维信诺
算法资深工程师
算法资深工程师
发布于 大约 7 小时前普通员工/个人贡献者
中国
高级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
Numpy
Scikit-Learn
Svm
Xgboost
传统机器学习
图像分类
深度学习
随机森林
AI 估算 · 20k–35k
制造业AI算法岗，资深级别，薪资竞争力中等，结合行业与技能难度预估月薪20-35K。
职位详情
关于这个职位
该职位负责公司数字化制造领域的AI算法研发与落地，专注于传统机器学习与深度学习模型的设计、训练、调优和部署
你将深入生产业务场景，利用图像分类、结构化数据预测等技术解决实际问题，推动智能制造升级
适合有扎实AI基础、愿意深耕工业场景的技术人才
最低要求
教育背景：计算机科学、数学、统计学、人工智能、机器学习等相关专业，本科及以上学历
工作经验（对内）：公司内部开发经验，有Python开发、数据处理或相关技术岗位经验者
有机器学习、模型开发相关接触经验优先，无经验但具备基础技术能力且愿意转型者，公司提供系统化培训支持
工作经验（对外）：3年以上AI开发经验，具备扎实的传统机器学习、深度学习小模型开发经验
专业技能：熟练掌握Python编程语言，了解一种机器学习库（Scikit-learn）的基础使用
具备基础的机器学习理论认知，熟悉一种常用算法（如XGBoost等）的基本概念
熟练使用基本的数据处理工具（Pandas、Numpy等），有数据相关工作经验即可
能力素质：具备清晰的逻辑思维与独立工作能力，能够配合团队完成模型开发、测试等任务
具备严谨的工作态度，注重数据与实验效果验证
有较强的学习意愿，愿意主动提升AI模型开发相关技能
熟悉公司业务场景与技术流程，具备良好的团队协作能力
工作职责
模型设计与开发：针对特定业务任务（如图像分类、回归预测等），设计并开发适配的传统机器学习或深度学习模型，选择合适的算法（如SVM、随机森林等），确保模型落地
模型训练与调优：负责模型的数据集构建、训练过程搭建、参数调优工作，通过实验迭代优化模型性能（如准确率、召回率等）
模型集成与落地：将训练优化后的模型集成至智能体系统，负责模型与其他模块的接口开发与数据交互，完成模型的部署与上线
数据处理与管理：负责模型开发所需数据的收集、清洗、标注、预处理工作，构建高质量的专用数据集
确保数据的准确性、一致性与安全性，遵循相关数据法规与公司政策
模型测试与维护：制定小模型专项测试方案，开展功能测试、性能测试、稳定性测试
分析测试结果，定位并修复模型缺陷
建立模型维护机制，根据业务数据变化与反馈，定期对模型进行迭代更新
业务场景挖掘：能够将行业内优秀场景平展至公司场景中，协助并指导各业务单位进行场景挖掘、价值分析
深入理解工厂生产与办公业务场景，将AI技术与公司业务痛点集合，设计并落地高可用的技术解决方案
优先资格
有计算机视觉、自然语言处理或结构化数据建模等细分领域项目落地经验者优先
熟悉模型开发全流程
AI 洞察
优缺点分析
优点
- 深入制造业核心业务，积累工业AI落地经验，行业前景广阔
- 公司提供系统化培训，适合技术转型者，成长路径清晰
- 工作内容涵盖模型全流程，技能锻炼全面
- 制造业数据质量参差不齐，数据清洗和标注工作可能繁琐
- 适合有1-3年AI开发经验、希望深入工业场景、愿意从零搭建项目并接受系统培训的算法工程师
缺点 / 挑战
- 模型部署需与生产系统集成，涉及跨部门协作，沟通成本较高
- AI技术迭代快，需持续学习保持竞争力，工作强度可能较高
角色解读
- 从算法工程师向资深算法专家或技术leader发展，主导更大规模AI项目
- 横向拓展计算机视觉、NLP等细分领域，成为跨领域AI专家
- 向智能制造解决方案架构师转型，结合业务深度推动AI落地
- 设计并开发针对业务场景的传统机器学习或深度学习模型，如图像分类、回归预测等
- 负责模型训练、参数调优和实验迭代，提升模型准确率、召回率等指标
- 将模型集成到智能体系统，完成接口开发、数据交互和部署上线
- 挖掘工厂生产与办公业务场景，将AI技术与痛点结合，设计高可用解决方案
- 扎实的Python编程能力，熟练使用Scikit-learn、Pandas、NumPy等工具
- 掌握机器学习基础理论，熟悉XGBoost、SVM、随机森林等常见算法
- 具备数据处理、清洗、标注和高质量数据集构建经验
- 良好的逻辑思维和独立工作能力，能配合团队完成模型开发与测试
申请策略
- 提前了解维信诺的显示面板业务和制造场景，面试中展现对行业的理解
- 准备好一个完整的模型开发案例，从数据到部署的流程讲述清晰
- 突出Python开发经验和具体项目中的模型开发成果，如准确率提升等量化指标
- 强调数据处理能力，包括数据清洗、特征工程和数据集构建经验
- 如有计算机视觉或结构化数据项目，详细描述算法选择与调优过程
- 补充Scikit-learn、XGBoost等库的实战练习，掌握基础调参方法
- 学习模型部署知识，如Flask、Docker等工具，提升工程化能力
面试指南
- 对于项目描述问题，采用STAR法则（情境、任务、行动、结果），突出难点和解决策略
- 对于算法选择问题，从数据规模、特征类型、解释性需求等维度对比分析
- 对于过拟合问题，从正则化、交叉验证、数据增强等角度系统回答
- 请描述一个你独立完成的机器学习项目，从数据准备到模型部署的流程
- 如何选择分类算法？举例说明SVM和随机森林的适用场景
- 模型过拟合如何处理？给出具体方法
- 如何处理不平衡数据集？
- 你对制造业AI应用有哪些了解？如何将算法与业务结合？
职位点评
62
综合评分
制造业AI算法岗，技能成长空间大，但薪资未披露，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
适合重视技能成长和职业发展，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65
成长发展80
工作生活40
使命价值50
薪资福利
65中等
薪资在制造业中处于中等偏上水平，未明确福利，补偿性动机一般。
薪资信号未披露（AI估算：20K-35K/月）
成长发展
80较高
涉及多种机器学习技术，有培训支持，成长路径清晰，发展性较好。
技术前沿主流现代技术
技术栈Python、Scikit-learn、XGBoost、SVM、随机森林
成长机会系统化培训、愿意主动提升
业务类型cost_center
工作生活
40较低
现场办公，地点未知，未提及WLB，生活化动机较弱。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
50较低
制造业AI属于传统行业创新，社会影响力有限，意义感一般。
行业发展稳定成熟行业
社会影响中性/一般
创新程度稳健跟随主流
维信诺 的其他在招职位
相似职位推荐
Watch Jobs