Industrial Engineering ES

优缺点分析

角色解读

• 可向AI技术专家或架构师发展，专注于大模型应用与优化
• 可转型为AI项目负责人或技术经理，管理团队和业务落地
• 可拓展至自动驾驶、智能制造等汽车行业AI领域，成为行业专家
• 设计和开发机器学习与深度学习算法，特别是大语言模型（LLM）在企业级场景的落地应用
• 进行数据挖掘、特征工程、模型训练与调优，提升模型性能
• 利用LangChain、vLLM等工具优化LLM推理流程，并管理模型的全生命周期
• 精通Python及数据处理工具（Pandas、Scikit-learn），掌握至少一种深度学习框架（PyTorch/TensorFlow）
• 扎实的数学基础（线性代数、概率统计、最优化），具备独立主导AI项目的能力
• 熟悉LLM相关技术：Prompt Engineering、RAG、Agent、模型微调与蒸馏

申请策略

• 了解德科斯米尔的汽车零部件业务，思考AI如何与其生产工艺结合
• 准备一个完整的LLM落地案例，从问题定义到部署再到效果评估
• 突出独立主导或完整参与AI项目的经历，详细描述在算法设计、模型优化和部署中的贡献
• 强调LLM相关项目经验，如基于LangChain的问答系统、RAG应用或模型微调
• 展示数学与编程基础，包括线性代数、Python、TensorFlow/PyTorch等
• 补充LangChain、LlamaIndex等LLM框架的实际使用经验
• 学习vLLM、Ollama等推理优化工具及模型量化蒸馏技术
• 提升英语沟通能力，因需要作为工作语言且可能参与国际培训

面试指南

• 使用STAR法则（情境、任务、行动、结果）描述项目经验，突出个人贡献和技术细节
• 对比模型时从任务需求、数据量、推理成本、社区支持等维度分析
• 回答技术实现问题时，先解释原理，再结合具体实践中的挑战和解决方案
• 请详细描述一个你主导的AI项目，包括技术选型、模型训练、部署及遇到的问题
• 如何选择大语言模型？比较GPT、LLaMA等模型在不同场景下的优劣
• 解释RAG的原理和实现步骤，你如何优化检索效果？
• 如何对LLM进行微调？数据准备和训练策略是什么？
• 你如何评估模型在生产环境中的性能？举例说明优化措施