德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 15 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)
机器学习
深度学习
NLP
数据挖掘
PyTorch
RAG
TensorFlow
LLM
AI 估算 · 15k–25k
沈阳AI算法工程师，3年经验，跨国巨头，薪资中上水平，结合技能稀缺性，估值1.5-2.5万/月
职位详情
关于这个职位
该职位是德科斯米尔在沈阳的工业工程部门，但实际职责聚焦于AI算法和大模型应用开发
你将负责机器学习、深度学习、NLP等算法设计与开发，探索大模型在对话、知识图谱等场景的落地，并优化推理性能
适合有3年以上AI经验、精通Python和深度学习框架的工程师
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
- 前沿技术栈：深度参与LLM、RAG、Agent等大模型应用，紧跟行业趋势
- 公司平台稳定：德科斯米尔为跨国巨头，提供国际化工作环境和内部培训机会
- 职责全面：覆盖算法设计、模型部署、项目管理、培训等多方面，综合成长快
- 沈阳生活成本较低，薪资在本地具有竞争力
- AI领域技术更新快，需要持续学习，保持对最新框架和方法的掌握
- 职位涉及多种任务（从研发到培训），可能要求多线程工作能力
- 作为外企，英语沟通能力需达到工作水平，可能对部分求职者构成门槛
- 适合有3年以上AI经验、热爱技术、希望在外企环境中深入大模型应用开发的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术方向：可向AI算法专家、大模型架构师发展，深耕NLP/CV等领域
- 管理方向：由于职位包含子项目管理，可向技术主管、AI团队负责人晋升
- 跨领域：结合工业工程背景，可转型为智能制造AI解决方案专家
- 设计和开发机器学习、深度学习及NLP算法，构建定制化AI解决方案
- 独立完成数据挖掘、特征工程、模型训练与调优，提升模型性能
- 探索大语言模型在对话系统、知识图谱、智能推荐等场景的应用
- 优化LLM推理流程，使用vLLM、Ollama等框架，并参与大模型微调、RAG、Agent适配
- 精通Python，熟练使用Pandas、Scikit-learn等数据处理工具
- 掌握TensorFlow、PyTorch或MindSpore等深度学习框架
- 具备3年以上AI算法或大模型开发经验，完整参与过至少2个AI项目
- 良好的数学基础（线性代数、概率统计、最优化），英语可作为工作语言
申请策略
- 了解德科斯米尔在汽车行业的业务（线束、内饰），思考AI如何与其工业工程结合，在面试中展示业务理解
- 提前准备英文自我介绍和项目描述，面试中可能需要用英文交流
- 突出AI项目经验：重点描述2个以上完整项目，包括算法设计、开发、部署细节
- 展示大模型相关技能：如LLM微调、RAG、Prompt Engineering等实际应用案例
- 强调数学和编程能力：列出线性代数、概率统计课程成绩或相关项目，展示Python和框架熟练度
- 体现英语能力：如有雅思/托福成绩或英语工作经历，请明确标注
- 如果缺乏大模型经验，可学习LangChain、LlamaIndex等框架，参与开源项目实践
- 补充模型轻量化技术（量化、蒸馏）和推理优化（vLLM、Ollama）的知识
面试指南
- 对于项目介绍，采用STAR法则：背景、任务、行动、结果，突出技术难点和解决方案
- 对于大模型问题，先阐述基础原理，再结合具体实践（如微调数据构建、RAG流程设计），体现深度
- 对于优化问题，从计算图优化、模型压缩、推理框架等角度分点回答，展现系统性思维
- 请详细介绍你主导的一个AI项目，包括算法选型、模型训练、部署和效果评估
- 你对大语言模型（LLM）的微调（fine-tuning）和RAG有什么理解？请结合项目经验说明
- 如何优化LLM推理性能？你使用过哪些框架和技术？
- 请解释Transformer架构的核心原理，以及为什么它在NLP中如此有效
- 你如何处理数据不平衡问题？在特征工程中有哪些常用方法？
职位点评
66
综合评分
外企AI算法岗，前沿技术栈，成长空间大，但需现场办公，WLB一般。
更适合这类人
适合注重技术成长和前沿技能积累的求职者，对工作地点灵活性要求不高。
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
薪资在沈阳属于中上水平，外企福利较为完善，但具体薪资未披露，且未提及明显高薪信号。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
技术栈前沿（LLM、RAG、Agent），有内部培训和外部培训机会，成长空间大。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agent、LangChain、PyTorch、TensorFlow
成长机会内部培训、外部培训、持续教育
业务类型ambiguous
工作生活
50较低
仅现场办公，未提及弹性工作或远程，沈阳工厂可能位于郊区，WLB信号不明。
工作模式仅现场办公
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
汽车行业成熟稳定，但AI应用在工业场景有社会价值（提升效率、质量），创新性中等。
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
Watch Jobs