{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "AI产品经理",
        "job_level": "高级",AI生成
        "work_category": "全职",AI生成
        "department": "",
        "location": "上海··",
        "work_mode": "现场办公",AI生成
        "job_category": "AI业务应用产品经理"AI生成
    },
    "company": {
        "company_name": "某铁路公司",
        "company_industry": "铁路/船舶/航空/航天制造",
        "company_size": "20-99人",
        "company_website": "",
        "company_description": ""
    },
    "compensation": {
        "salary_range": {
            "min": 60000,
            "max": 75000,
            "currency": "元",
            "cycle": "月"
        },
        "benefits": ""
    },
    "requirements": {
        "working_years": "",
        "degree": "本科",
        "language": "中文",AI生成
        "visa_support": "",
        "responsibilities": "平台架构\n一、AI赋能研发设计（安全与确定性优先）\n1）设计空间探索与生成式设计治理：主导AI辅助设计工具（如基于几何深度学习的轻量化构型、拓扑优化）的需求定义，确保⽣成的候选⽅案可解释、可验证，并建⽴“AI设计评审清单”（如材料应力分布合理性、失效模式覆盖度）。\n2）多物理场仿真加速与不确定性量化：与研发团队合作，引入AI代理模型（Surrogate Model）加速⽓动、结构、热管理等仿真。要求AI产品经理定义模型预测不确定性区间，并与高保真仿真进行对比验证，确保设计安全边界不被突破。（加分场景：电池系统AI健康管理、电机热失控预测）。\n3）研发知识库与合规性智能检索：构建基于大语言模型的内部设计规范、适航条款、历史故障案例知识库。设计拒绝回答机制与引用溯源功能，确保AI输出的每条设计建议都能追溯到权威来源，避免产生“幻觉”导致的设计偏差。\n二、AI赋能制造环节（确定性、可追溯与伦理）\n1) 智能工艺规划与参数推荐：针对复合材料铺层、精密加工、总装对接等关键工序，开发AI工艺推荐系统。核心要求：系统必须输出置信度与替代方案，并支持工艺工程师一键回看“该推荐基于哪些历史批次的工艺参数与质量结果”。\n2）质量缺陷预测与根因分析：利用机器视觉与传感器时序数据，实现复材缺陷、连接件扭矩异常的在线预测。产品经理需制定公平性指标（确保不同班组、不同班次的数据不引入系统性偏见），并设计人机协作质检流程：AI标记疑似缺陷 → 人工复核 → 复核结果反哺模型。\n3）生产调度与资源分配优化：引入约束求解与强化学习优化总装线排程。重点治理伦理风险：避免优化算法为了效率而过度压榨某条产线或某组工人（例如连续安排高风险装配任务）。产品经理需定义工作量公平性约束，并确保调度决策可审计。\n三、跨职能可信赖流程建设\n1）建立AI在研发/制造中的风险分级与管控机制：参考ISO 42001及航空工业标准（SAE ARP4754B），将AI应用场景分为“低风险辅助决策”“中风险人工确认”“高风险双重验证”等级别，并为每一级别制定对应的验证与确认（V&V）策略。（对EASA AI路线图、FAA 21.17(b)特殊类条件有认知者优先）。\n2）主导AI模型在工程环境中的“试运行”方案：任何用于研发或制造的AI模型，必须经历离线验证 → 影子模式（与现有流程并行，不干预实际决策） → 受控上线三阶段。产品经理负责设计每个阶段的通过标准（例如影子模式下模型预测偏差率＜X%，且对关键失效模式（如裂纹、应力超限）漏报率为0%，或低于工程定义的可接受风险阈值）。\n3）组织AI伦理与确定性评审：定期召集由设计、制造、质量、法务、工人代表组成的评审委员会，审查AI系统是否存在潜在的算法偏见（如某种设计特征被模型不公平地惩罚）、安全漏洞或对操作人员自主性的不当压制。\n四、培训与变更管理\n1）编写面向工程师的“AI使用说明书”：用清晰的语言解释每个AI模型的能力边界、不确定性表现形式、人工干预方法。\n2）设计人机协作的反馈闭环：建立快捷渠道，让研发工程师和产线工人可以对AI的决策进行纠错或评分，并定期将反馈转化为模型迭代需求。\n认证资质\n人力资源服务许可证",
