亚马逊
Applied Scientist, Generative AI Innovation Center
Applied Scientist, Generative AI Innovation Center
发布于 6 个月前普通员工/个人贡献者
上海市 / 北京市
高级经验
全职员工
仅现场办公
博士
研究与开发 (研发)
Amazon Bedrock
Machine Learning
客户咨询
模型优化
Amazon SageMaker
Generative AI
AI 估算 · 50k–80k
应用科学家（GenAI），负责生成式AI落地，博士学历，顶尖技术岗。
职位详情
关于这个职位
这是一个面向生成式AI前沿的应用科学家职位
你将加入亚马逊AWS的生成式AI创新中心，直接与客户合作，将生成式AI算法应用于解决具有重大影响的现实世界商业问题
核心工作包括研究、设计、开发和评估定制化的生成式AI解决方案，并帮助客户优化模型以实现规模化部署
最低要求
计算机科学、工程、数学、运筹学或高度量化领域的博士学位，或硕士学位加5年相关工作经验
年以上使用Python构建、训练和评估模型的实践经验
年以上在以下任一领域的经验：算法和数据结构、解析、数值优化、数据挖掘、并行和分布式计算、高性能计算
具备生成式AI解决方案、算法或技术的设计、开发和优化经验
在顶级AI/ML/NLP会议或期刊上有科学出版物记录
工作职责
与AI/ML科学家和架构师合作，研究、设计、开发和评估生成式AI解决方案，以应对现实世界的挑战
直接与客户互动，了解他们的业务问题，协助他们实施生成式AI解决方案，向客户介绍情况并指导他们采用模式和投入生产的路径
通过模型选择、训练或调优、规模调整、蒸馏和硬件优化等方法，帮助客户优化他们的解决方案
向产品和工程团队提供客户和市场反馈，以帮助确定产品方向
优先资格
年以上在大语言模型和基础模型的后训练、持续预训练、微调或强化学习技术方面的实践经验
具备构建LLM驱动的智能体工作流、编排和智能体定制化的经验
拥有大规模构建和部署机器学习模型的记录
具备模型优化技术经验（量化、蒸馏、压缩、推理优化等）
熟悉用于模型定制的开源框架（如trl, verl），以及用于构建LLM应用的工具（如LangChain, LlamaIndex等）
有使用Amazon Bedrock和Amazon SageMaker等AWS服务构建生成式AI应用的实践经验
具备强大的沟通能力，注重细节，能够向非专业人士传达严谨的技术概念和考量
AI 洞察
优缺点分析
优点
- 身处生成式AI技术应用的最前沿，能接触到最真实的商业场景和最新的技术栈，技能积累速度快且价值高
- 依托亚马逊AWS的全球平台和丰富资源，可以参与具有行业影响力的重大项目，平台背书力强
- 职位兼具技术深度（研发）与业务广度（客户对接），有助于培养复合型能力
- 技术迭代迅速，需要持续学习以跟上生成式AI领域的最新进展
- 岗位竞争激烈，对候选人的学术背景（如顶会论文）和实战经验都有很高要求
- 适合拥有深厚AI/ML背景，不仅热爱技术钻研，也享受将技术落地解决实际商业问题，并具备优秀客户沟通能力的博士或资深硕士人才
缺点 / 挑战
- 工作强度可能较大，需要同时应对技术研发的深度要求和客户项目的交付压力，对多任务处理能力要求高
角色解读
- 在技术路径上，你可以深入成为生成式AI领域的专家，专注于算法创新或特定垂直行业的解决方案
- 在职业路径上，有机会向技术领导角色（如首席科学家）或解决方案架构师方向发展，负责更复杂的项目或团队
- 长期来看，在AWS这样的顶级云平台积累的经验，将为你在AI产品化、技术咨询或创业领域打开广阔空间
- 你将作为应用科学家，直接面向客户，将前沿的生成式AI技术转化为实际的商业解决方案
- 工作核心是研究、设计和开发定制化的生成式AI模型，并负责从概念验证到生产部署的全过程技术指导与优化
- 你需要与客户紧密合作，理解其业务痛点，并利用技术手段（如模型微调、优化）提供解决方案
- 需要扎实的机器学习与生成式AI理论基础，特别是大语言模型的后训练、微调等实践经验
- 必须具备强大的Python编程能力和模型开发经验，熟悉相关的开源框架和工具链
- 此外，优秀的沟通能力至关重要，因为你需要向非技术背景的客户解释复杂的技术方案
申请策略
- 申请前应深入了解AWS生成式AI创新中心的业务案例和公开的技术博客，在面试中展现你对公司业务方向的认知
- 仔细阅读职位描述中关于团队文化（包容性、持续学习）的部分，并在沟通中体现与之契合的价值观
- 重点突出与生成式AI或大语言模型直接相关的项目经验，详细描述你在模型定制、微调、优化或部署中的具体贡献和量化成果
- 清晰展示你的Python编程能力以及在算法、数据挖掘等领域的实践经验
- 务必列出你在顶级AI/ML/NLP会议或期刊上的出版物，这是重要的硬性门槛
- 如果对AWS的AI服务（如Bedrock, SageMaker）不熟悉，建议提前通过官方文档或实践项目进行学习
- 可以深入练习一个使用LangChain或类似框架构建LLM应用的完整项目，以应对可能的实践考察
- 加强技术方案讲解和客户沟通场景的模拟练习
面试指南
- 回答技术问题时，采用“情境-任务-行动-结果”的结构，清晰说明项目背景、你的角色、采取的具体技术行动以及最终可量化的成果
- 回答方案设计或沟通类问题时，展现结构化的思维过程，例如：先理解核心业务目标，再拆解技术可行性，最后规划实施路径和风险评估
- 请详细介绍一个你参与过的生成式AI项目，你在其中负责了哪些具体工作，遇到了什么挑战，如何解决的？
- 如果客户有一个模糊的业务需求，你如何将其转化为一个具体的技术问题，并设计生成式AI解决方案的初步框架？
- 请解释一下大语言模型微调（Fine-tuning）中的几种主要方法（如全参数微调、LoRA等），并比较其优缺点和适用场景
- 你如何评估一个生成式AI模型在特定业务场景下的效果？会设计哪些评估指标？
- 请描述一次你向非技术背景的同事或客户解释复杂技术概念的成功经历
- 系统梳理你过往的AI项目，准备好1-2个能体现你技术深度和解决问题能力的核心案例，并确保能清晰阐述技术细节
职位点评
Watch Jobs