DRAXLMAIER logo
德科斯米尔
Industrial Engineering ES

Industrial Engineering ES

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 1.8–3.0万 · AI 参考估算
中级经验
本科
全职员工仅现场办公AI算法
AI算法
Llamaindex
Llm
Nlp
Pytorch
Rag
Vllm
机器学习
深度学习

值不值得投

70综合评分

综合评分 70

偏前沿AI算法与大模型落地岗位,技术成长强,薪资与办公灵活性信息不足

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

与AI算法中位数基本持平

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 320 个在招 · 其中AI算法 18 个

市场机会

选择适中

沈阳 · AI算法 · 18 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算法与大模型应用方案的设计、开发、调优和落地,重点覆盖机器学习、深度学习、NLP、LLM推理优化及企业级AI应用构建

同时需要参与生产相关流程优化、内部标准建设、跨部门协作与培训,适合有算法研发和项目落地经验的候选人

最低要求

At least Bachelor’s degree in computer science, mathematics, and Computer Science, Industrial Engineering, AI Applications, Mathematics and etc.

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
Solid foundation in mathematics, with proficiency in linear algebra, probability and statistics, and optimization theory.
扎实的数学基础,熟悉线性代数,概率统计,最优化理论
Proficient in Python programming language, familiar with data processing tools such as Pandas and Scikit-learn.
精通Python编程语言,熟悉Pandas,Scikit-learn等数据处理工具
Proficient in at least one deep learning framework such as TensorFlow, PyTorch, or MindSpore.
熟练掌握TensorFlow,PyTorch,MindSpore等至少一种深度学习框架
At least 3 years of experience in AI algorithm development or large-scale model application development.
具备至少3年AI算法研发或者大模型应用开发相关经验
Experienced in independently leading or fully participating in algorithm design, development, and deployment for at least 2 AI projects.
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
English can be used as working language.
英语可作为工作语言

工作职责

Plan and realize production processes for existing and new products.

计划和实现现有产品和新产品的生产工艺
Responsible for designing and developing algorithms in the fields of machine learning, deep learning, and natural language processing (NLP), building customized AI solutions tailored to specific business scenarios..
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
Responsible for independently conducting data mining, feature engineering, model training, and optimization to enhance model performance in accuracy, generalization capability, and real-time responsiveness.
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
Explore large-scale language models (LLMs) in applications such as conversational systems, knowledge graphs, content generation, and intelligent recommendations, driving the implementation of large-model technology in enterprise-level scenarios.
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
Design and implement a prompt engineering solution, leveraging tools such as LangChain and Llama Index to build enterprise-grade AI application systems powered by large language models (LLMs).
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
Proficient in data processing techniques (data cleaning, feature extraction) and tools (e.g., Pandas, Scikit-learn), utilizing machine learning algorithms to perform tasks such as data clustering and distribution analysis to support structural LLM fine-tuning datasets.
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
Optimize LLM inference workflows by leveraging inference frameworks such as vLLM, Ollama, and TGI to enhance service performance, reduce latency, and increase throughput; master model lightweighting techniques including quantization and distillation
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
Participate in the continued pre-training, fine-tuning, RAG (Retrieval-Augmented Generation), and agent adaptation of large models to enhance their performance in vertical domains.
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
Manage the entire lifecycle of AI models—from training, hyperparameter tuning, and testing to deployment—ensuring stability and high performance in production environments.
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
Act as internal and external contact person within his/her own area of expertise; cooperate in internal working groups.
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
Create internal publications (e.g. documentation, etc.) and present as required (internally)
编制内部相关文件并按需进行内部汇报
Recognize general need for continuing education in his/her own field within the company; plan and conduct internal and external training on complex topics, both domestically and in other countries
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)
Support in determining and optimizing internal standards and processes within his/her own area of expertise.
协助制定并优化本专业领域的内部标准与流程
Observe/identify trends in his/her area of expertise in order to develop concepts; suggest recommendations for action (e.g. planning methods, etc.).
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)
Conduct mainly conceptual activities within his/her area of expertise.
在其专业领域内主要开展概念性工作
Manage, control and coordinate sub-projects; monitor project handling and goal achievement, based on checklists and performance indicators.
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
Conduct complex analyses to optimize and determine measures for improvement.
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

  • 岗位覆盖机器学习、NLP、LLM、RAG、Agent和推理优化等较完整的大模型应用链路,技术内容较丰富
  • 依托汽车零部件制造场景,有机会将算法能力落地到真实业务流程中,积累行业化AI项目经验
  • JD提到内部工作组、培训、标准流程优化和子项目协调,有利于提升跨团队影响力
  • 英语可作为工作语言,适合希望积累跨国企业协作经验的候选人
  • 适合具备AI算法研发或大模型应用落地经验,既能做模型训练调优,也能推进工程部署和跨部门协作的技术候选人

