德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 18 小时前基层主管/组长
全职员工仅现场办公机器学习工程
机器学习工程
Llm
Nlp
Prompt Engineering
Pytorch
Tensorflow
大语言模型
机器学习
深度学习
项目管理
值不值得投
73综合评分
综合评分 73
在传统汽车制造业中应用前沿大模型技术，技术成长性高但工作模式偏传统，薪资有竞争力。
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
20K
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
95 个在招
市场机会
选择不多
沈阳 · 机器学习工程 · 1 个在招
职位详情
关于这个职位
该职位虽名义为工业工程，但核心工作聚焦于人工智能算法与大模型技术在汽车制造场景的应用
你将负责从算法设计、模型训练部署到全生命周期管理的完整流程，并参与推动大模型技术在企业级场景（如对话系统、知识图谱）的落地，同时需承担一定的项目协调、标准制定及内部培训等职责
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
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，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
- 技术栈前沿，直接接触和应用大模型、RAG等当前热门AI技术，个人技术成长空间大
- 职责全面，不仅能深入技术研发，还能参与项目管理、流程优化等，锻炼综合能力
- 依托大型跨国汽车零部件企业的平台，项目应用场景明确，有稳定的资源支持
- 作为内部AI技术联络人，有机会在专业领域内建立影响力
- 作为传统制造业企业的AI岗位，需快速理解汽车行业的特定业务逻辑和工艺流程
- 需同时平衡深度技术研发与项目管理、流程建设等综合性工作，对个人能力和时间管理要求高
- 技术领域更新极快，需要持续学习以保持竞争力
- 适合既追求技术深度（AI算法、大模型），又希望技术能切实落地解决产业问题，同时具备一定项目管理和沟通协调能力的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕AI与大模型技术，成为公司内部在该领域的权威，主导复杂技术项目
- 技术管理路线：在负责项目的基础上，承担更多团队协调、流程优化和培训职责，向技术经理或部门负责人发展
- 业务融合路线：深入理解汽车制造业务，成为连接AI技术与工业场景的复合型专家
- 负责将AI算法和大模型技术应用于汽车制造的具体业务场景，如工艺优化、知识管理
- 独立完成从数据处理、模型训练、优化到生产环境部署的全流程开发工作
- 探索并推动大语言模型在企业内部的落地应用，构建智能系统
- 参与项目管理、流程标准制定及团队内部的知识分享与培训
- 扎实的AI算法基础，精通Python及主流深度学习框架（如PyTorch/TensorFlow）
- 具备3年以上AI项目实战经验，特别是大模型（LLM）的应用与开发经验
- 良好的项目管理和跨部门协作能力，能推动技术方案从概念到落地
- 优秀的英语沟通能力，适应国际化工作环境
申请策略
- 仔细研究德科斯米尔公司及其汽车零部件业务，在面试中体现你对如何用AI赋能传统制造业的理解和思考
- 准备好阐述你对‘工业工程’背景下进行AI研发的看法，解释你的工作如何与优化生产、提升效率相关
- 重点突出3年以上的AI算法或大模型项目经验，详细描述你在项目中承担的具体技术工作（如模型选型、训练、部署）和取得的量化成果
- 强调使用过的具体技术栈（Python, PyTorch, LLM相关工具链），尤其是与JD中提到的LangChain, vLLM等相关的实践经验
- 展示独立负责或主导的项目经历，体现你的项目管理、问题解决和推动落地的能力
- 提及英语作为工作语言的经验（如阅读英文文档、参与国际会议等）
- 针对汽车制造行业，快速学习一些基础的工业工程和制造流程知识，以便更好地理解业务需求
- 深入钻研一两个大模型应用领域（如RAG或Prompt Engineering），准备可展示的Demo或案例
面试指南
- 对于项目经历问题，使用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术决策和解决问题的思路
- 对于行业应用问题，先阐述AI技术（如LLM）的能力，再结合制造业痛点（如工艺知识沉淀、流程优化）进行连接，展示你的业务理解和技术迁移能力
- 对于系统设计问题，可以从数据准备、模型选型（微调/RAG/Agent）、部署架构、监控迭代等环节展开，体现系统性思维
- 请详细描述一个你独立负责的AI项目，从问题定义、方案设计到模型部署上线的完整过程
- 你如何理解将大语言模型（LLM）应用到汽车制造这样的传统工业场景中？可能面临哪些挑战？
- 在模型部署到生产环境时，你遇到过哪些性能或稳定性问题？是如何解决的？
- 如果让你负责一个内部知识管理系统的AI化改造，你会如何设计技术方案？
- 你如何看待AI工程师在非互联网的制造企业中的定位和发展？
职位点评
薪资福利75
成长发展80
工作生活60
使命价值70
薪资福利
75中等
该职位在沈阳地区提供有竞争力的薪资，属于技术岗中上水平，能满足基本的经济回报需求。但作为传统制造业企业，其福利体系的详细程度在JD中未明确体现。
薪资信号市场水准 (15K-25K/月)
成长发展
80较高
职位直接涉及前沿的大模型技术应用，提供了从算法到部署的全流程实践机会，技术成长性很高。同时包含项目管理、流程优化等综合职责，有利于能力全面发展。JD未明确提及培训或晋升路径。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、LangChain、vLLM、RAG、机器学习、深度学习、NLP
业务类型cost_center
工作生活
60中等
工作地点位于沈阳，生活成本相对较低。但作为制造业企业的现场岗位，工作模式大概率以固定办公为主，未提及任何远程或弹性工作安排。工作强度和节奏未在JD中说明。
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
70中等
将前沿AI技术应用于实体制造业，推动产业升级，具有一定的社会价值和创新意义。汽车零部件行业属于稳定成熟的行业，但AI的引入带来了创新元素。
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
德科斯米尔 的其他在招职位
相似职位推荐
Watch Jobs