吉利汽车
智能化算法工程师
智能化算法工程师
发布于 18 天前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Cnn
Lstm
Pytorch
Tensorflow
数据分析
机器学习
深度学习
算法优化
值不值得投
72综合评分
综合评分 72
技术挑战高、行业前景优的车企AI研发岗，技术成长性强，但工作模式与WLB信息不明。
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
33K
比人工智能中位数低
发布情况
正常在招 · 18 天前发布
公司情况
这家公司招聘很活跃
约 1910 个在招 · 其中人工智能 23 个
市场机会
选择面较广
杭州 · 人工智能 · 约 270 个在招
职位详情
关于这个职位
该职位是吉利汽车集团的一名智能化算法工程师，主要负责将AI算法（机器学习、深度学习）应用于新能源汽车的电驱控制、电池安全和故障预测等核心动力域场景
工作内容涵盖从传统算法到前沿AI技术的研究、云端模型的设计开发与优化，旨在提升汽车的智能化水平
最低要求
硕士及以上学历，计算机、统计、数学、车辆工程、控制工程等相关专业
对统计分析、机器学习、深度学习原理有扎实的理论基础
熟悉常用的机器学习模型，熟练使用sklearn、xgboost、lightgbm等进行建模分析
熟悉常用的深度学习算法：CNN、RNN、GAN、LSTM、Transformer、Bert、GCN、GAT等，熟练使用Tensorflow、Pytorch等深度学习框架
具备模型批量训练以及工程化能力
逻辑思维能力强，具备良好的建模思维能力，能够快速将业务场景进行模型任务分解
编程基础扎实，具有良好的模型开发以及软件工程化思维，具有良好的分析和解决问题的能力
具有良好的沟通和协作能力，有责任心，善于分析问题，主动找到解决方案，推进项目进展
工作职责
理解新能源汽车动力域场景需求，负责利用机器学习、深度学习算法等AI算法，应用于新能源汽车的电驱控制、电池安全以及三电故障预测等领域
负责了解新能源动力域传统算法以及智能化相关算法，并持续关注行业最新技术发展动态
负责了解并追踪人工智能相关前沿技术，并结合业务场景进行应用方案转化研究
负责云端AI模型的算法设计、开发、技术文档编写，以及持续的优化迭代
AI 洞察
优缺点分析
优点
- 能直接参与新能源汽车这一高速发展行业的核心技术创新
- 依托大型车企平台，拥有丰富的数据资源和硬件验证条件
- 汽车动力域场景复杂，对算法的可靠性、安全性要求极高，算法落地周期长且需与传统工程深度结合
- 技术栈快速演进，需持续学习跟踪AI前沿
- 大公司内部项目推进可能涉及多部门协作，流程较长
- 适合具备扎实AI算法基础，对新能源汽车和智能网联有浓厚兴趣，期望在复杂工业场景中实现技术价值，并具备较强逻辑思维和工程化能力的工程师
缺点 / 挑战
- 工作内容涉及AI前沿技术在复杂工业场景的落地，技术含量高、挑战性强
角色解读
- 可沿技术专家路径深入，成为智能汽车领域的资深算法专家或架构师
- 也可转向技术管理，带领团队负责更复杂的算法平台或子系统研发
- 长期可成为智能网联、自动驾驶领域的核心技术负责人
- 深入理解新能源汽车动力域（电驱、电池、电控）的业务场景，设计和开发用于提升车辆性能、安全性和可靠性的AI算法模型
- 负责从数据处理、模型训练到工程化部署的全流程工作，并持续进行算法优化
- 具备扎实的机器学习与深度学习理论功底，熟练掌握TensorFlow/PyTorch等主流框架
- 需要将算法能力与汽车工程知识结合，具备将复杂业务问题转化为模型任务的能力，以及良好的软件工程化和沟通协作能力
申请策略
- 在申请前，建议深入研究吉利在智能动力域方面的技术动态和公开成果
- 准备面试时，思考如何将你的AI技能与提升电池安全、优化能耗、预测故障等具体汽车场景结合，并构思清晰的解决方案
- 重点突出在机器学习/深度学习项目中的实际应用成果，特别是模型如何解决具体业务问题、提升性能指标
- 强调Python编程能力和使用TensorFlow/PyTorch构建、部署模型的经验
- 展示对汽车、动力系统或相关领域的理解或项目经历
- 可补充学习一些车辆动力学、电池管理系统（BMS）或电控相关的基础知识，以便更好地理解业务场景
- 可以研究并实践一些模型轻量化、边缘部署的技术，以应对车端或云端实时性要求
面试指南
- 对于项目介绍，使用STAR法则（情境-任务-行动-结果），重点阐述问题分析、技术选型、模型优化和最终效果
- 对于业务转化问题，从数据来源、特征工程、模型选择、评估指标等步骤进行系统性阐述
- 对于模型对比问题，结合具体应用场景（如故障预测是时序数据、图像识别是空间数据）来分析其优劣
- 请介绍一个你利用深度学习解决实际业务问题的项目？
- 如何将一个新能源汽车动力域的业务问题（如电池健康预测）转化为一个机器学习任务？
- 你熟悉的CNN、LSTM、Transformer等模型在处理时序或图像数据时各有什么特点？
- 如果要将训练好的AI模型部署到车端或云端，需要考虑哪些工程化问题？
- 系统复习机器学习和深度学习的经典算法原理与应用场景
职位点评
薪资福利65
成长发展90
工作生活55
使命价值80
薪资福利
65中等
作为大型上市车企的核心技术岗位，预计能提供市场竞争力的薪酬和体系化的福利，但具体细节需与HR确认。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
90较高
该职位技术前沿性高，直接参与AI在新能源汽车关键领域的应用研发，技术挑战大，成长空间显著。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、TensorFlow、PyTorch、CNN、LSTM、Transformer
业务类型profit_center
工作生活
55较低
JD未明确提及办公模式和WLB信息。根据行业和岗位性质推断，研发岗位通常需要现场办公，但具体强度未知。
工作模式未明确
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
80较高
工作直接服务于新能源汽车智能化，属于国家支持的高速增长赛道，具有明确的正向社会价值和行业影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs