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，深入大模型与工业场景结合
• 可横向拓展至工业工程与AI融合领域，成为复合型人才
• 外企平台提供国际培训与跨部门协作机会，发展空间广阔
• 负责AI算法与模型的研发，包括机器学习、深度学习、NLP等方向
• 构建定制化AI解决方案，并推动大模型（LLM）在业务场景的落地，如对话系统、知识图谱等
• 完成数据处理、特征工程、模型训练调优及部署，确保生产环境稳定性
• 参与内部技术文档编写、培训及流程优化
• 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
• 熟悉大模型相关技术，如LangChain、RAG、模型轻量化（量化、蒸馏）等
• 扎实的数学基础，具备独立完成AI项目的能力

申请策略

• 建议在求职信中明确表达对工业+AI结合方向的兴趣
• 了解德科斯米尔的业务和沈阳工厂的布局，面试时展现对行业的理解
• 突出AI项目的完整经历，特别是从算法设计到落地的成果
• 强调在大模型（LLM）应用方面的实践，如RAG、Agent、LangChain等
• 展示Python编程和深度学习框架的熟练度，以及数学功底
• 如有工业工程背景或相关项目，务必注明跨领域优势
• 补充LLM相关工具链（LangChain、LlamaIndex）的实际使用经验
• 学习模型部署与优化技术，如vLLM、量化、蒸馏

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化回答项目经历
• 对于技术问题，先阐述原理，再举例说明实践中的取舍
• 展示问题解决思路，强调数据驱动和迭代优化的思维方式
• 请描述一个你主导的AI项目，从需求分析到模型部署的完整流程
• 你如何设计RAG系统来提升回答准确率？
• 如何对大模型进行量化或蒸馏以降低推理延迟？
• 你如何处理工业场景下的非结构化数据？
• 你如何确保模型在复杂生产环境中的稳定性？