渣打银行
Engineer, AI Platform-AI Factory
Engineer, AI Platform-AI Factory
发布于 大约 16 小时前普通员工/个人贡献者
广州市
高级经验
全职员工
混合式弹性办公
学历未注明
GPU
PyTorch
TensorFlow
MLflow
AI 估算 · 25k–45k
高级AI平台工程师，技术栈前沿，外资银行广州岗位，薪资竞争力强，但银行相比互联网略保守。
职位详情
关于这个职位
作为渣打银行的AI平台工程师，你将负责设计、开发并维护混合AI平台（混合云与本地部署），构建可支持实时机器学习和生成式AI的平台，同时确保治理与安全框架
你将与数据科学家、数据工程师紧密合作，实现MLOps和LLMOps自动化流水线，并优化GPU计算性能
这是一个高级技术岗，适合有8-10年AI工程经验、精通云原生技术和AI框架的候选人
最低要求
年AI和机器学习工程经验，有交付复杂AI项目的成功记录
精通机器学习框架（如TensorFlow、PyTorch）、MLOps工具（如MLflow、Kubeflow）以及云平台和基础设施即代码（如AWS、Azure）
具备GPU计算和优化AI工作负载的实践经验
熟练使用Python、Golang等编程语言
优秀的问题解决和分析能力
强大的沟通能力和团队协作精神
有设计、管理和维护云及本地平台的经验
有在物理服务器（如Dell、HP）上实施AI平台的经验
熟练使用Terraform、Bicep、CloudFormation、ARM模板等基础设施即代码工具
熟练使用AWS EKS或Azure Kubernetes Service（AKS）
熟练集成Unity Catalog、MLFlow、KubeFlow等开源库
微调并优化GPU加速机器学习算法的使用
设计开发Ray集群并优化GPU使用
有实施MLOps和LLMOps框架的实践经验
深入理解人工智能和机器学习概念
工作职责
负责设计并交付混合AI平台
开发并维护可扩展、高效、可靠的数据和AI管道
与数据科学家、数据工程师和中央数据治理团队协作，统一数据策略
设计并实施MLOps和LLMOps框架
设计并实施自动化管道，将机器学习模型推送到生产环境
设计并实施AI平台的监控策略，并集成到中央可观测平台
确保AI平台交付和服务满足安全与风险要求及运营SLA
编写并维护混合AI云平台的详细文档
与技术及架构团队交叉协作，确保符合最佳实践和标准
执行代码审查，降低技术债务，避免意大利面条式代码
紧跟人工智能领域行业趋势和研究
与内部和外部利益相关者建立并维护牢固关系
展示模范行为，践行集团价值观和行为准则
个人负责嵌入最高道德标准，包括合规与业务行为
有效且协作地识别、上报、缓解并解决风险、合规和操守问题
AI 洞察
优缺点分析
- 接触前沿AI技术栈（生成式AI、LLMOps），技能积累价值高
- 渣打银行作为跨国金融机构，平台稳定且项目影响力大
- 薪资福利有竞争力，且提供弹性工作、培训等支持
- 工作内容兼具工程落地与架构设计，技术成长空间大
- 金融行业对合规与安全要求严格，可能需要适应高标准的治理流程
- 混合云环境复杂度高，需同时管理本地和云基础设施，运维压力不小
- AI领域更新快，需持续学习新技术，保持技术前沿
- 适合有8年以上AI工程经验、热爱技术架构与平台建设、希望在大平台做深度技术贡献且追求职业稳定性的资深工程师
角色解读
- 可向AI平台架构师或首席AI工程师发展，主导更大规模平台设计
- 也可转向AI研究或MLOps专家方向，深耕技术细分领域
- 在金融科技领域积累经验后，有机会进入银行技术管理层或跨行业AI领导岗位
- 设计并搭建混合云和本地AI平台，支持实时机器学习与生成式AI应用
- 构建MLOps和LLMOps流水线，自动化模型训练、部署和监控
- 与数据科学家和工程师协作，推动标准化数据策略和AI治理
- 优化GPU计算性能，管理Ray集群，确保AI工作负载高效运行
- 精通机器学习框架（TensorFlow/PyTorch）和MLOps工具（MLflow/Kubeflow）
- 熟练云平台（AWS/Azure）及基础设施即代码（Terraform等）
- 扎实的编程能力（Python/Golang）和GPU优化经验
- 深入理解AI/ML概念，有8-10年相关工程经验
申请策略
- 关注渣打银行的AI战略方向（如GenAI应用），在面试中展现对该领域的理解
- 准备1-2个完整项目案例，从需求到上线，突出跨团队协作和结果
- 突出亲自设计或主导的AI平台项目，尤其是混合云或GPU优化经验
- 量化成果：如模型部署延迟降低、GPU利用率提升、自动化流水线效率等
- 强调云平台（AWS/Azure）和基础设施即代码（Terraform）的实际使用案例
- 提及MLOps/LLMOps框架实施经验，以及代码治理和技术债务管理的实践
- 完善Kubernetes和容器化技术，如熟悉EKS/AKS细节
- 补充Ray框架和分布式训练优化知识，提升GPU集群管理能力
面试指南
- STAR法则：情境、任务、行动、结果，突出技术决策和量化影响
- 结构化回答：先概括核心理念，再分步骤说明实践，最后总结教训
- 展现学习能力：当被问及不熟悉的技术时，表示愿意研究并联系已知概念
- 描述你设计过的一个混合AI平台架构，包括技术选型和权衡
- 如何构建MLOps流水线确保模型从实验到生产的高效交付？
- 谈谈你优化GPU计算性能的经验，遇到过哪些挑战？
- 在金融合规环境下，如何保证AI平台的安全性和可审计性？
- 你如何处理技术债务并保证代码质量？
匹配度报告
79
综合匹配度
大平台、前沿技术、薪资福利好，但工作强度可能较高。
适合人群
最看重技术成长和前沿AI机会、同时希望有良好薪酬福利的资深工程师。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活70
使命价值75
薪资福利匹配
80较高
外资银行薪资有竞争力，福利完善（如退休金、保险、弹性休假），满足补偿性动机较好。
薪资信号未披露 (25K-45K/月)
福利待遇核心银行退休储蓄基金、医疗和人寿保险、年假、育儿假（20周）、休假（最多12个月）、志愿服务假（3天）、弹性工作、Unmind数字健康平台、持续学习文化
成长发展匹配
90较高
工作涉及前沿AI技术（GenAI、LLMOps），并提供持续学习机会，发展性动机强。
技术前沿前沿/新兴技术
技术栈TensorFlow、PyTorch、MLflow、Kubeflow、LLMOps、GPU、Ray
成长机会持续学习文化、再培训和提升技能的机会
业务类型ambiguous
工作生活匹配
70中等
提供弹性工作选项，但银行业可能存在一定加班压力，整体中等偏上。
工作模式混合式弹性办公
办公地点未明确
加班情况未提及（无法判断）
工作生活平衡弹性工作
使命价值匹配
75中等
职位属于金融科技AI领域，行业稳定且对社会经济有间接贡献，但使命感不如直接社会企业强烈。
行业发展高速增长赛道
社会影响中性/一般
使命信号推动商业和繁荣
创新程度积极采用新技术
Watch Jobs