        "requirements_text": "",
        "skills": [AI生成
            "产品战略与路线图",
            "大模型原理与能力边界",
            "上下文/知识工程",
            "模型训练与算法优化"
        ],
        "preferred_qualifications": "",
        "job_highlights": "经验不限 | 本科"
    },
    "contact": {
        "recruiter_name": "史女士",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/cd2dbb41f3df3f870nBz2di4F1BV.html"
            }
        ]
    },
    "posting": {
        "posting_id": "cd2dbb41f3df3f870nBz2di4F1BV",
        "post_date": "",
        "hire_time": "",
        "update_date": "",
        "job_url": "https://www.zhipin.com/job_detail/cd2dbb41f3df3f870nBz2di4F1BV.html"
    },
    "fulltext": "平台架构\n一、AI赋能研发设计（安全与确定性优先）\n1）设计空间探索与生成式设计治理：主导AI辅助设计工具（如基于几何深度学习的轻量化构型、拓扑优化）的需求定义，确保⽣成的候选⽅案可解释、可验证，并建⽴“AI设计评审清单”（如材料应力分布合理性、失效模式覆盖度）。\n2）多物理场仿真加速与不确定性量化：与研发团队合作，引入AI代理模型（Surrogate Model）加速⽓动、结构、热管理等仿真。要求AI产品经理定义模型预测不确定性区间，并与高保真仿真进行对比验证，确保设计安全边界不被突破。（加分场景：电池系统AI健康管理、电机热失控预测）。\n3）研发知识库与合规性智能检索：构建基于大语言模型的内部设计规范、适航条款、历史故障案例知识库。设计拒绝回答机制与引用溯源功能，确保AI输出的每条设计建议都能追溯到权威来源，避免产生“幻觉”导致的设计偏差。\n二、AI赋能制造环节（确定性、可追溯与伦理）\n1) 智能工艺规划与参数推荐：针对复合材料铺层、精密加工、总装对接等关键工序，开发AI工艺推荐系统。核心要求：系统必须输出置信度与替代方案，并支持工艺工程师一键回看“该推荐基于哪些历史批次的工艺参数与质量结果”。\n2）质量缺陷预测与根因分析：利用机器视觉与传感器时序数据，实现复材缺陷、连接件扭矩异常的在线预测。产品经理需制定公平性指标（确保不同班组、不同班次的数据不引入系统性偏见），并设计人机协作质检流程：AI标记疑似缺陷 → 人工复核 → 复核结果反哺模型。\n3）生产调度与资源分配优化：引入约束求解与强化学习优化总装线排程。重点治理伦理风险：避免优化算法为了效率而过度压榨某条产线或某组工人（例如连续安排高风险装配任务）。产品经理需定义工作量公平性约束，并确保调度决策可审计。\n三、跨职能可信赖流程建设\n1）建立AI在研发/制造中的风险分级与管控机制：参考ISO 42001及航空工业标准（SAE ARP4754B），将AI应用场景分为“低风险辅助决策”“中风险人工确认”“高风险双重验证”等级别，并为每一级别制定对应的验证与确认（V&V）策略。（对EASA AI路线图、FAA 21.17(b)特殊类条件有认知者优先）。\n2）主导AI模型在工程环境中的“试运行”方案：任何用于研发或制造的AI模型，必须经历离线验证 → 影子模式（与现有流程并行，不干预实际决策） → 受控上线三阶段。产品经理负责设计每个阶段的通过标准（例如影子模式下模型预测偏差率＜X%，且对关键失效模式（如裂纹、应力超限）漏报率为0%，或低于工程定义的可接受风险阈值）。\n3）组织AI伦理与确定性评审：定期召集由设计、制造、质量、法务、工人代表组成的评审委员会，审查AI系统是否存在潜在的算法偏见（如某种设计特征被模型不公平地惩罚）、安全漏洞或对操作人员自主性的不当压制。\n四、培训与变更管理\n1）编写面向工程师的“AI使用说明书”：用清晰的语言解释每个AI模型的能力边界、不确定性表现形式、人工干预方法。\n2）设计人机协作的反馈闭环：建立快捷渠道，让研发工程师和产线工人可以对AI的决策进行纠错或评分，并定期将反馈转化为模型迭代需求。\n认证资质\n人力资源服务许可证"
}