德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Llm
Nlp
Pytorch
Rag
Tensorflow
Vllm
机器学习
深度学习
值不值得投
75综合评分
综合评分 75
跨国车企AI算法岗，技术栈前沿、成长空间大，薪资具竞争力，但办公模式与工时未明确。
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。
薪资怎么样
2.8万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
44 个在招 · 其中机器学习工程 2 个
市场机会
选择不多
沈阳 · 机器学习工程 · 2 个在招
职位详情
关于这个职位
该职位主要负责机器学习、深度学习及自然语言处理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
你需要独立完成数据挖掘、模型训练与调优，并探索大语言模型（LLM）在企业级场景中的落地应用，管理AI模型的全生命周期
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
计划和实现现有产品和新产品的生产工艺
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
- 处于大模型与AI技术前沿，能深度参与LLM、RAG、Agent等热门技术的落地
- 跨国巨头企业平台，提供规范的流程管理与国际化视野，英语工作环境有助于提升外语能力
- 传统汽车零部件企业向AI转型，业务场景与互联网纯AI公司可能存在差异，需适应制造业的业务逻辑
- 具备3年以上AI/大模型开发经验，希望在实体制造业探索AI落地场景，且具备良好英语沟通能力的技术人才
缺点 / 挑战
- 大模型在企业级场景落地面临算力、数据质量及实际业务收益等多重挑战
角色解读
- 从AI算法工程师向大模型技术专家或AI架构师发展，深耕垂直领域模型优化
- 向AI项目负责人或技术管理岗位转型，参与跨国企业的全球化AI战略落地
- 负责机器学习、深度学习及NLP领域的算法设计与开发，构建定制化AI解决方案
- 探索并落地大语言模型（LLM）在企业级场景的应用，包括RAG、Agent、微调及推理优化
- 管理AI模型从训练、调参、测试到部署的全生命周期，确保生产环境的稳定性与高性能
- 扎实的数学基础与精通Python编程，熟练使用PyTorch/TensorFlow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LangChain、vLLM等工具及模型轻量化技术
- 英语可作为工作语言，具备跨国团队沟通与协作能力
申请策略
- 准备英文简历及英文面试，因为JD明确要求英语作为工作语言
- 了解德科斯米尔在汽车内饰和线束系统的业务背景，思考AI如何提升其生产效率或产品设计
- 突出大模型（LLM）相关项目经验，如RAG、Agent、微调及推理优化（vLLM等）
- 强调独立主导或完整参与AI项目落地的经历，以及使用Python和主流深度学习框架的能力
- 深入学习LangChain、LlamaIndex等大模型应用开发框架，掌握模型量化、蒸馏等轻量化技术
- 了解汽车制造或工业工程领域的业务痛点，思考AI赋能场景
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经验，重点突出技术选型、难点攻克及最终的业务收益（如准确率提升、延迟降低）
- 对于场景应用题，采用“业务痛点分析 -> 技术方案设计 -> 预期收益评估”的逻辑框架
- 请介绍一个你独立主导的大模型落地项目，遇到了哪些挑战及如何解决？
- 在优化LLM推理流程时，你如何使用vLLM或量化技术降低延迟并提高吞吐量？
- 如何设计一个基于RAG的企业级知识问答系统，如何解决幻觉问题？
- 在制造业场景下，你认为AI/NLP技术可以解决哪些具体的业务痛点？
- 复习大模型核心技术（如Transformer架构、微调方法LoRA/P-Tuning、RAG原理），并准备1-2个全英文的技术项目介绍
- 了解德科斯米尔的公司背景及汽车行业的数字化转型趋势
职位点评
薪资福利75
成长发展85
工作生活65
使命价值70
薪资福利
75中等
跨国企业薪资福利体系相对完善，3年大模型经验在沈阳属于高薪人才，整体薪酬具备市场竞争力。
薪资信号未披露（AI估算：2千–3.5万/月）
成长发展
85较高
岗位涉及LLM、RAG、Agent等前沿AI技术，技术栈非常现代，且跨国企业有完善的内部培训和国际化交流机会。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、MindSpore、Pandas、Scikit-learn、LLM、NLP、LangChain、LlamaIndex、vLLM、Ollama、TGI、RAG
成长机会持续教育需求、内部及外部培训
业务类型ambiguous
工作生活
65中等
跨国企业通常注重工作生活平衡，但JD未明确说明办公模式及工时，大模型研发岗位可能面临一定的交付压力。
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
70中等
推动传统汽车制造业的AI数字化转型，具有一定的行业创新意义，但社会直接影响力不如医疗、环保等领域。
行业发展稳定成熟行业
社会影响中性/一般
使命信号automotive innovations、enhance your driving experience
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