Intern_Data Science&AI/数据科学&AI
招聘时间
即日起 至 2026-12-31
招聘单位
梅赛德斯-奔驰
所在地区
北京
工作地点
北京市/北京市/朝阳区
学历要求
本科
实习时长
每周5天，每天6小时
职责描述
[6 months, 4-5 days/week]
Main Tasks:
1. 前沿算法研究与创新方案设计
- 持续跟踪LLM、Agent、多模态融合等前沿AI研究，筛选出能够提升传统ML/DL项目性能的关键技术。
- 结合汽车金融业务场景，设计创新的算法优化方案。
- 撰写技术调研报告，分析新技术与传统方法的优劣，明确改进潜力。
2. 实验设计与效果验证
- 独立设计对比实验，严格控制变量，验证新方案在准确性、鲁棒性、可解释性等方面的提升幅度。
- 利用统计检验和误差分析，深入探究模型改进的内在原因，形成严谨的实验结论。
- 对于Agent或LLM应用，设计多维度的自动化评估指标（如工具调用成功率、推理链条正确性、生成内容相关性等），确保评估的全面性。
3. 工具链驱动的自动化优化落地
- 在方案验证有效后，利用MLFlow、LangFuse、Opik等工具将实验流程标准化，实现模型/Agent的全链路追踪、自动化评估和版本管理。
- 搭建“评估-分析-优化”的闭环：通过追踪数据识别效能瓶颈，迭代算法或提示词，并持续监控优化效果。
- 必要时参与数据清洗、特征工程、模型微调等具体开发，确保方案与真实业务数据兼容。
4. 知识沉淀与团队赋能
- 将研究过程中发现的方法论、最佳实践沉淀为内部文档或技术分享，推动团队整体技术视野的提升。
-鼓励将优秀成果转化为论文、开源项目或技术博客，与社区共同成长。
Learning Opportunities:
- 前沿研究 + 真实场景：直接接触汽车金融海量业务数据，让你的算法创新在真实场景中验证价值。
- 自由探索空间：鼓励尝试新鲜想法，提供试错机会，优秀成果可支持发表论文或开源。
- 具有竞争力的实习津贴。
- 职业机会：表现优异者获校招绿色通道或推荐信。
Key Qualifications:
- 扎实的概率论与数理统计、线性代数、最优化方法等数学基础；熟悉机器学习、深度学习理论，了解经典模型与架构。
- 熟悉经典ML模型（如XGBoost、LightGBM）及深度学习架构（CNN、RNN、Transformer），理解其适用场景与局限性。
-对LLM、Agent、多模态等新技术有强烈好奇心，经常阅读论文或技术博客，能快速提炼关键思想并评估其应用潜力。
- 熟练使用Python，掌握PyTorch/TensorFlow等深度学习框架；对MLOps/AIOps/LLMOps相关工具具有基础了解或愿意快速学习。
-加分项：在顶级会议或期刊发表过论文；有Kaggle等数据竞赛获奖经历，或GitHub上有高质量AI项目；熟悉汽车金融、数字营销、信贷风控或车辆估值领域的基础知识；有使用Langfuse、MLFlow、Opik等工具的实际经验。
Language:
Chinese: Proficient
English: Conversational
Education:
Degree: Bachelor or above
Major: Mathematics,Statistics, Machine Learning, Compute Science, etc.
Main Tasks:
1. 前沿算法研究与创新方案设计
- 持续跟踪LLM、Agent、多模态融合等前沿AI研究，筛选出能够提升传统ML/DL项目性能的关键技术。
- 结合汽车金融业务场景，设计创新的算法优化方案。
- 撰写技术调研报告，分析新技术与传统方法的优劣，明确改进潜力。
2. 实验设计与效果验证
- 独立设计对比实验，严格控制变量，验证新方案在准确性、鲁棒性、可解释性等方面的提升幅度。
- 利用统计检验和误差分析，深入探究模型改进的内在原因，形成严谨的实验结论。
- 对于Agent或LLM应用，设计多维度的自动化评估指标（如工具调用成功率、推理链条正确性、生成内容相关性等），确保评估的全面性。
3. 工具链驱动的自动化优化落地
- 在方案验证有效后，利用MLFlow、LangFuse、Opik等工具将实验流程标准化，实现模型/Agent的全链路追踪、自动化评估和版本管理。
- 搭建“评估-分析-优化”的闭环：通过追踪数据识别效能瓶颈，迭代算法或提示词，并持续监控优化效果。
- 必要时参与数据清洗、特征工程、模型微调等具体开发，确保方案与真实业务数据兼容。
4. 知识沉淀与团队赋能
- 将研究过程中发现的方法论、最佳实践沉淀为内部文档或技术分享，推动团队整体技术视野的提升。
-鼓励将优秀成果转化为论文、开源项目或技术博客，与社区共同成长。
Learning Opportunities:
- 前沿研究 + 真实场景：直接接触汽车金融海量业务数据，让你的算法创新在真实场景中验证价值。
- 自由探索空间：鼓励尝试新鲜想法，提供试错机会，优秀成果可支持发表论文或开源。
- 具有竞争力的实习津贴。
- 职业机会：表现优异者获校招绿色通道或推荐信。
Key Qualifications:
- 扎实的概率论与数理统计、线性代数、最优化方法等数学基础；熟悉机器学习、深度学习理论，了解经典模型与架构。
- 熟悉经典ML模型（如XGBoost、LightGBM）及深度学习架构（CNN、RNN、Transformer），理解其适用场景与局限性。
-对LLM、Agent、多模态等新技术有强烈好奇心，经常阅读论文或技术博客，能快速提炼关键思想并评估其应用潜力。
- 熟练使用Python，掌握PyTorch/TensorFlow等深度学习框架；对MLOps/AIOps/LLMOps相关工具具有基础了解或愿意快速学习。
-加分项：在顶级会议或期刊发表过论文；有Kaggle等数据竞赛获奖经历，或GitHub上有高质量AI项目；熟悉汽车金融、数字营销、信贷风控或车辆估值领域的基础知识；有使用Langfuse、MLFlow、Opik等工具的实际经验。
Language:
Chinese: Proficient
English: Conversational
Education:
Degree: Bachelor or above
Major: Mathematics,Statistics, Machine Learning, Compute Science, etc.
