德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 3 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
Prompt Engineering
Pytorch
Rag
Tensorflow
Vllm
机器学习
值不值得投
薪资怎么样
2.0万
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
约 190 个在招 · 其中机器学习工程 17 个
市场机会
选择适中
沈阳 · 机器学习工程 · 17 个在招
职位详情
关于这个职位
该岗位隶属于德科斯米尔（沈阳）汽车配件有限公司，岗位名为工业工程，但实际聚焦机器学习、深度学习、NLP与大模型算法研发
你将面向制造业务场景完成AI方案设计、数据挖掘、模型训练调优、RAG/Agent落地与推理优化，并参与内部标准、培训和子项目协调
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
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，支撑结构化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
- 汽车零部件跨国企业平台，可接触制造业务场景和真实企业级数据
- 技术栈覆盖机器学习、深度学习、NLP、LLM、RAG、Agent与推理优化，前沿性较强
- 岗位要求参与模型全生命周期，有利于锻炼端到端落地能力
- 职责包含内部培训、标准制定和项目协调，能积累跨团队影响力
- JD标题为工业工程，实际职责却是AI算法与大模型应用，岗位定位需在面试中确认
- 除算法研发外还需承担文档、培训、子项目协调等非纯技术工作
- 适合有3年以上AI算法或大模型经验，愿意在制造企业推动AI落地，并具备工程实现、沟通协作和英语工作能力的人
缺点 / 挑战
- 在传统制造企业推动大模型落地，可能面临数据质量、算力资源和业务协同挑战
角色解读
- 可从AI算法工程师成长为LLM应用/平台架构师，深入企业级AI系统设计
- 在制造+AI垂直领域积累业务理解，向AI落地专家或项目负责人发展
- 通过RAG、Agent、推理优化和内部培训经验，逐步走向AI技术管理或跨部门数字化负责人
- 面向汽车零部件制造业务，设计机器学习、深度学习、NLP与大模型算法方案
- 独立完成数据挖掘、特征工程、模型训练调优与部署，优化推理延迟和吞吐
- 探索LLM在对话、知识图谱、内容生成、智能推荐等场景落地，构建RAG/Agent应用
- 参与内部标准、培训、子项目协调和技术文档工作
- 扎实的线性代数、概率统计和最优化理论基础
- 熟练使用Python、Pandas、Scikit-learn，并掌握TensorFlow/PyTorch/MindSpore等深度学习框架
- 熟悉Prompt Engineering、LangChain、LlamaIndex、vLLM、Ollama、TGI及量化蒸馏等LLM技术栈
- 具备3年以上AI算法或大模型应用经验，独立参与过至少2个AI项目落地，英语可作为工作语言
申请策略
- 用STAR或项目闭环思路回答：业务问题—数据—方案—指标—上线—复盘
- 技术选型要讲清对比和权衡，例如效果、成本、延迟、可维护性
- 用可验证的指标说明成果，如准确率、推理延迟、吞吐量、资源消耗等
- 请介绍一个你主导的AI项目，从数据到部署是如何落地的？
- 如何针对制造业务场景设计LLM、RAG或Agent方案？
- 你如何优化LLM推理延迟和吞吐？量化、蒸馏有哪些实践？
- 请举例说明数据挖掘、特征工程和模型调优经验
- 你是否有英语工作场景和跨部门协作经验？
面试指南
暂无内容
德科斯米尔 的其他在招职位
相似职位推荐
Watch Jobs