缺点 / 挑战

  • 岗位同时涉及AI算法、大模型工程化、生产流程优化和项目协调,职责范围较广,对综合交付能力要求较高
  • 需要保障模型在生产环境中的稳定性、实时性和高性能,可能面临工程落地与业务约束之间的平衡压力
  • 要求至少3年经验和2个完整AI项目经历,竞争门槛较高,项目深度会被重点考察

角色解读

  • 可向资深AI算法工程师或大模型应用专家方向发展,深耕模型训练、推理优化和企业级落地
  • 可逐步承担子项目负责人角色,积累跨部门协作、标准流程建设和内部培训经验
  • 未来可拓展到AI平台架构、智能制造算法解决方案或技术管理方向
  • 负责机器学习、深度学习和NLP算法设计开发,围绕制造与业务场景构建定制化AI解决方案
  • 参与大模型在对话系统、知识图谱、内容生成、智能推荐等场景的落地,包括Prompt Engineering、RAG、Agent适配和微调
  • 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,并优化LLM推理延迟和吞吐
  • 参与内部标准流程优化、复杂问题分析、子项目协调、文档编制和跨部门培训汇报
  • 需要扎实的Python编程能力,并熟悉Pandas、Scikit-learn等数据处理工具
  • 需要掌握线性代数、概率统计、最优化理论等数学基础,理解算法建模与调优原理
  • 需要熟练使用至少一种深度学习框架,如TensorFlow、PyTorch或MindSpore,并具备模型训练到部署的完整经验
  • 需要了解LLM应用技术栈,包括LangChain、LlamaIndex、vLLM、Ollama、TGI、RAG、量化和蒸馏等

申请策略

  • 申请前建议了解德科斯米尔在汽车线束和车内饰领域的业务特点,准备算法如何服务制造场景的思路
  • 面试中尽量用量化指标说明项目价值,如准确率、召回率、延迟、吞吐量、上线效率或业务改善效果
  • 重点突出至少2个完整AI项目的背景、个人职责、技术方案、模型效果指标和上线结果
  • 明确写出Python、PyTorch/TensorFlow、Pandas、Scikit-learn、LangChain、LlamaIndex、RAG、vLLM等技术栈的实际使用经验
  • 强化大模型应用落地经历,如对话系统、知识图谱、内容生成、智能推荐、微调、量化、蒸馏或推理性能优化
  • 补充英语协作、跨部门沟通、文档编写、培训或项目协调经历,匹配JD中的联络与工作组职责
  • 可重点补齐LLM应用工程能力,包括RAG流程设计、Prompt Engineering、Agent工具调用和企业知识库构建
  • 建议熟悉vLLM、Ollama、TGI等推理框架,并理解量化、蒸馏、缓存和批处理等性能优化方法

面试指南

  • 项目类问题采用“背景-目标-方案-难点-结果-复盘”结构,重点说明个人贡献和可量化成果
  • 技术类问题采用“问题定义-可选方案-取舍依据-实验验证-上线监控”的思路,体现工程闭环
  • 协作类问题采用“ stakeholder 识别-沟通机制-里程碑管理-风险处理-结果沉淀”的框架回答
  • 请介绍一个你独立主导或完整参与的AI项目,包括业务背景、技术方案、模型效果和上线结果
  • 你在大模型应用中如何设计RAG流程?如何处理知识库切分、召回质量和幻觉问题?
  • 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?
  • 面对一个制造业务场景,你会如何判断应该使用传统机器学习、深度学习还是大模型方案?
  • 你如何与内部业务、IT或生产团队协作,推动AI方案从验证到落地?

职位点评

薪资福利72
成长发展86
工作生活45
使命价值70

薪资福利

72中等

JD未披露薪资和福利信息,因此补偿性动机只能基于岗位要求进行有限判断。岗位要求三年以上经验和大模型落地能力,通常对应较有竞争力的技术岗位定位,但具体薪资福利需与招聘方确认。

薪资信号未披露(AI估算:1.8千–3.0万/月)

成长发展

86较高

岗位覆盖机器学习、深度学习、NLP、LLM、RAG、Agent、推理优化和模型全生命周期管理,技术成长空间较大。JD还提到内部培训、标准流程优化和子项目协调,有助于提升技术影响力和项目推进能力。

技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、LLM、LangChain、Llama Index、Pandas、Scikit-learn、vLLM、Ollama、TGI、RAG、Agent、量化、蒸馏、TensorFlow、PyTorch、MindSpore
成长机会持续教育、内部和外部培训、规划并实施复杂主题的内部及外部培训、优化内部标准与流程
业务类型ambiguous

工作生活

45较低

JD仅明确为全职并注明地点为沈阳,未提及远程、混合办公、弹性工时或加班情况。工作模式和生活节奏信息不足,需要在面试中进一步确认。

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

70中等

岗位服务于汽车线束系统和车辆内饰产品创新,并涉及生产工艺优化,具备一定制造业技术升级价值。JD未直接表达社会使命或绿色、安全等价值导向,意义感主要来自技术落地和流程改进。

行业发展稳定成熟行业
社会影响中性/一般
使命信号automotive innovations、products that enhance your driving experience
创新程度积极采用新技术
Watch Jobs