格步
Senior Machine Learning Engineer
Senior Machine Learning Engineer
发布于 6 个月前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
硕士
数据分析与科学
Aws/Gcp/Azure
机器学习
模型部署
深度学习
LLM
PyTorch
TensorFlow
生成式AI
AI 估算 · 40k–70k
高级机器学习工程师，负责LLM与生成式AI，顶尖技术方向，极高薪。
职位详情
关于这个职位
这是一个高级机器学习工程师职位，你将加入Grab的数据科学团队，专注于地图智能相关的研发工作
你的核心职责是利用深度学习、大语言模型（LLM）和生成式AI等技术，开发并部署能够提升地图搜索、推荐、交通预测等功能的智能模型，为Grab的出行、物流和定价等核心业务提供技术驱动力
最低要求
计算机科学、电气/计算机工程、运筹学硕士学位
在深度学习和AI领域有实践经验，具备LLMs的专业知识，包括微调、提示工程以及为下游任务适配基础模型
拥有将LLMs和其他大规模AI模型部署到生产环境的经验：
年以上在生产环境中服务LLMs和智能体系统的经验（例如，TorchServe, Triton, 或 Ray Serve）
了解模型压缩、量化以及优化推理延迟和成本的技术
熟悉GPU/TPU加速和分布式推理架构
有实施和维护用于数据预处理、模型训练、微调和自动化评估的可扩展管道的经验
精通深度学习框架（TensorFlow, PyTorch）和部署工具（ONNX, tf-serving, TorchServe, Triton Inference Server）
扎实的Python/Spark软件工程技能
了解GoLang或Rust
有模型版本控制、ML的CI/CD、容器化（例如，Docker）和基于云的部署（AWS, GCP, Azure）经验
工作职责
识别需要研究的领域，将其转化为待解决的技术问题，并向技术和非技术团队成员解释解决方案
监督小型/中型产品/服务从设计到生产上线的端到端流程
独立定义假设，开发必要的测试、实验和数据分析来证明或反驳它们
开发并增强深度学习和机器学习算法——包括生成式AI、大语言模型（LLMs）和多模态模型——以产生现实世界的影响
使用监督学习和强化学习方法对LLMs（例如，GPT, Llama, Qwen）和其他基础模型进行微调、评估和适配
使用现代编排框架（例如，LangChain, LlamaIndex, OpenAI Function Calling）构建智能体AI工作流，包括工具集成、链式调用和多智能体协调
为团队的创新和知识产权创造做出贡献
跟进搜索/推荐、自然语言处理/LLMs或计算机视觉领域的最新文献
AI 洞察
优缺点分析
优点
- Grab作为东南亚领先的超级应用，平台规模大，你的工作成果能直接影响数亿用户的体验，业务影响力显著
- 职位描述中强调了团队支持探索和创新的文化，这对于技术人员的长期发展非常有利
- 作为核心数据科学团队的一员，需要将前沿AI研究与具体的业务价值紧密挂钩，并推动上线，对技术到产品的转化能力要求高
- AI领域技术迭代迅速，需要持续投入大量时间学习以保持竞争力
- 适合拥有扎实AI技术背景、对将大模型等前沿技术应用于解决真实世界大规模问题充满热情，并具备强大工程落地能力的资深工程师或研究员
缺点 / 挑战
- 你将接触到最前沿的生成式AI和LLM技术，并将其应用于地图和出行这一具有海量数据和复杂场景的领域，技术挑战性和成长空间大
- 职位要求高，不仅需要深厚的AI算法功底，还需具备全栈的工程化落地能力（部署、优化、运维），技术复合度要求高，学习压力大
角色解读
- 在技术深度上，你可以从应用现有模型和框架，逐步成长为能够进行前沿算法研究、创造团队知识产权（IP）的专家
- 在业务影响力上，可以从负责具体模块扩展到主导重要产品或服务的技术架构，对Grab的核心地图和出行业务产生更深远的影响
- 长期来看，该岗位的经验是通往AI架构师、技术负责人或专注于出行/地图领域的AI专家的理想路径
- 你将负责将业务需求转化为具体的AI技术问题，并主导从模型设计、开发到生产部署的全流程
- 核心工作包括开发和优化深度学习、大语言模型（LLM）及多模态模型，特别是针对地图智能应用（如搜索推荐、交通预测）进行模型微调和适配
- 此外，你需要构建和集成基于智能体（Agent）的AI工作流，并持续跟进AI领域的前沿技术
- 你需要具备扎实的机器学习与深度学习理论基础，并拥有将LLM等大模型从研究到生产落地的全栈实践经验，包括模型微调、提示工程和部署优化
- 必须精通Python及主流深度学习框架（TensorFlow/PyTorch），并熟悉云平台（AWS/GCP/Azure）、容器化（Docker）和MLOps相关工具链
- 同时，优秀的软件工程能力和解决复杂问题的能力也是必不可少的
申请策略
- 仔细研究Grab的业务，特别是其超级应用生态和地图服务（GrabMaps），在申请和面试中展现出你对公司业务与技术结合点的思考
- 留意职位描述中强调的‘探索和创新的文化’，可以在沟通中表达你对技术探索的热情和过往的创新经历
- 重点突出你将LLM或其他大规模AI模型成功部署到生产环境的完整项目经验，详细说明你在模型微调、性能优化（如量化、加速）和解决线上问题中的具体贡献
- 用数据和成果量化你在搜索推荐、NLP或CV等相关领域的项目影响，例如提升了多少点击率、降低了多少预测误差
- 清晰展示你对MLOps工具链（如Docker, CI/CD, 云服务）的熟练使用，以及构建可维护、可扩展的机器学习系统的能力
- 如果对智能体（Agentic）工作流框架（如LangChain, LlamaIndex）不熟悉，可以提前学习并尝试构建一个小型演示项目
- 深入理解模型部署和服务化的细节，如使用TorchServe/Triton进行模型服务、监控推理指标和成本优化策略
- 加强对Grab所在出行/地图领域业务逻辑的理解，思考AI技术如何在该领域创造价值
面试指南
- 对于项目类问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术决策过程、解决问题的具体行动以及可量化的业务影响
- 对于技术方案设计问题，先明确需求和约束条件（如数据、延迟、成本），再分层阐述从数据预处理、模型选型/设计到服务化、监控的完整思考链路
- 对于开放性的技术讨论，展示你的知识广度、批判性思维和学习能力，可以结合不同方法的优缺点进行比较分析
- 请详细介绍一个你参与的LLM项目，包括业务目标、你的具体角色、技术选型、遇到的挑战以及最终成果
- 当一个大模型在生产环境中推理延迟过高时，你会从哪些方面进行排查和优化？请描述你设计的一个端到端机器学习系统的架构，并解释各个组件（数据、训练、部署、监控）是如何协作的
- 你如何评估和选择一个开源的基础模型（如Llama, Qwen）来适配特定的下游任务？请分享你阅读过的一篇近期AI顶会论文，并谈谈它对你的工作或思考有何启发
- 深入复习机器学习、深度学习核心原理，以及LLM相关的关键技术（如Transformer架构、微调方法、提示工程）
- 精心准备2-3个最能体现你算法能力和工程落地能力的项目案例，确保能清晰阐述技术细节和业务价值
职位点评
Watch Jobs