数据科学家 （大模型方向）

优缺点分析

角色解读

• 技术路径：从算法工程师成长为高级算法专家或首席科学家，深入大模型底层原理
• 管理路径：可晋升为技术负责人或AI团队Leader，统筹多算法方向
• 横向发展：积累业务理解后转型AI产品经理或解决方案架构师
• 负责大模型从数据收集、训练、评测到部署的全流程管理，确保模型效果
• 深入研究Prompt工程、RAG、SFT、RLHF等前沿技术，并推动在业务场景落地
• 与工程团队协作，实现模型压缩、加速与监控，保障稳定运行
• 探索智能体(Agents)创新，提升业务自动化与智能化水平
• 扎实的机器学习/深度学习基础，熟悉Transformer、大模型训练原理
• 精通Python，熟练使用PyTorch或TensorFlow等框架
• 掌握RAG、SFT、RLHF等大模型核心技术，有实际项目经验
• 具备数据处理与分析能力，能够处理大规模数据

申请策略

• 申请时表达对传统行业智能化转型的兴趣，展示业务理解
• 准备1-2个完整的项目案例，从问题定义到最终效果，体现解决问题的能力
• 突出大模型相关项目经验，如RAG系统、SFT微调、模型部署等
• 强调从数据到模型上线的全流程能力，体现工程化思维
• 列出使用PyTorch、TensorFlow等框架的具体成果，如提升指标
• 提前复习LLM原理，包括Transformer、注意力机制、位置编码等
• 补充RAG、SFT、RLHF的动手实践，可以参与开源项目
• 了解公司业务（航运物流），思考大模型可能的落地场景

面试指南

• 回答项目经验时采用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)
• 突出个人贡献和技术难点
• 对于算法问题，先阐述基本原理，再结合实际经验举例，最后总结优化方向
• 请描述一个你参与的大模型项目，包括数据处理、模型选择和落地效果
• 如何设计一个RAG系统？如何优化检索和生成的质量？
• 在SFT微调中，如何选择训练数据和损失函数？
• 模型部署时遇到推理速度慢，你如何优化？
• 对RLHF的理解，以及如何应用到实际产品中？