
Industrial Engineering ES
发布于 37 分钟前普通员工/个人贡献者
值不值得投
综合评分 69
沈阳全职AI算法岗,聚焦大模型与制造场景落地,技术成长强,薪资与WLB信息未披露
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。
薪资怎么样
2.4万
比AI算法中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 300 个在招 · 其中AI算法 15 个
市场机会
选择适中
沈阳 · AI算法 · 15 个在招
职位详情
关于这个职位
该岗位面向汽车零部件制造场景,负责AI算法与大模型应用开发,包括机器学习、深度学习、NLP、LLM落地、数据处理、模型训练调优与部署
最低要求
At least Bachelor’s degree in computer science, mathematics, and Computer Science, Industrial Engineering, AI Applications, Mathematics and etc.
工作职责
Plan and realize production processes for existing and new products.
AI 洞察
优缺点分析
优点
- 岗位覆盖机器学习、NLP、LLM、RAG、Agent等方向,技术内容较新,有利于积累大模型企业落地经验
- 场景来自汽车零部件制造与生产工艺优化,能让算法能力与真实业务问题结合,项目价值较明确
- 职责包含标准流程优化、内部培训和跨部门协作,有助于提升技术影响力和沟通协作能力
- 英语可作为工作语言,适合希望积累跨国企业协作经验的求职者
- JD同时涉及AI算法、大模型应用和工业工程流程优化,职责范围较宽,对技术深度和业务理解都有要求
- 适合有三年以上AI算法或大模型应用开发经验、希望进入制造业数字化场景,并能用英语协作的技术候选人
缺点 / 挑战
- 需要完成模型从训练、调参、测试到部署的全生命周期管理,生产环境稳定性压力较大
- 要求至少三年经验和两个完整AI项目落地经历,竞争门槛较高,简历需要突出真实落地成果
角色解读
- 可向资深AI算法工程师或大模型应用架构师发展,负责更复杂的企业级AI系统设计与落地
- 可结合工业工程与制造场景,成长为智能制造、生产优化或数字化工厂方向的复合型专家
- 随着项目协调和内部培训职责积累,也可转向技术管理、AI项目负责人或跨部门数字化解决方案负责人
- 负责面向汽车零部件制造与业务场景的AI算法开发,包括机器学习、深度学习、NLP和大模型应用方案设计
- 完成数据挖掘、特征工程、模型训练调优、测试部署及生产环境性能保障,关注准确率、泛化能力和实时性
- 探索LLM在对话系统、知识图谱、内容生成、智能推荐、RAG和Agent等方向的企业级落地
- 参与工艺与流程优化、内部标准建设、子项目协调、文档编制及复杂主题培训
- 需要具备扎实的数学基础,包括线性代数、概率统计和最优化理论,能够支撑算法建模与调优
- 需要精通Python,熟悉Pandas、Scikit-learn,并掌握至少一种深度学习框架,如TensorFlow、PyTorch或MindSpore
- 需要理解LLM应用开发链路,包括Prompt Engineering、LangChain、LlamaIndex、RAG、微调、继续预训练和Agent适配
- 需要了解vLLM、Ollama、TGI等推理框架,以及量化、蒸馏等模型轻量化技术,并能用英语作为工作语言
申请策略
- 申请前了解德科斯米尔在汽车线束和车内饰领域的业务特点,准备将AI能力与制造、质量、工艺或效率场景关联的思路
- 面试中注意平衡AI算法能力与工业工程流程优化意识,突出自己能解决真实业务问题而不只是做模型实验
- 重点突出AI项目经历,尤其是从算法设计、数据处理、模型训练到上线部署的完整闭环
- 写明使用的技术栈,如Python、PyTorch/TensorFlow、LangChain、LlamaIndex、RAG、vLLM等,并说明具体贡献
- 用量化结果展示模型效果,例如准确率提升、延迟降低、吞吐量提升、人工效率改善或业务成本优化
- 补充跨部门协作、文档编写、内部培训、项目协调经历,体现与JD中联络人和培训职责的匹配度
- 强化LLM应用开发能力,重点准备RAG、Agent、Prompt Engineering、微调和推理优化相关项目
- 补齐模型工程化能力,包括部署、监控、性能调优、量化蒸馏和生产环境稳定性保障
面试指南
- 项目类问题采用“背景-目标-方案-个人贡献-结果-复盘”的结构,重点说明自己负责的部分和可量化成果
- 技术类问题采用“问题定义-可选方案-选型理由-实现细节-效果验证”的思路,体现工程落地意识
- 协作类问题采用“利益相关方-沟通机制-冲突处理-交付结果”的框架,突出文档、培训、标准流程和项目推进能力
- 请介绍一个你主导或完整参与的AI项目,包括业务背景、技术路线、你的职责和最终效果
- 你在大模型应用中如何设计RAG流程?如何处理文档切分、向量检索、召回质量和答案幻觉问题?
- 如何优化LLM推理服务的延迟和吞吐量?你使用过vLLM、Ollama或TGI吗?
- 面对制造场景中的小样本、数据质量差或分布变化问题,你会如何做数据挖掘、特征工程和模型调优?
- 你如何作为内部联络人推动跨部门协作,并将复杂技术成果转化为文档、汇报或培训?
职位点评
薪资福利
JD未披露薪资和福利信息,无法判断薪资竞争力;岗位要求三年以上经验及大模型落地能力,通常对应中高级技术岗位,但具体回报需与招聘方确认。
成长发展
岗位明确涉及机器学习、深度学习、NLP、LLM、RAG、Agent、推理优化和模型全生命周期管理,技术成长空间较强。JD还提到内部培训、标准流程优化和子项目协调,有利于发展综合技术影响力。
工作生活
JD仅说明全职和地点为沈阳,未提及远程、弹性办公、双休或加班情况,生活化动机满足程度无法充分判断。
使命价值
岗位服务于汽车制造、生产工艺优化和企业级AI应用落地,技术应用场景明确,但JD未直接表达社会使命或行业价值导向。
德科斯米尔 的其他在招职位