德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 17 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Pytorch
Scikit-Learn
Tensorflow
Vllm
大模型
数据处理
机器学习
深度学习
自然语言处理
值不值得投
71综合评分
综合评分 71
汽车AI算法工程师，技术前沿，大模型应用，薪资中等，WLB一般。
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
13K
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
83 个在招 · 其中人工智能 2 个
市场机会
选择不多
沈阳 · 人工智能 · 2 个在招
职位详情
关于这个职位
这是一个汽车制造领域的AI算法工程师职位，负责机器学习、深度学习和大模型技术的研发与应用
工作内容包括算法设计、数据处理、模型训练优化，并推动AI技术在企业级场景（如对话系统、知识图谱）的落地，确保模型在生产环境中的高性能与稳定性
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
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
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
- 技术前沿，涉及大模型、LLM等热门AI方向，技能积累价值高
- 跨国公司平台，提供国际化培训和协作机会
- 专注于汽车制造AI应用，行业前景稳定且应用落地场景明确
- 全生命周期项目管理，有助于培养综合技术能力
- AI技术更新迅速，需持续学习新工具和框架以保持竞争力
- 适合对AI算法和大模型应用有热情，具备扎实技术基础和项目经验，寻求在汽车制造AI领域长期发展的工程师
缺点 / 挑战
- 可能面临跨部门协作和沟通挑战，需在专业领域内协调内外部资源
- 项目管理和优化工作要求高责任心和细致分析，工作压力可能较大
角色解读
- 从AI算法工程师成长为AI技术专家或高级工程师，深入汽车AI垂直领域
- 可转向技术管理或架构师角色，负责团队或系统级设计
- 通过持续学习和项目积累，成为企业AI创新和转型的核心贡献者
- 设计和开发机器学习、深度学习及自然语言处理算法，解决汽车制造场景的AI问题
- 独立进行数据挖掘、特征工程和模型训练，提升模型性能并支持大模型微调
- 探索和落地大模型技术（如LLM）在对话系统、知识图谱等企业级应用
- 管理AI模型全生命周期，从训练、调参到部署，确保生产环境稳定高效
- 精通Python编程及数据处理工具（如Pandas、Scikit-learn）
- 熟练使用深度学习框架（如TensorFlow、PyTorch）和大模型工具（如LangChain、vLLM）
- 具备扎实的数学基础，包括线性代数、概率统计和优化理论
- 拥有至少3年AI算法或大模型项目经验，能独立负责项目落地
申请策略
- 研究德科斯米尔的汽车AI应用案例，理解公司业务需求和技术方向
- 准备展示过去AI项目的完整过程，包括算法设计、数据处理和部署效果，以应对技术面试
- 突出3年以上AI算法或大模型相关项目经验，强调独立主导能力
- 详细列出Python、深度学习框架及大模型工具（如LangChain、vLLM）的熟练使用
- 展示数学建模和数据处理成果，如模型优化效果、项目指标提升
- 明确英语工作能力，如国际会议、文档编写或团队协作经历
- 深入学习大模型推理优化和轻量化技术，如量化、蒸馏，关注vLLM等最新框架
- 了解汽车制造行业的AI应用场景，如生产线优化、质量控制等具体案例
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化回答项目经验
- 结合具体技术细节和工具说明方法论，避免泛泛而谈
- 举例时注重量化成果和实际影响，突出解决问题的能力
- 请描述一个你主导的AI算法项目，从问题定义到模型部署的全过程，以及遇到的主要挑战
- 你如何优化大模型推理性能？请举例说明使用过的框架和优化方法
- 在处理大规模数据时，你会采用哪些特征工程技术？如何确保模型泛化能力
- 如何将AI技术（如大模型）应用于汽车制造场景？请分享你的思考或经验
- 你的英语工作能力如何体现？请举例说明在国际团队或文档中的应用
职位点评
薪资福利70
成长发展85
工作生活55
使命价值70
薪资福利
70中等
职位薪资未披露，基于沈阳市场水平和跨国公司背景，补偿性动机满足程度中等。
薪资信号未披露（AI估算：10K-15K/月）
成长发展
85较高
职位涉及前沿AI技术如大模型应用，提供持续教育和培训机会，对技能成长和职业发展支持较强。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、LangChain、vLLM
成长机会持续教育需求、培训
业务类型profit_center
工作生活
55较低
办公模式未明确，可能需现场办公，工作强度未提及，生活化动机满足有限。
工作模式未明确
办公地点工厂/生产基地
加班情况未提及（无法判断）
使命价值
70中等
汽车AI应用推动行业创新，社会影响力中等，使命感一般。
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