德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 7 小时前普通员工/个人贡献者
沈阳市
高级经验
全职员工
仅现场办公
本科
机器学习工程
Llm
Nlp
Pytorch
Rag
Tensorflow
机器学习
深度学习
AI 估算 · 15k–25k
AI算法工程师在沈阳属于高薪岗位，但相比一线城市略低。结合3年以上经验和外企背景，月薪在15-25K之间合理。
职位详情
关于这个职位
该职位是德科斯米尔（DRAEXLMAIER）在沈阳的工业工程专家（ES）岗位，但实际工作内容聚焦于AI算法与大模型应用开发
您将负责机器学习、深度学习、NLP算法的设计与开发，构建定制化AI解决方案，并探索LLM在对话系统、知识图谱等场景的落地
该岗位要求扎实的数学基础和Python编程能力，并具备至少3年AI算法研发经验
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，LlamaIndex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
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
- 德科斯米尔是全球汽车零部件巨头，平台稳定，业务前景好，为AI技术提供了丰富的工业应用场景
- 岗位涉及AI算法和大模型应用开发，技术栈前沿，能积累LLM、RAG等热门技能
- 外企文化，英语作为工作语言，有助于提升国际沟通能力，且提供内部培训机会
- 沈阳生活成本较低，薪资在本地有较强竞争力，能获得较好的生活质量
- 职位名称（Industrial Engineering ES）与实际工作内容（AI算法）存在偏差，可能带来角色定位的困惑
- 汽车制造行业对AI技术的应用可能更偏向于传统工业场景，创新速度可能不如互联网公司
- 适合有3年以上AI算法经验，希望在传统工业领域深耕，并追求稳定职业发展的技术人才
缺点 / 挑战
- 需要同时具备工业工程和AI算法背景，对复合型能力要求较高
角色解读
- 在汽车零部件巨头中，可以深入AI在智能制造、质量检测、供应链优化等领域的应用，成为行业专家
- 可以沿着算法工程师 → 高级算法工程师 → AI技术专家/技术经理的路径发展
- 有机会参与国际项目，提升跨文化沟通和项目管理能力，未来可转向管理岗位
- 负责AI算法（机器学习、深度学习、NLP）的设计与开发，构建面向汽车制造场景的定制化AI解决方案
- 探索大语言模型（LLM）在对话系统、知识图谱、内容生成等场景的应用，并推动其落地
- 优化LLM推理流程，使用vLLM、Ollama等框架提升性能，并掌握模型量化、蒸馏等轻量化技术
- 参与大模型微调、RAG、Agent等适配工作，并管理AI模型从训练到部署的全生命周期
- 扎实的数学基础（线性代数、概率统计、最优化理论），这是算法设计和优化的基石
- 精通Python，并熟悉Pandas、Scikit-learn等数据处理工具，以及TensorFlow、PyTorch等深度学习框架
- 熟悉LLM应用开发，包括Prompt Engineering、LangChain、LlamaIndex、RAG、Agent等
- 具备独立主导AI项目的能力，包括算法设计、开发、部署和优化
申请策略
- 在申请时，可以主动了解德科斯米尔在沈阳工厂的AI应用场景，并在面试中展示你对工业场景的理解
- 准备好英文简历和英文自我介绍，以应对可能的英文面试环节
- 突出在AI算法项目中的主导或核心参与角色，特别是算法设计、开发和落地经验
- 强调大语言模型（LLM）应用开发经验，包括RAG、Agent、Prompt Engineering等
- 展示扎实的数学基础和Python编程能力，以及使用Pandas、PyTorch等工具的经验
- 如有汽车制造或工业场景的AI应用经验，务必重点提及
- 可以提前学习LangChain、LlamaIndex等LLM应用开发框架，并动手实践RAG和Agent项目
- 熟悉模型量化、蒸馏等模型轻量化技术，以及vLLM、Ollama等推理框架
面试指南
- 使用STAR法则（情境、任务、行动、结果）来回答项目经验问题，突出你的个人贡献和项目成果
- 对于技术问题，先阐述核心概念，再结合项目经验说明如何应用，最后总结效果和反思
- 对于场景应用问题，可以结合德科斯米尔的业务，提出具体的AI应用构想，展示你的业务理解能力
- 请介绍一个你主导的AI项目，包括算法选型、模型训练和部署的完整流程
- 你如何理解RAG？请描述一个你使用RAG解决实际问题的案例
- 如何优化LLM的推理性能？你了解哪些模型轻量化技术？
- 你如何将AI技术应用到汽车制造场景中？请举例说明
- 请谈谈你对大模型在垂直领域落地挑战的理解
职位点评
72
综合评分
跨国汽车零部件巨头，前沿AI技术栈，薪资有竞争力，但现场办公且WLB一般。
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
该职位最适合追求技术成长和职业发展的求职者，特别是对AI和大模型技术有热情，并愿意在传统工业领域深耕的候选人。
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60
使命价值65
薪资福利
70中等
该职位提供有竞争力的薪资和跨国企业的稳定性，但具体薪资未在JD中披露。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
该职位技术栈前沿，涉及LLM、RAG等热门技术，能提供良好的技能成长机会。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、NLP、LLM、RAG、LangChain、LlamaIndex、vLLM
业务类型ambiguous
工作生活
60中等
该职位为现场办公，工作地点在沈阳，生活成本较低，但工作模式灵活性不高。
工作模式仅现场办公
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
65中等
汽车制造行业是稳定成熟行业，该职位能通过AI技术提升生产效率，具有一定的社会价值。
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