• 深度对接销售团队，基于真实业务痛点提炼可落地的AI use case。 依托LLM、Agent相关技术栈，快速定义POC/MVP的验证范围与核心业务目标，拆解任务流程、交互逻辑等核心模块。 独立完成小范围原型搭建与试点验证，跑通业务价值闭环，推动项目从POC阶段顺利过渡到正式MVP上线交付。 沉淀医药销售场景可复用的AI交付资产，反哺总部通用产品迭代。
• ● 设计、开发并实施统计模型、机器学习算法和生成式人工智能技术，以分析大规模和复杂的数据集 ● 与信息学内部团队密切协作，包括全球/本地的人工智能团队及商业相关方 ● 开发并维护数据管道和基础设施，以实现高效的数据处理、存储和分析 ● 在信息学组织内，与全球或本地的AI专家协作，制定并实践生成式人工智能/大语言模型（GenAI/LLM）开发、验证、部署及全生命周期管理的最佳实践。 ● 评估模型和算法的性能，并持续迭代以提升其准确性和鲁棒性。 ● 通过报告、演示文稿和交互式仪表板可视化并传达复杂的数据洞察与发现。 ● 保持对数据科学、机器学习以及相关生物技术领域最新进展的了解。 ● 推动新型GenAI/LLM工具、框架及MLOps实践的评估与应用，以维持我们的竞争优势。 ● 参与信息学与DIA组织内部数据分析与解读最佳实践的制定工作。 ● 清晰、全面地记录方法论、代码和结果。 ● 参与跨职能团队会议，并为项目规划与执行提供支持。

• 硕士及以上学历，熟练掌握Python、主流Agent框架与RAG全链路技术。 有医药commercial、sales相关业务经验，熟悉医药营销合规基本要求者优先。 具备强跨角色沟通能力，能快速把业务模糊需求转化为可落地的技术方案。 背景我们正在寻找一位高度积极且富有才华的数据科学家，对利用数据推动创新充满热情。该职位将深度参与我们的信息学及研发工作，运用先进的统计学、机器学习和生成式人工智能（GenAI）技术，分析复杂的商业数据集，识别关键洞察，并为新型疗法、诊断工具或其他生成式人工智能解决方案的研发提供信息学技术支持。理想的候选人应具备扎实的生物学知识，出色的分析与问题解决能力，以及向技术和非技术受众有效传达研究成果的能力。
• 需具备数据科学、统计学、计算机科学或相关领域的硕士或博士学位，且在数据分析方面有扎实背景。对数据科学和生成式人工智能（GenAI）应用的真正兴趣人工智能与机器学习应用 ● 拥有实际经验（通常5年以上），能够将数据科学方法应用于现实世界的问题，优先在生物技术、制药或生命科学行业领域。 ● 有领导并成功交付从构思到上线的完整生成式人工智能/大语言模型（LLM）/自然语言处理（NLP）项目的经验，优先在生物技术、制药或生命科学领域。 ● 熟悉LLM架构及多种微调方法（如LoRA、全量微调、指令微调），并具备其实际应用能力。 ● 具备丰富的提示工程实践经验，能够使用LangChain、LlamaIndex或类似框架开发稳健的RAG系统。 ● 能够熟练地从Hugging Face、OpenAI、Cohere等平台获取并定制模型，以应对生物医学领域的特定NLP任务。 ● 有生成式大模型的MLOps生命周期经验，包括版本管理、部署（如容器化、API开发）、扩展、监控以及在生产环境中持续优化，将作为

• 。 ● 熟悉向量数据库技术及其在语义搜索和RAG流水线中的应用。 ● 深入理解自然语言处理（NLP）基础，包括分词、嵌入表示、注意力机制以及面向生成式AI/大语言模型（LLM）的评估指标（如ROUGE、BLEU、困惑度、人工评估）。 ● 具备解决LLM独特挑战的经验，例如缓解幻觉、偏见检测、数据隐私问题以及确保负责任的人工智能实践。 ● 至少熟练掌握一种数据科学中常用的编程语言（如Python、R）及相关库（如scikit-learn、TensorFlow、PyTorch、Bioconductor）。 ● 对统计推断、机器学习算法（如回归、分类、聚类、深度学习）及其在生物数据中的应用有扎实的理解。 ● 必须具备处理大规模数据集及云平台（如AWS、Azure、GCP）的工作经验。 ● 精通使用Matplotlib、Seaborn、ggplot2或Tableau等工具的数据可视化技能。 ● 具备出色的解决问题和批判性思维能力，能够独立提出并应对研究问题。 ● 具备出色的书面和口头沟通能力，能够有效地向技术和非技术受众传达技术信息。 ● 在生产环境中开发和部署机器学习模型的经验是
• 。 生命科学背景： ● 熟悉相关监管指南（如FDA、EMA）以及生物技术/制药领域中的数据隐私考量。 其他信息语言要求：英语行业要求：医疗器械

来自公开渠道的招聘信息，已清洗脱敏：不含企业名、HR 姓名与联系方式， 也不转载职位原文以外的内容。仅供了解岗位画像，不作为投递依据。

看全部岗位