德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 3 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
Prompt Engineering
Pytorch
Rag
Tensorflow
Vllm
大语言模型(Llm)
数据挖掘
自然语言处理(Nlp)
值不值得投
74综合评分
综合评分 74
跨国车企AI算法岗，技术栈前沿、成长空间大，薪资中等偏上，WLB情况需确认。
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
2万
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
53 个在招 · 其中机器学习工程 4 个
市场机会
选择不多
沈阳 · 机器学习工程 · 4 个在招
职位详情
关于这个职位
该职位主要负责机器学习、深度学习及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
你将探索大语言模型在对话系统、知识图谱等场景的落地，并负责模型从训练、调优到部署的全生命周期管理
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、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（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
- 处于大模型和AI技术落地的核心领域，技术栈前沿（LLM、RAG、Agent），能积累极具市场竞争力的经验
- 跨国企业平台，提供规范的流程管理和国际化视野，英语工作环境有助于提升语言能力
- 职位标题（Industrial Engineering）与实际工作内容（AI算法）存在差异，需适应内部职级体系与实际业务的错位
- 适合具备3年以上AI/大模型开发经验，希望在传统制造业转型中发挥技术价值，且具备良好英语能力和跨部门沟通能力的技术人才
缺点 / 挑战
- 传统制造业背景下的AI落地可能面临业务场景复杂、数据基础薄弱或算力资源受限等挑战
角色解读
- 从AI算法工程师向大模型技术专家或AI架构师发展
- 也可凭借项目管理和跨部门协作经验，向AI技术团队负责人或AI产品总监转型
- 负责机器学习、深度学习及NLP算法的设计与开发，构建定制化AI解决方案
- 探索并落地大语言模型（LLM）在企业级场景的应用，包括RAG、Agent及Prompt Engineering
- 管理AI模型从训练、调优到部署的全生命周期
- 精通Python及主流深度学习框架（PyTorch/TensorFlow），具备扎实的数学基础
- 熟练掌握大模型相关技术栈（LangChain、vLLM、RAG等），并有至少3年AI算法或大模型落地经验
- 具备良好的英语沟通能力及跨部门协作能力
申请策略
- 在求职信或面试中，可主动提及对德科斯米尔业务的了解，展现将前沿AI技术与传统汽车制造业结合的愿景，以弥补职位标题与实际内容不符带来的疑虑
- 突出大模型（LLM）落地经验，详细列出使用LangChain、RAG、Agent等技术解决实际业务场景的项目成果
- 强调模型优化（如vLLM推理加速、量化蒸馏）和全生命周期管理能力
- 深入了解汽车制造或线束/内饰行业的业务痛点，思考AI技术如何与生产工艺、供应链或质量管理结合
- 复习并巩固大模型微调及推理加速的底层原理
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经验
- 对于技术深度问题，先讲核心原理，再结合具体业务场景说明优化手段，最后用数据指标（如准确率提升、延迟降低百分比）量化成果
- 请详细介绍一个你主导的大模型落地项目，你是如何解决幻觉问题或提升检索准确率的？
- 在优化LLM推理流程时，你使用了哪些具体技术（如vLLM、量化）来降低延迟和提高吞吐量？
- 传统制造业的数据质量和场景与互联网不同，你如何调整算法策略以适应企业级场景？
- 你的职位标题是Industrial Engineering，你如何理解AI算法在工业工程或生产工艺中的具体应用？
- 准备2-3个完整的大模型或AI算法项目案例，重点梳理技术难点和解决方案
- 了解德科斯米尔的主营业务（汽车线束和内饰），思考AI在质量检测、生产排程或知识管理中的潜在应用
职位点评
薪资福利70
成长发展85
工作生活65
使命价值75
薪资福利
70中等
薪资在沈阳当地具备竞争力，跨国企业福利体系相对规范，但整体薪酬上限不及一线城市互联网大厂。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
岗位涉及大模型、RAG等前沿AI技术，技术成长空间大，且职责中包含规划内部培训，有利于个人技术影响力的提升。
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、识别公司内部本领域持续教育需求
业务类型ambiguous
工作生活
65中等
跨国企业通常注重工作生活平衡，但岗位涉及子项目管理及跨部门协作，且未明确提及弹性工作制，WLB情况需具体确认。
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
将前沿AI技术应用于传统汽车制造领域，推动行业智能化转型，具有一定的产业升级意义。
行业发展稳定成熟行业
社会影响中性/一般
使命信号汽车创新、提升驾驶体验
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