帝斯曼芬美意
Single Position
Single Position
发布于 6 个月前基层主管/组长
Barcelona Auditori, Spain
专家级经验
全职员工
仅现场办公
学历未注明
数据分析与科学
微服务架构
技术领导力
数据预处理
特征工程
Ai/Ml解决方案设计
API设计
Kedro
智能体设计模式
薪资面议
暂无薪资依据说明。
职位详情
关于这个职位
作为数据与AI设计经理，您将负责将模糊的业务需求转化为可执行的、精细化的技术蓝图
您需要主导AI/ML解决方案的详细技术设计，定义数据预处理、特征工程、工作流编排以及微服务架构的精确规范，确保工程团队能够无歧义地交付高价值应用
这是一个连接战略设计与工程实现的关键技术领导角色
最低要求
相关经验：7年以上数据科学经验，拥有设计和交付可执行AI/ML解决方案的可靠记录
技术栈：在设计基于微服务的AI部署方面拥有深厚的专业知识
智能体AI设计：精通智能体设计模式（例如，多智能体系统、ReAct循环），以构建自主的决策应用
编排：拥有编排框架的实践经验
建模深度：具备创建复杂的端到端数据+AI解决方案的背景
领导力：具备强大的能力，能够主导端到端的技术设计讨论
工作职责
主导AI/ML解决方案的详细技术设计，为生产调度和预测性维护等高价值应用创建可执行的蓝图
为数据预处理和特征工程定义精确的规范，确保数据质量规则和转换逻辑被严格记录，以供工程团队使用
设计编排工作流和依赖逻辑（例如，用于Kedro/Airflow）以实现管道自动化
与数据+AI平台合作，定义严格的API契约和微服务架构，确保模型部署以及与平台系统的无缝集成
AI 洞察
优缺点分析
优点
- 高影响力平台：在一家全球领先的科学公司工作，你的设计将直接影响生产调度、预测性维护等核心业务，成果触及数百万消费者
- 前沿技术实践：专注于智能体AI、微服务部署等前沿领域，有机会在真实工业场景中应用和标准化最新的AI设计模式
- 明确的职业发展支持：公司明确提供跨业务、团队和国界的成长机会，以及持续的学习文化，有利于长期职业规划
- 积极的企业文化：强调包容、归属感和团队协作，提供了一个支持创新和个人表达的工作环境
- 技术快速迭代：AI和微服务领域技术发展迅速，需要持续学习以保持设计的前沿性和最佳实践
- 这个职位非常适合拥有7年以上经验、热衷于将AI战略落地为可执行技术方案，并享受在复杂系统中定义清晰规则和架构的技术领导者
缺点 / 挑战
- 高复杂性与责任：需要将高度模糊的战略需求转化为精确无误的技术规范，任何设计疏漏都可能导致交付失败，责任和压力较大
- 跨团队协调难度：作为“最后一公里”设计的关键，需要与多个技术团队（工程、建模、平台）紧密对齐，沟通和共识构建可能颇具挑战
角色解读
- 技术深度与管理广度：可以从资深技术专家（Individual Contributor）成长为管理更大技术团队或负责更复杂产品线的技术总监，同时保持深厚的技术功底
- 领域专家到平台架构师：在精通特定业务领域（如生产调度）的AI应用后，可以转向设计和构建公司级的数据与AI平台，影响更广泛的技术战略
- 跨业务线领导：帝斯曼芬美意提供在健康、营养和美容领域的独特职业路径，有机会将数据+AI设计能力应用于不同的核心业务，成为跨领域的解决方案领导者
- 你将作为技术桥梁，将高层次的AI/ML战略转化为工程师可以直接实施的、颗粒度极高的技术规格说明书（Level 5设计工件）
- 你的核心工作是定义数据+AI领域的设计模式，包括精确的数据类型、延迟约束、集成模式以及API契约，确保解决方案的物理实现
- 你将负责设计自动化数据与AI管道的工作流，使用如Kedro或Airflow等工具来编排复杂的依赖关系
- 你将与工程、建模、数据科学和平台团队的多位负责人紧密合作，标准化设计的“最后一公里”，消除执行过程中的猜测
- 深厚的AI/ML技术架构能力：能够设计从数据预处理、特征工程到模型部署的端到端解决方案，并精通微服务架构
- 智能体AI与编排专业知识：必须掌握多智能体系统、ReAct循环等设计模式，并拥有使用Kedro、Airflow等框架进行工作流编排的实践经验
- 严谨的规范制定与文档能力：能够将模糊的需求转化为无歧义的、执行就绪的技术蓝图，并严格定义数据质量规则和API契约
- 技术领导与跨职能协作：需要强大的领导力来主导技术设计讨论，并有效协调工程、数据科学等多个团队
申请策略
- 深入研究帝斯曼芬美意在健康、营养和美容领域的业务，思考数据与AI如何在这些领域创造价值，并在申请材料中体现你的理解
- 关注公司强调的“包容、归属和成长”文化，在面试中可以通过提问和分享经历来展示你与这种文化的契合度
- 突出具体的、可量化的AI/ML项目交付案例，特别是你如何将模糊需求转化为详细技术设计并成功部署的部分
- 详细描述你在设计微服务架构、定义API契约以及使用Kedro/Airflow进行管道编排方面的实际项目经验和技术决策
- 展示你在智能体AI或多智能体系统设计方面的专业知识，包括具体的模式应用（如ReAct）和取得的业务成果
- 强调你的技术领导经验，例如如何主导跨职能设计讨论、解决技术分歧并推动共识达成的实例
- 深化对Kedro和Airflow等现代数据/MLOps编排工具的实践理解，最好能准备一个简明的项目案例来说明你的工作流设计
- 复习和整理关于智能体AI设计模式（如多智能体协作、工具使用、规划与推理循环）的最新知识和应用场景
面试指南
- **STAR+R框架**：对于行为或案例问题，使用情境(Situation)、任务(Task)、行动(Action)、结果(Result)的结构，并额外强调**反思(Reflection)**——你从中学到了什么，以及如何改进未来的设计
- **从原则到细节**：先阐述你遵循的核心设计原则（如可维护性、可扩展性、清晰性），再展开具体的技术决策和权衡考虑，展示你的系统性思维
- **强调协作与影响**：在回答中自然地融入你如何与不同团队合作、沟通你的设计决策，并最终对业务或技术成果产生的积极影响
- 请描述一个你主导设计的复杂端到端AI/ML解决方案，并重点说明你是如何将业务需求转化为Level 5级别的详细技术规范的？
- 当工程团队和建模团队对某个技术实现方案有分歧时，作为设计负责人，你会如何处理并推动决策？
- 请举例说明你如何为一个AI应用设计微服务架构和API契约，并确保其与现有平台无缝集成
- 你如何定义和管理数据预处理与特征工程中的‘数据质量规则’？请分享一个你遇到数据质量挑战并解决的例子
- 谈谈你对智能体AI设计模式（如ReAct）的理解，以及你如何在项目中应用它来解决实际问题？
职位点评
Watch Jobs