Industrial Engineering ES

优缺点分析

角色解读

• 可向AI算法专家或大模型架构师方向发展，深入垂直领域
• 可转型为技术经理或项目负责人，管理AI团队和项目
• 可拓展至AI产品经理或解决方案架构师，结合业务需求
• 设计和实现机器学习与深度学习算法，包括数据挖掘、模型训练与调优
• 探索大语言模型（LLM）在对话系统、知识图谱等场景的应用，并推动落地
• 参与大模型微调、RAG和Agent开发，优化推理性能
• 管理AI模型全生命周期，从训练到部署，确保稳定高效
• 扎实的数学基础（线性代数、概率统计、优化理论）
• 精通Python和至少一个深度学习框架（TensorFlow/PyTorch/MindSpore）
• 熟悉NLP、LLM相关技术，如Prompt Engineering、RAG、模型轻量化
• 掌握数据处理工具（Pandas、Scikit-learn）和推理框架（vLLM、Ollama）

申请策略

• 在求职信中表达对汽车行业+AI结合的兴趣，展现对业务场景的理解
• 提前了解德科斯米尔的公司文化和业务方向，面试中体现匹配度
• 重点突出参与过的AI项目，特别是独立主导或完整参与的2个以上项目，描述具体成果和影响
• 强调对大模型（LLM）的实际应用经验，如微调、RAG、Agent开发
• 展示数学基础和编程能力，列出使用的框架和工具
• 如有英文工作经历或国际项目经验，务必提及
• 熟悉LangChain、LlamaIndex等大模型应用框架，并动手实践
• 学习模型量化、蒸馏等轻量化技术，以及vLLM等推理优化工具

面试指南

• STAR法则：描述情境(Situation)、任务(Task)、行动(Action)、结果(Result)，突出技术细节和量化成果
• 对比不同方案：解释为什么选择某技术，说明其优缺点和适用场景
• 体现学习能力：提及如何跟踪最新技术，并应用到实际项目中
• 请介绍一个你独立主导的AI项目，包括算法选择、模型训练和部署过程
• 你对大语言模型的微调和RAG有什么实际经验？如何评估效果？
• 如何在生产环境中优化LLM推理性能？你用过哪些框架？
• 你如何应对大模型领域的快速技术迭代？保持学习的方法是什么？
• 描述一次你解决复杂技术问题的经历，以及你是如何协调团队和资源的？