德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 6 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
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
数据处理
模型优化
值不值得投
72综合评分
综合评分 72
前沿AI技术在汽车制造中的应用，技术成长性高，但办公灵活性可能一般。
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
1.6万
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
89 个在招 · 其中人工智能 5 个
市场机会
选择不多
沈阳 · 人工智能 · 6 个在招
职位详情
关于这个职位
该职位在德科斯米尔汽车公司负责AI算法的开发与优化，包括机器学习、深度学习、NLP和大模型（如LLM）在生产过程和业务场景中的应用，以提升智能化水平和工作效率
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，Llamalndex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管理周期管理，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
- 技术栈前沿，直接参与LLM、RAG等热门AI技术在工业场景的落地
- 跨国企业平台，有机会接触国际标准与协作，提升职业视野
- 项目涉及生产流程优化，能积累制造业与AI结合的复合经验
- 汽车制造业节奏可能偏重流程与稳定性，需平衡技术创新与业务落地需求
- 现场办公为主，灵活性较低，需适应工业环境的工作方式
- 适合对AI算法有浓厚兴趣、具备扎实编程与数学基础、希望将技术应用于实体产业且不介意现场办公的求职者
缺点 / 挑战
- AI技术快速迭代，需持续学习以保持竞争力，工作压力可能较大
角色解读
- 可向AI技术专家或资深算法工程师方向发展，深耕垂直行业应用
- 积累项目管理经验后，可晋升为技术经理或团队负责人，带领复杂AI项目
- 通过持续学习前沿技术（如大模型、Agent），向数据科学家或技术架构师转型
- 负责AI算法的开发与优化，特别是机器学习、深度学习和NLP在汽车生产场景的应用
- 设计并实现基于大语言模型（如LLM、RAG）的企业级AI解决方案，提升业务智能化水平
- 管理AI模型的全生命周期，包括训练、调参、部署和性能优化
- 参与内部协作、标准制定和培训，推动技术在企业内的落地与推广
- 精通Python编程语言，熟悉Pandas、Scikit-learn等数据处理工具
- 熟练使用至少一种深度学习框架（如TensorFlow、PyTorch、MindSpore）
- 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
- 拥有AI算法研发或大模型应用开发经验，能独立完成项目从设计到落地的全流程
申请策略
- 研究德科斯米尔的业务重点（如线束系统、车辆内饰），思考AI如何赋能其生产或产品创新
- 在面试中主动探讨AI在汽车行业的应用挑战与机遇，展示行业洞察力
- 突出Python、深度学习框架（PyTorch/TensorFlow）的使用经验与项目案例
- 详细描述参与的AI项目，强调算法设计、开发与落地成果，尤其是大模型相关实践
- 展示英语工作能力，如技术文档撰写、国际协作经历等
- 补充对制造业或工业工程的理解，体现跨领域应用潜力
- 深化大模型相关技能，如LLM微调、RAG实现、Prompt工程，并熟悉LangChain、LlamaIndex等工具
- 学习工业工程或汽车制造基础知识，以便更好地将AI技术适配生产场景
面试指南
- 使用STAR法则（情境-任务-行动-结果）描述项目经历，突出技术选型、挑战解决与量化成果
- 结合具体技术细节（如量化、蒸馏、框架选择）解释性能优化方法，体现专业深度
- 从问题定义、数据处理、模型评估等角度拆解RAG应用，展示系统思维
- 请介绍一个你独立主导的AI项目，从需求分析到部署上线的完整过程
- 如何优化大语言模型（如LLM）的推理性能，有哪些具体方法？
- 你对RAG（检索增强生成）的理解是什么？请举例说明其在企业场景的应用
- 如何确保AI模型在生产环境中的稳定性与高性能？
- 英语作为工作语言，你如何处理跨文化团队协作中的技术沟通？
职位点评
薪资福利70
成长发展85
工作生活60
使命价值70
薪资福利
70中等
薪资信息未披露，但基于3年AI经验要求和沈阳制造业市场，预计薪酬具备一定竞争力。
薪资信号未披露（AI估算：1.2千–2万/月）
成长发展
85较高
职位涉及前沿AI技术（如LLM、RAG），提供技能成长与项目实践机会，适合追求技术深度的求职者。
技术前沿前沿/新兴技术
技术栈Python、NLP、LLM、RAG、LangChain、TensorFlow、PyTorch、数据处理、模型优化
业务类型ambiguous
工作生活
60中等
工作模式未明确，但制造业岗位可能以现场办公为主，办公灵活性有限。
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
汽车行业稳定，AI技术应用有助于生产优化，但社会影响力较为中性。
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