德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 14 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
工业工程
Llm
Mindspore
Pytorch
Rag
Scikit-Learn
Tensorflow
工业工程
AI 估算 · 15k–25k
职位详情
关于这个职位
该职位是德科斯米尔（沈阳）汽车零部件有限公司的工业工程专家（ES）岗位，主要负责生产工艺的规划与实现
同时，该职位也涉及AI算法与大模型应用的开发，包括机器学习、深度学习、NLP以及LLM的落地应用，需要具备扎实的数学和编程基础，并能够独立主导AI项目
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
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
- 跨国巨头企业，平台稳定，能接触国际化的业务和流程
- 职位结合了工业工程与AI，技术含量高，有较好的职业发展空间
- 公司规模大，内部培训和晋升体系相对完善
- 工作内容涉及多个领域，可能需要较强的跨部门沟通和协调能力
- 适合具备扎实AI技术背景，同时对制造业有兴趣，希望将AI技术应用于实际生产场景的求职者
缺点 / 挑战
- 职位要求较高，需要同时具备工业工程和AI算法背景，对求职者要求严格
- 作为传统制造企业，AI技术应用可能面临一定的流程和体制挑战
角色解读
- 在汽车零部件行业深耕，可向工业工程专家或生产管理方向发展
- 在AI领域，可向高级算法工程师、AI技术专家或AI团队负责人发展
- 结合工业工程与AI，可成为智能制造或数字化转型领域的专家
- 负责生产工艺的规划与实现，确保新产品和现有产品的生产流程高效运行
- 主导AI算法与大模型应用的开发，包括机器学习、深度学习、NLP以及LLM的落地
- 负责数据挖掘、特征工程、模型训练与调优，并管理模型从训练到部署的全生命周期
- 参与内部培训、标准制定和子项目管理，并作为专业领域的联络人
- 扎实的数学基础，包括线性代数、概率统计和优化理论
- 精通Python，熟悉Pandas、Scikit-learn等数据处理工具
- 熟练掌握TensorFlow、PyTorch或MindSpore等深度学习框架
- 具备大模型应用开发经验，熟悉LangChain、RAG、模型微调和推理优化
申请策略
- 在申请时，可以强调对汽车行业和智能制造的兴趣
- 准备一个能体现你如何将AI技术应用于工业场景的项目案例
- 突出AI算法项目的完整经验，特别是独立主导或完整参与的项目
- 强调大模型（LLM）应用开发经验，包括RAG、Agent、Prompt Engineering等
- 展示数学基础和编程能力，如Python、TensorFlow/PyTorch等
- 如有工业工程或制造业背景，务必重点突出
- 补充大模型相关技术栈，如LangChain、LlamaIndex、vLLM等
- 熟悉数据清洗、特征工程和模型调优的实战技巧
面试指南
- 回答项目经验时，可采用STAR法则，突出项目背景、你的具体贡献、技术难点和最终成果
- 回答技术问题时，先阐述基本原理，再结合具体实践案例，展示你的深度理解
- 回答应用场景问题时，可以结合行业痛点，提出AI解决方案，并说明其可行性和预期价值
- 请介绍一个你主导的AI项目，包括技术选型、模型设计和落地效果
- 如何优化LLM的推理性能？你了解哪些推理框架和模型轻量化技术？
- 如何将AI技术应用于汽车制造的生产工艺优化？
- 你如何理解工业工程与AI的结合？
- 请谈谈你对RAG和Agent技术的理解及其应用场景
职位点评
69
综合评分
跨国企业AI工程师，技术前沿，成长空间大，但工作地点固定，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项目经验，对工作地点灵活性要求不高的求职者。
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50
使命价值65
薪资福利
70中等
该职位为跨国企业全职岗位，薪资水平可能较高，但具体福利未在JD中明确，因此补偿性动机满足程度中等偏上。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
职位涉及AI算法、大模型等前沿技术，且要求独立主导项目，能提供较好的技能成长和项目经验积累。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、MindSpore、Pandas、Scikit-learn、LLM、LangChain、RAG、Agent
成长机会内部培训、外部培训
业务类型ambiguous
工作生活
50较低
职位要求现场办公，未提及远程或弹性工作，且工作地点在沈阳，生活节奏相对适中，但灵活性较低。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
65中等
汽车零部件行业属于稳定成熟行业，该职位通过AI技术优化生产工艺，具有一定的社会价值，但使命感和创新性一般。
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