德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 2 小时前普通员工/个人贡献者
沈阳市
中级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
Llm
Nlp
Pytorch
Rag
Tensorflow
数据挖掘
机器学习
深度学习
AI 估算 · 15k–25k
AI算法岗位，沈阳市场薪资中等偏上，外企稳定但涨幅有限。
职位详情
关于这个职位
这是一个结合AI算法与工业工程的岗位，负责设计、开发和部署机器学习、深度学习及大语言模型（LLM）解决方案，优化生产工艺和业务流程
你将参与从数据挖掘、模型训练到推理优化及工程化落地的全流程，并推动AI技术在企业级场景的应用
适合具备扎实的数学和编程基础、拥有至少3年AI研发经验、希望在外企环境中深耕技术的人士
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
至少3年AI算法研发或大模型应用开发经验
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
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
- 职位聚焦大模型和AI前沿技术，技术成长空间大，有利于保持行业竞争力
- 外企背景，工作流程规范，有机会参与国际项目，英语环境提升语言能力
- 公司提供内部培训及继续教育支持，鼓励专业发展
- 沈阳生活成本较低，外企薪资在当地具有较强竞争力
- 职位要求综合能力强，需要同时掌握算法、工程、数据处理和项目管理技能
- 可能需要承担内部培训、标准化等额外职责，工作内容较杂
- 汽车行业AI应用场景可能相对集中，创新空间受限于业务需求
- 适合具备扎实AI算法基础、对LLM技术有热情、喜欢技术落地和跨部门协作的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术路线：从AI算法工程师向高级AI专家、首席科学家发展，深耕大模型、多模态等前沿方向
- 管理路线：可转向技术团队管理岗位，如AI团队负责人、技术总监
- 行业拓展：汽车行业的AI应用经验可向智能制造、自动驾驶等领域横向迁移
- 设计并开发机器学习/深度学习算法及NLP模型，解决业务场景中的实际问题
- 探索大语言模型（LLM）在对话、知识图谱、内容生成等场景的应用，并推动落地
- 优化模型推理性能，使用vLLM、量化、蒸馏等技术提升服务效率
- 参与AI项目全生命周期管理，包括数据清洗、特征工程、模型训练、部署与维护
- 扎实的数学基础（线性代数、概率统计、优化理论）和编程能力（Python）
- 熟练使用TensorFlow、PyTorch等深度学习框架，以及Pandas、Scikit-learn等数据处理工具
- 熟悉LLM相关技术栈，包括Prompt Engineering、RAG、Agent、LangChain等
- 至少3年AI算法研发经验，独立主导过至少2个AI项目
申请策略
- 在求职信中表达对汽车行业AI应用的兴趣，结合公司产品（线束系统、内饰）提出AI赋能构想
- 提前了解德科斯米尔（Dräxlmaier）的业务和沈阳工厂情况，面试时展现文化匹配度
- 突出AI项目经验：详细描述至少2个独立主导或深度参与的项目，包括算法选型、模型优化、部署效果
- 强调LLM相关经验：Prompt Engineering、RAG、微调等具体技术实践
- 展示数学和编程基础：在简历中体现线性代数、概率统计等课程或研究成果
- 量化项目成果：使用准确率提升、推理延迟降低等指标说明贡献
- 系统学习大模型技术栈，包括LangChain、vLLM、RAG框架等
- 补充模型轻量化知识：量化、蒸馏、剪枝等，并动手实践
面试指南
- 项目描述采用STAR法则：情境、任务、行动、结果，突出个人贡献和技术细节
- 对开放性问题的回答建议结合具体技术案例，展示思考深度和实践经验
- 准备2-3个有代表性的项目，用结构化方式表达，并准备英文版本
- 请详细描述你参与过的一个AI项目，从数据预处理到模型部署的全流程
- 你怎么看待大模型在工业场景中的应用？举一个具体的落地例子
- 如何处理模型推理性能瓶颈？请谈谈你使用过的优化技术
- 你如何处理数据不平衡问题？请介绍一种你用过的方法
- 请用英文介绍一下你的技术背景和项目经验
职位点评
69
综合评分
前沿AI技术岗，发展性强但WLB不明确，适合技术驱动型人才。
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。
更适合这类人
最适合重视技术成长和技能提升的求职者，其次是追求稳定外企环境者，对WLB要求高者需谨慎。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展85
工作生活50
使命价值60
薪资福利
70中等
薪资未在JD中披露，但基于外企性质和沈阳市场，推测中等偏上；未提及具体福利，但外企通常有基础保障。整体满足度中等。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
职位涉及LLM、深度学习等前沿技术，技术成长性强；JD明确提到内部培训、继续教育、趋势观察等，发展机会较好。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、LLM、数据挖掘、Python、TensorFlow、PyTorch、LangChain、RAG、vLLM、Prompt Engineering
成长机会继续教育、内部培训、外部培训、专业领域趋势
业务类型ambiguous
工作生活
50较低
JD未明确工作模式与加班情况，地点沈阳，外企可能相对规范，但缺乏WLB相关信息。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
60中等
汽车行业整体成熟，AI应用虽有创新但非颠覆性；公司产品线束和内饰对驾驶体验有贡献，但社会影响力一般。
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