德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 8 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
大语言模型 (Llm)
数据分析
机器学习
深度学习
自然语言处理 (Nlp)
值不值得投
74综合评分
综合评分 74
沈阳汽车零部件企业的AI算法岗，技术栈前沿（大模型），发展性强，但生活便利性与WLB信息不明。
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
24K
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 210 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
该职位是德科斯米尔（Dräxlmaier）在沈阳的AI算法工程师
主要负责机器学习、深度学习、自然语言处理（NLP）及大规模语言模型（LLM）相关算法的研发、优化和落地
工作内容涵盖从数据处理、模型训练调优到部署的全生命周期，旨在为企业级业务场景构建定制化的AI解决方案，提升模型性能和业务价值
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
- 技术前沿：直接参与大语言模型（LLM）等前沿技术在工业场景的落地，技术栈现代
- 项目完整：能够独立负责AI项目的全生命周期，获得端到端的实践经验和成就感
- 行业结合：有机会将尖端AI技术与成熟的汽车制造业结合，创造实际的工业价值
- 公司平台：作为跨国企业的技术岗位，拥有规范的研发流程和内部培训资源
- 技术更新快：AI领域技术迭代迅速，需要持续学习以保持竞争力
- 适合具备扎实AI算法基础、有大模型开发或应用经验、并希望将AI技术应用于实体产业（如汽车制造）的工程师
- 追求技术深度与业务价值结合，且能接受跨国企业工作模式的候选人
缺点 / 挑战
- 工业场景落地：将先进的AI模型适配到传统制造业的具体场景中，可能面临数据、工程化和业务理解的挑战
- 独立性要求高：职位强调独立负责和管理，对个人综合能力（技术、沟通、项目管理）要求较高
角色解读
- 技术专家路线：深耕AI/大模型技术，成为企业内部的技术权威或架构师
- 技术管理路线：凭借项目经验和领导力，转向AI团队负责人或技术经理
- 行业解决方案专家：结合汽车零部件行业知识，成为“AI+制造”领域的复合型专家
- 设计和开发AI算法，特别是机器学习、NLP和大语言模型相关技术
- 独立负责从数据处理、模型训练、优化到部署的完整AI项目生命周期
- 探索并落地大模型在企业级业务场景中的应用，如知识图谱、智能推荐等
- 优化模型推理性能，并参与企业内部AI标准、流程的制定与培训
- 扎实的数学基础（线性代数、概率统计）和至少3年的AI算法开发经验
- 精通Python及主流深度学习框架（PyTorch/TensorFlow），熟悉大模型工具链（LangChain, vLLM等）
- 具备独立主导AI项目从设计到落地的能力，有良好的工程实践和问题解决能力
- 能够使用英语作为工作语言，并具备良好的沟通协作与文档能力
申请策略
- 仔细研究德科斯米尔的主营业务（汽车线束、内饰）和可能应用AI的场景（如质量控制、流程优化、智能设计），在面试中展现你的业务思考
- 准备好用英语介绍你的技术项目和经历，因为英语是工作语言
- 突出任何与大模型（LLM）相关的项目经验，详细描述模型选型、优化、部署和应用效果
- 展示独立主导的AI项目案例，强调从需求分析到模型落地的完整过程和量化成果
- 明确列出掌握的Python、深度学习框架、数据处理工具及大模型工具链（如LangChain, vLLM）
- 体现与工业工程或制造业相关的经验或认知（如有），这是该职位的独特结合点
- 深化对大模型工具链（如LangChain, vLLM）和部署优化技术的实践经验
- 学习汽车制造业的基本知识或工业工程流程，以便更好地理解应用场景
面试指南
- 对于项目经验问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的独立决策、技术选型和最终的量化效果
- 对于技术深度问题，结合具体工具和框架（如vLLM, PyTorch）阐述原理和实践经验，展示你的工程能力
- 对于业务场景问题，展现你的技术视野和业务理解力，可以提出一些初步的、可行的AI应用点子
- 请描述一个你独立负责的AI项目，从问题定义到模型部署的完整过程
- 遇到了哪些关键挑战？如何解决的？
- 你对大语言模型（LLM）在制造业（如汽车零部件）中的应用有哪些设想？
- 如何优化一个大语言模型推理服务的性能（降低延迟、提高吞吐量）？请结合你的经验谈谈
- 你熟悉哪些模型轻量化技术（如量化、蒸馏）？请举例说明如何应用它们
职位点评
薪资福利70
成长发展90
工作生活60
使命价值75
薪资福利
70中等
作为跨国企业中的技术岗位，薪资福利应符合市场水准，具有一定的稳定性。但JD未明确披露具体薪资范围。
薪资信号未披露（AI估算：18K-30K/月）
成长发展
90较高
该职位技术前沿性极强，直接涉及大模型等热门领域，且项目要求独立负责，能提供深度的技术成长和项目管理经验，发展信号非常明确。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、自然语言处理 (NLP)、大语言模型 (LLM)、LangChain、Llama Index、vLLM、Ollama、TGI、RAG、Agent、Prompt Engineering、PyTorch、TensorFlow、Python、Pandas、Scikit-learn
成长机会规划并实施复杂主题的内部及外部培训、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
业务类型ambiguous
工作生活
60中等
工作地点为沈阳的制造业基地，办公模式未明确，可能以现场办公为主。JD未提及工作时间或弹性办公等WLB信息。
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业，推动产业升级，具有一定的社会价值和行业意义，但行业本身属于稳定成熟型。
行业发展稳定成熟行业
社会影响中性/一般
使命信号汽车创新产品、增强驾驶体验、共同成功
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