中国平安
数据工程专家
数据工程专家
发布于 1 天前普通员工/个人贡献者
深圳市
中级经验
全职员工
仅现场办公
本科
RAG
ETL
数据治理
知识图谱
联邦学习
ClickHouse
隐私计算
AI 估算 · 25k–40k
大厂高级数据工程岗，技能需求前沿，市场竞争激烈，薪资水平有竞争力。
职位详情
关于这个职位
作为数据工程专家，你将负责构建AI数据资产体系，包括特征库、样本库和标注规则引擎，支持特征工程自动化和样本迭代优化
同时负责知识库构建与维护，设计优化数据存储与计算架构，并探索联邦学习、差分隐私等技术实现隐私保护下的数据价值最大化
该职位要求具备大数据框架和SQL优化能力，对AI数据治理有深入理解
最低要求
本科及以上学历，计算机、大数据、人工智能相关专业
三年以上数据研发、大数据工程或 AI 数据支撑相关工作经验，熟悉Hadoop、Spark、Flink 等大数据计算框架，熟悉 Hive、ClickHouse、HBase 等数据存储引擎，掌握 SQL 优化、ETL/ELT 开发流程
熟悉 Python 编程，具备处理大规模非结构化/半结构化数据的能力
具备跨团队协作能力，能高效对接算法、业务、产品团队，精准理解需求并转化为数据解决方案
工作职责
构建 AI 数据资产体系，包括特征库、样本库、标注规则引擎等，支持特征工程自动化、样本迭代优化，降低 AI 研发的数据门槛
对接算法团队，梳理数据标注标准与质量评估体系，搭建数据问题反馈与迭代闭环，持续提升 AI 数据质量
负责知识库构建与维护，包括RAG 体系所需的知识库（文档、图谱等），确保数据实时性和准确性
设计并优化数据存储与计算架构（如湖仓一体、实时计算平台），适配 AI 场景的高并发、大容量、低延迟数据需求
负责数据管道、ETL/ELT 任务的开发与维护，结合 AI 技术实现任务调度智能化、故障自愈、性能自动优化
探索并应用联邦学习、差分隐私、同态加密等技术，在保护客户隐私的前提下，实现数据价值的最大化
引入并应用 AI 技术优化数据研发流程，提升数据处理效率、降低人工成本
探索 AI 在数据治理、数据脱敏、数据血缘分析中的应用，搭建智能化数据治理工具，实现数据资产的自动化管理与风险管控
优先资格
a) 理解机器学习 / 大模型训练的数据需求（样本格式、特征工程、数据标注），具备 AI 工具（如自动化标注平台、特征工程框架）应用或二次开发经验
了解 LLM 在数据治理、数据生成中的应用场景者
b) 有 AI 公司（大模型、机器学习平台、智能产品）数据供给或数据 AI 化改造项目经验者
c）有金融行业数据建模、知识图谱构建或隐私计算实践经验者
AI 洞察
优缺点分析
- 平台优势：中国平安作为金融科技巨头，数据资产雄厚，为技术实践提供丰富场景
- 技术前沿：涉及AI数据治理、联邦学习、隐私计算等热门领域，技能积累价值高
- 职业发展：内部晋升通道清晰，有机会接触大模型等尖端技术
- 技术挑战大：需要同时掌握大数据、AI、隐私计算等多领域知识，学习曲线陡峭
- 跨部门协作频繁：需与算法、业务、产品高效沟通，对综合能力要求高
- 工作强度可能较高：作为上市巨头，业务压力较大，可能涉及紧急任务
- 适合具备大数据和AI交叉背景、热爱前沿技术、希望在金融科技领域深耕的工程师
角色解读
- 在技术方向可以深耕大数据架构、AI数据平台、隐私计算等前沿领域，成为数据架构师或AI数据专家
- 在业务方向可转型为AI产品经理或数据策略负责人，结合金融行业经验提升业务影响力
- 管理方向可晋升为数据团队负责人或技术总监，带领团队推动数据智能化
- 构建和维护AI数据资产体系，包括特征库、样本库、标注规则引擎，支持特征工程自动化和样本迭代
- 对接算法团队，制定数据标注标准和质量评估体系，搭建数据反馈与迭代闭环
- 负责知识库构建（文档、图谱等），确保数据实时性和准确性
- 设计并优化大数据存储与计算架构（如湖仓一体、实时计算），开发维护数据管道和ETL任务，并探索隐私计算技术
- 扎实的大数据技术栈：Hadoop、Spark、Flink、Hive、ClickHouse、HBase，以及SQL优化和ETL开发
- 熟练的Python编程能力，能处理大规模非/半结构化数据
- 了解机器学习和大模型训练的数据需求，具备AI工具应用或二次开发经验
- 跨团队协作能力，能高效对接算法、业务、产品团队
申请策略
- 了解中国平安的业务布局，特别是AI在金融中的应用场景，面试时展示行业洞察
- 准备一个完整的数据工程到AI数据赋能的项目故事，突出从需求到落地的过程
- 突出大数据项目经验，特别是涉及Hadoop、Spark、Flink的实际应用，量化成果
- 强调AI数据相关经历，如特征工程、数据标注、模型训练数据准备等
- 如果有金融行业数据治理或隐私计算项目，务必重点展示
- 体现跨团队协作能力，如与算法团队合作完成数据闭环的案例
- 补充LLM在数据治理中的应用知识，了解RAG、知识图谱构建
- 学习联邦学习、差分隐私等隐私计算技术，可通过开源框架如FATE实践
面试指南
- STAR法则：结构化描述项目背景、任务、行动和结果，量化数据
- 技术对比法：比较不同技术栈优缺点，结合场景选择，体现决策能力
- 闭环思维：从数据采集、清洗、标注到反馈迭代，展示全链路思考
- 请描述一个你负责的大数据平台优化项目，以及如何解决性能瓶颈？
- 你对AI数据治理的理解，如何保证训练数据的质量和一致性？
- 解释联邦学习的原理，以及在金融场景中如何应用？
- 如何设计一个大模型训练的数据流水线，需要考虑哪些因素？
- 你如何与算法团队协作，确保数据供给满足模型需求？
匹配度报告
74
综合匹配度
金融科技大厂，前沿技术栈，薪资优厚但WLB一般。
适合人群
适合追求技术成长和薪资回报、对工作生活平衡要求不高的技术人才。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活50
使命价值70
薪资福利匹配
85较高
薪资水平在大厂中具有竞争力，福利完善，但JD未明确披露具体薪资，稳定性高。
薪资信号未披露 (25K-40K/月)
成长发展匹配
90较高
岗位涉及AI数据治理、联邦学习等前沿技术，技能成长空间大；JD未明确提及晋升，但大厂通常有通道。
技术前沿前沿/新兴技术
技术栈Hadoop、Spark、Flink、Hive、ClickHouse、HBase、Python、ETL、联邦学习、差分隐私、同态加密、RAG、知识图谱、LLM
业务类型ambiguous
工作生活匹配
50较低
JD未提及工作模式，但大厂深圳通常现场办公，且金融行业可能加班较多，WLB一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
70中等
金融科技行业稳定增长，通过隐私计算保护客户数据有社会价值，但JD未强调使命。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs