Industrial Engineering ES

优缺点分析

角色解读

• 从AI算法工程师向高级算法专家或技术负责人发展，主导更大规模的AI项目
• 可横向拓展至工业工程与AI融合的复合领域，成为智能制造数字化转型的专家
• 在外资企业积累跨文化团队协作经验，未来可转向管理岗位或技术咨询方向
• 设计和开发机器学习、深度学习及大语言模型算法，针对具体业务场景构建定制化AI解决方案
• 负责整个AI模型生命周期，包括数据挖掘、特征工程、模型训练、优化、部署和维护
• 探索和落地LLM在对话系统、知识图谱、内容生成等企业级应用，并优化推理性能
• 管理子项目，制定内部标准流程，并提供专业培训和技术支持
• 精通Python编程，熟悉Pandas、Scikit-learn等数据处理工具
• 扎实的数学基础（线性代数、概率统计、最优化），掌握至少一种深度学习框架（TensorFlow/PyTorch/MindSpore）
• 深入理解LLM技术栈，包括LangChain、LlamaIndex、RAG、Agent、模型微调与轻量化
• 英语可作为工作语言，具备独立主导AI项目的能力

申请策略

• 了解德科斯米尔在汽车行业的产品（线束、内饰），面试时可结合AI在智能制造或汽车领域的应用设想
• 准备好英语面试，尤其是技术问题用英语解释算法原理和项目经验
• 突出AI项目经验，尤其是LLM相关的落地案例，详细描述模型设计、训练、部署过程及效果
• 强调Python编程能力和数学基础，列出熟悉的框架和工具（如PyTorch、LangChain、vLLM）
• 标注英语使用场景，如果有英文技术文档写作或跨国协作经历应重点提及
• 补充LLM推理框架（vLLM、Ollama）和模型轻量化技术的实践经验
• 加强Prompt Engineering和RAG相关能力，熟悉LangChain和LlamaIndex的实战用法

面试指南

• STAR法则：描述情境、任务、行动、结果，突出个人贡献和技术难点
• 对比方案法：在涉及技术选型时，比较不同方案的优劣并给出理由
• 请详细描述你主导或参与的一个AI项目的完整流程，包括数据、模型、部署和效果
• 你对大语言模型（LLM）的微调和RAG技术有哪些实践经验？如何选择方案？
• 如何优化LLM的推理性能？谈谈对量化、蒸馏、vLLM等技术的理解
• 在一个新的业务场景中，你如何确定是否适合引入AI以及选择哪种模型？
• 请用英语简要介绍Transformer架构及其在NLP中的优势
• 复习机器学习基础（模型评估、过拟合、特征工程）和深度学习常见模型（CNN、RNN、Transformer）