Learn
Tensorflow
机器学习
深度学习

AI 估算 · 15k–25k

中级AI算法岗位，沈阳薪资低于一线，但汽车行业稳定，3年经验+LLM技能有竞争力，综合估算15-25k。

职位详情

关于这个职位

该职位主要负责工业工程领域内AI算法的设计与开发，具体包括机器学习、深度学习、自然语言处理（NLP）及大规模语言模型（LLM）的探索与落地

需要独立完成数据挖掘、特征工程、模型训练与优化，并参与大模型的预训练、微调、RAG和Agent适配
同时，还需管理AI模型全生命周期，优化推理性能，并协助制定内部标准与流程

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

  • 接触前沿AI技术（LLM、RAG、Agent），紧跟行业热点，技能积累快
  • 跨国巨头企业，平台稳定，有内部培训和国际化协作机会
  • 职位涉及从算法到部署的全流程，综合能力提升快
  • 职责描述与职位名称（Industrial Engineering）不完全匹配，可能存在工作内容调整
  • AI技术迭代快，需要持续学习，且大模型落地在企业级场景中复杂度高
  • 沈阳并非一线城市，AI岗位相对较少，行业圈子较小
  • 适合有3年以上AI算法开发经验，对LLM和工业应用感兴趣，希望在大平台稳定发展的技术人才

缺点 / 挑战

暂无明显挑战项

角色解读

  • 技术方向：可向高级AI算法专家、LLM架构师或技术负责人发展，深耕大模型垂直领域应用
  • 管理方向：通过项目协调和内部培训经验，向技术经理或AI团队负责人转型
  • 行业拓展：汽车制造业的AI应用经验可迁移至其他工业场景，如智能制造、工业IoT
  • 设计并开发机器学习、深度学习和NLP算法，构建针对业务场景的定制化AI解决方案
  • 负责大语言模型（LLM）的探索与落地，包括对话系统、知识图谱、内容生成等应用
  • 参与AI模型的全生命周期管理，从训练、调优到部署，并使用推理框架优化性能
  • 协助制定内部技术标准和流程，并作为专业领域联系人参与跨部门协作
  • 扎实的数学基础（线性代数、概率统计、最优化），精通Python编程和数据处理工具（Pandas、Scikit-learn）
  • 熟练掌握TensorFlow、PyTorch等深度学习框架，具备至少3年AI算法或大模型开发经验
  • 熟悉LLM相关技术，包括Prompt Engineering、RAG、模型微调与轻量化（量化、蒸馏）
  • 英语可作为工作语言，具备独立主导项目的能力

申请策略

  • 关注公司业务方向（汽车线束和内饰），在面试中展示AI如何提升制造效率或产品质量
  • 准备英文简历和面试，因为要求英语作为工作语言
  • 突出独立主导或深度参与的AI项目，尤其是大模型相关项目（如对话系统、RAG、微调）
  • 强调Python、PyTorch/TensorFlow技能，以及数据处理和模型优化经验
  • 列出具体成果，如模型准确率提升、推理延迟降低等量化指标
  • 补充LLM生态工具如LangChain、LlamaIndex、vLLM的使用经验
  • 学习模型轻量化技术（量化、蒸馏），并了解RAG和Agent的架构

面试指南

  • STAR法则：描述情境、任务、行动和结果，重点突出你的角色和技术贡献
  • 对比方案：解释不同方法的优缺点，说明你为什么选择特定技术
  • 数据驱动：用具体数字（准确率、延迟等）佐证你的改进效果
  • 请介绍你参与的一个AI项目，从数据准备到模型部署的完整流程
  • 你如何优化大语言模型的推理性能？请结合具体框架说明
  • 在RAG系统中，如何解决检索质量不高或生成幻觉的问题？
  • 你如何理解工业工程与AI的结合？有哪些应用场景？
  • 复习机器学习和深度学习基础，尤其是Transformer架构和LLM相关论文

职位点评

65
综合评分

前沿AI技术岗位，发展空间大，但现场办公且WLB信号不明。

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。

更适合这类人
最适合追求技术成长和前沿实践的求职者，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展90
工作生活40
使命价值65

薪资福利

60中等

薪资未披露，但公司为跨国巨头，通常提供有竞争力的薪资和福利。整体稳定性较强，但薪资竞争力需面议确认。

薪资信号未披露（AI估算：15K-25K/月）

成长发展

90较高

职位涉及前沿AI技术（LLM、RAG等），且有内部培训和国际化机会，发展空间大。

技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、LLM、LangChain、RAG、量化、蒸馏
成长机会内部培训、外部培训
业务类型profit_center

工作生活

40较低

仅现场办公，地点在沈阳（非一线），JD未提及WLB或弹性工作，可能按制造业标准出勤。

工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）

使命价值

65中等

汽车制造业为稳定成熟行业，AI应用于工业场景有积极社会价值，但职位本身未强调使命感。

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