德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 2 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
Pytorch
Rag
Tensorflow
Vllm
机器学习
深度学习
值不值得投
77综合评分
综合评分 77
跨国车企背景、聚焦大模型前沿技术落地、技术成长空间大，适合追求技术深度与业务结合的AI算法人才。
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
2.8万
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
91 个在招 · 其中机器学习工程 5 个
市场机会
选择不多
沈阳 · 机器学习工程 · 5 个在招
职位详情
关于这个职位
该职位负责机器学习、深度学习及自然语言处理等领域的算法设计与开发，重点探索大语言模型（LLM）在企业级场景的落地
你需要独立完成数据挖掘、模型训练与调优，并优化LLM推理流程，参与大模型的预训练、微调及RAG等工作，推动AI技术在汽车制造等业务场景中的应用
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
- 处于大模型与AI技术落地的核心领域，能接触到LLM、RAG、Agent等前沿技术，技术成长空间大
- 依托跨国汽车零部件巨头，有丰富的企业级业务场景和数据资源供模型落地，业务结合度高
- 外企背景通常提供规范的工作流程、较好的工作生活平衡及国际化视野与培训机会
- 大模型在传统制造业的落地往往面临数据质量、算力限制及业务部门接受度等现实问题，需要较强的业务抽象能力
- 具备3年以上AI/大模型开发经验，希望在实体制造业探索AI落地场景，且看重外企平台与国际化工作环境的算法工程师
缺点 / 挑战
- 职位标题为Industrial Engineering但实际为AI算法岗，可能存在跨部门沟通或业务理解上的挑战
角色解读
- 从AI算法工程师向大模型技术专家或AI架构师方向发展，深耕大模型底层技术与应用架构
- 未来可带领团队负责企业级AI战略落地，或转型为AI产品经理/技术负责人，推动传统制造业的智能化转型
- 负责机器学习、深度学习及NLP算法的设计与开发，重点探索大语言模型（LLM）在企业级场景的落地
- 独立完成数据挖掘、模型训练、调优及推理流程优化，参与大模型的预训练、微调、RAG及Agent适配
- 管理AI模型的全生命周期，确保在生产环境中的稳定与高性能，并推动AI技术在汽车制造等业务场景中的应用
- 扎实的数学基础与精通Python编程，熟练使用PyTorch/TensorFlow等深度学习框架
- 具备至少3年AI算法或大模型应用开发经验，熟悉LangChain、vLLM等工具及模型轻量化技术
- 英语可作为工作语言，具备良好的跨部门沟通与项目协调能力
申请策略
- 准备一份英文简历，因为该岗位要求英语作为工作语言
- 在面试中展示如何将前沿AI技术转化为实际业务价值，而不仅仅是技术实现
- 突出在大模型（LLM）、NLP、RAG及Agent方面的实际项目经验，特别是模型微调、推理优化（如vLLM）及落地成果
- 强调独立主导AI项目全生命周期的能力，以及使用Python和主流深度学习框架的熟练度
- 展示英语工作能力及跨部门协作经验，体现国际化团队中的沟通与汇报能力
- 深入学习大模型推理加速技术（如量化、蒸馏）及LangChain/LlamaIndex等应用开发框架
- 了解汽车制造或工业工程领域的基础知识，以便更好地将AI技术与实际业务场景结合
面试指南
- 采用STAR法则（情境、任务、行动、结果）来描述项目经验，重点突出你在模型选型、数据处理、训练调优及部署上线中的具体贡献和量化成果
- 对于业务结合问题，强调“以业务痛点为导向，以技术为手段”的思路，展示对工业场景的理解
- 请详细介绍一个你独立主导的大模型应用落地项目，遇到了哪些技术挑战及如何解决？
- 在优化LLM推理流程时，你如何使用vLLM或模型轻量化技术来降低延迟和提高吞吐量？
- 针对RAG（检索增强生成）系统，你是如何优化检索准确率和生成质量的？
- 如何将AI算法与传统的工业工程或汽车制造业务场景相结合？
- 请描述一次你使用英语进行技术沟通或汇报的经历
- 复习大模型相关的前沿技术细节（如Prompt Engineering、微调策略、RAG架构）及推理加速原理
职位点评
薪资福利75
成长发展85
工作生活70
使命价值75
薪资福利
75中等
沈阳地区3年大模型算法经验薪资处于市场中上水平，外企背景提供相对稳定的薪酬福利体系，但受限于地域，绝对薪资上限不及一线城市。
薪资信号市场水准 (2千–3.5万/月)
成长发展
85较高
岗位聚焦大模型、RAG、Agent等前沿AI技术，且涉及企业级场景落地，技术成长空间大；外企提供内部及国际培训机会。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、NLP、LangChain、LlamaIndex、vLLM、RAG、Agent
成长机会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）、识别公司内部本领域持续教育需求
业务类型ambiguous
工作生活
70中等
外企背景通常注重工作生活平衡，但大模型算法岗本身具有一定的技术挑战和项目压力，且JD未明确说明WLB政策。
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
75中等
推动大模型技术在传统汽车制造业的落地，助力工业智能化转型，具有一定的行业创新意义和社会价值。
行业发展高速增长赛道
社会影响中性/一般
使命信号automotive innovations、enhance your driving experience
创新程度积极采用新技术
Watch Jobs