德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 4 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
Prompt Engineering
Pytorch
Rag
Tensorflow
大模型
数据分析
机器学习
自然语言处理
值不值得投
71综合评分
综合评分 71
工业AI算法岗，技术前沿、培训机会多，但现场办公、职责边界模糊。
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
20K
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
约 200 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 · 5 个在招
职位详情
关于这个职位
负责机器学习、深度学习和自然语言处理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
探索大规模语言模型在对话系统、知识图谱等应用场景，推动大模型技术在企业级场景的落地
参与AI模型从训练、部署到优化的全生命周期管理，提升模型在工业领域的性能和应用效果
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
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
- 涉及前沿AI技术，特别是大模型和工业应用，能积累前沿技能和项目经验
- 在跨国企业平台工作，有参与国际培训和标准化流程的机会，视野开阔
- 职责涵盖从算法开发到项目管理全流程，能全面提升技术能力和综合素养
- 职位标题为'工业工程'但职责聚焦AI，可能存在职责定位模糊，需快速适应跨领域融合
- 技术栈涉及大模型、推理优化等，技术迭代快，需持续学习以保持竞争力
- 适合具备AI算法背景，对工业制造领域应用感兴趣，乐于在跨国公司环境中承担技术开发和项目管理职责的工程师
缺点 / 挑战
- 项目管理协调和跨团队协作要求较高，需平衡技术深度与沟通效率
角色解读
- 技术专家路径：深入AI算法和大模型领域，成为工业AI解决方案架构师
- 管理路径：凭借项目协调经验，可向技术经理或团队负责人发展，负责AI项目群
- 跨界发展：结合汽车制造行业知识，向工业4.0或智能制造领域的AI顾问拓展
- 设计和开发机器学习、深度学习及NLP算法，为业务场景构建定制化AI解决方案
- 探索和优化大规模语言模型在对话、推荐等企业级场景的应用，推动技术落地
- 负责AI模型从训练、部署到维护的全生命周期管理，确保生产环境稳定性和性能
- 精通Python编程，熟悉Pandas、Scikit-learn等数据处理工具和至少一种深度学习框架（如TensorFlow、PyTorch）
- 扎实的数学基础，包括线性代数、概率统计和最优化理论，支撑算法设计
- 掌握大模型相关技术，如RAG、Prompt Engineering及推理框架（vLLM、Ollama），具备模型轻量化经验
申请策略
- 研究德科斯米尔在汽车行业的业务方向，特别是电动化或智能驾驶相关AI应用
- 准备展示如何将AI技术应用于生产流程优化或工业自动化中的具体案例
- 突出3年以上AI算法开发经验，特别是机器学习、NLP和大模型相关项目成果
- 强调使用Python、TensorFlow/PyTorch等工具的实际案例，以及模型优化和部署经历
- 展示项目管理或团队协作经验，体现协调和解决问题的能力
- 加强大模型技术实践，如RAG系统构建、Prompt Engineering和模型轻量化（量化、蒸馏）
- 了解汽车制造或工业工程基础知识，以便更好地理解业务场景和需求
面试指南
- 使用STAR方法（情境、任务、行动、结果）结构化回答项目经验，突出技术决策和量化成果
- 结合具体技术细节（如使用vLLM降低延迟）和业务价值（如提升生产效率）进行阐述
- 强调问题解决能力和学习能力，例如面对技术难题时如何调研、实验和迭代
- 请介绍一个你主导的AI项目，从算法设计到部署的完整过程
- 如何优化大规模语言模型在工业场景中的推理性能？
- 你如何处理跨部门协作中的技术分歧或需求变更？
- 请解释RAG技术在企业知识库问答中的应用及挑战
- 你对工业AI在汽车制造领域的应用有什么见解？
职位点评
薪资福利70
成长发展80
工作生活60
使命价值75
薪资福利
70中等
薪资基于AI算法经验要求，在沈阳市场属中上水平，但具体福利未提及，稳定性取决于公司状况。
薪资信号市场水准 (15K-25K/月)
成长发展
80较高
职位涉及前沿AI技术和大模型应用，公司提供内部培训和国际交流机会，有利于技能深度发展和职业成长。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、LLM、RAG、Prompt Engineering、vLLM
成长机会持续教育需求、内部及外部培训
业务类型ambiguous
工作生活
60中等
工作地点为工厂或研发基地，需现场办公，可能涉及生产环境，办公灵活性有限，工作生活平衡未明确说明。
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
75中等
在汽车制造行业推动AI技术落地，具有工业创新价值，但社会影响力属中性，行业处于智能化转型期。
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